ProjektledarDetta är en maskinell transkribering (KB-Whisper) av avsnittet som publicerades 2025-09-16. Fel kan förekomma.
Lyssna på avsnittet: AI 10: AI som beslutsstöd för projektledare, Fredrik Kockum berättar utifrån sin avhandling om beteenden och beslut
Transkribering
I dag ska vi prata om AI, beslutsstöd i projektledning. Fredrik Kockum som har skrivit en avhandling om det kommer att berätta om det. Det är inte så mycket AI, det är vanliga beteenden som vi människor har och så råkar det vara lite AI som ger beslutsstöd och hur agerar vi kring det? Lite reklam. Det är dags att börja titta på AI-kurser, vårens AI-kurser Kommer snart upp om ni vill anmäla. Jag vet att några AI-kurser på hösten är fulla redan.
Men om ni är intresserade så hör av er. Vill ni ha något annat än AI-kurser, föreläsningar och liknande så vet jag att Daniel har lite tid i december i alla fall. Om ni vill gå in och anmäla det, bara hör av er! Det var all reklam för den här gången. Jag heter Mattias Seibe. Nu kör vi!
Du vill lyssna på Projektledarpodden. En podd för dig som gillar att leda projekt Jag vill lära dig mer av andra om projektledaren. Idag har vi med oss Fredrik Kockum som har gjort en avhandling om AI för projektledare eller av projektledare. Vad gjorde du avhandlingen av? Välkommen till podden Fredrik! Tack så mycket, kul att vara med!
Jag gjorde en avhandling på projektledares beteenden och hur deras beteenden påverkas av AI-analys. Vad fick du göra i den forskningen? Det var nog väldigt mycket tidpunkten och tajming där och då. Slumpen kan man också säga. Jag fick nys om att ett universitet i England i Satentum hade stipendium på väldigt mycket på det här ämnet. Så jag kunde använda min masteruppsats som var precis på det här ämnet.
Och fick in en fot på det hållet så att säga. fått lite förståelse för ämnet och ville verkligen gräva djupare på en masteruppsats. Man hinner göra ganska mycket. Men på det stora hela hinner man bara skrapa lite grann på ytan. Så jag ville verkligen ta tag i något större och det fick jag göra. Du har både akademisk och praktisk bakgrund. Hur kom du till det här?
Vad fick dig att utforma din forskning med det här? Det är intressant att du frågar. Om jag spolar… till 2019, när jag faktiskt började med min avhandling, så hade jag inte så mycket praktisk projekterfarenhet. Den har kommit under tiden kan man säga. Ungefär halvvägs in i avhandlingen valde jag att flytta hem till Sverige. Och fortsätta på distans och på halvfart.
Jag började på en managementkonsultfirma som heter Influence. På den vägen har jag kunnat få projekterfarenhet som projektledare. Men även som projektdeltagare i olika sammanhang. På så sätt har jag parallellt kunnat få projekterfarenhet medan jag har skrivit. Även om det var svårt att kombinera jobb och forskningen andra halvan av avhandlingen så upplevde jag en otrolig skillnad att skriva eftersom jag hade mina egna erfarenheter och mitt eget perspektiv. Från att förstå eller trodde kanske att jag förstod allt i teorin, så fick jag faktiskt sätta allt i kontext och det gjorde stor skillnad.
Så det blev mycket roligare att skriva. Så det förändrades väl lite under tiden. Det som förändrades under tiden måste även ha varit AI. När du började måste det ha varit i en form och här i slutet på avhandlingen är det nåbart för alla. Berätta lite kort om den här resan som du måste ha gått i forskningen. Väldigt intressant fråga, absolut.
2019, det fanns väl lite enklare generativa modeller, men inte till allmänhetens tillgång som det finns i dag. Så jag minns att jag satt en sommar 2022 och då skulle uppdatera all litteratur som publicerats. Och det hade väl publicerats lika mycket från 2020 till 2022 som det hade gjorts upp till 2020 totalt. Så det var en sommar där det var mycket läsa igenom vad som hade publicerats. Så det var en ganska intressant resa att bevittna också akademiskt så att säga. Och när var det sista du tog in till uppsatsen?
Vilka år var det eller vilken tid var det? Jag blev faktiskt klar med uppsatsen i våras, vintras. Så den sista artikeln är nog från januari 2025 som jag har inkluderat i avhandlingen. ändå ganska nyligen fortfarande. Då har du verkligen fått med resan i det som har hänt. Ändå uppfattar jag det även när man läser avhandlingen att det är väldigt mycket kvar innan vi har någonting vi verkligen kan använda. Idag kan vi hitta effektivitet.
Vi ska prata mer om det men effektivitetsvinster kanske inte i de här stora sakerna utan många adminstiva små saker. Du valde att använda något som heter behavioral design. Behavioral decision theory, som är ett teoretiskt ramverk. Varför just det ramverket och vad är det för något? Bra fråga. Med risk att det blir lite teoretiskt nu så är det ändå relevant att gå igenom för att förstå, sätta ramarna för vad jag faktiskt har tittat på.
Och det går att dela upp det här spektrumet av beslutsteori på olika sätt. Och jag har valt att titta på, Något som kallas deskriptive decision theory. Som förklarar hur vi människor faktiskt tar beslut. Till skillnad från att man kan titta på hur vi människor ska ta optimala beslut. Och kortfattat beskriver det här olika syften för vad man vill åstadkomma. Jag tyckte det var mycket mer intressant att titta på hur vi faktiskt tar beslut.
Och undersöka det helt enkelt. De kom i kontakt med ett koncept som heter Bounded rationality. Myntades på 60-70-talet av bland andra Herbert Simon som var väldigt inflytelserik inom AI och ekonomibeteende. Det här konceptet har byggts vidare sedan dess bland annat av Daniel Kahneman som är nobelprisvinnare. Tyvärr gick han bort för något år sedan. Men det här konceptet och bounded rationality handlar om att vi människor har begränsningar i vår kapacitet och i vår beslutsfattningsförmåga för vi saknar kapaciteten att ta in all tillgänglig information som finns tillgänglig runt omkring oss.
Så vi tar beslut som vi upplever på ett rationellt sätt men vi saknar den här kompetensen att ta in all tillgänglig information. Så i den här fåran av beslutsteori finns det många som har bidragit med olika förklaringsmodeller. kan vi säga. Och i det här fallet tittar jag på projektledare som applicerbar i en projektmiljö. Och här då kommer vi till din fråga. Här landar vi i något som kallas behavioral decision theory, som det har publicerats ganska mycket på. Och just den här termen kanske inte är allmänt känd.
Men inom det här konceptet så faller det in kanske mer kända koncept som till exempel sunkkost, som även faller in Inom något som kallas esplation of commitment. Som ett samlingsnamn, ett samlingsbegrepp som förklarar ett beteende som uppmuntrar beslutsfattare att fortsätta investera i tid och resurser i tidigare beslut. Så trots att vi får signaler och indikationer på att vi borde avvärja ett projekt eller avsluta ett projekt. Så fortsätter vi att investera. För att vi kanske inte vill förlora de tidigare investeringarna, eller av andra anledningar.
Handledningar, så att säga. Det är på den vägen som jag valt den här fåran av beslutsteori. Jag tycker att det är så intressant det du säger där. Vi har projektmodeller med olika grindar som egentligen syftar till att bara titta framåt. Sedan ser man precis det du säger när man fattar beslutet. Då tittar man till stor del bakåt.
Men nu har vi gjort allt det här. Det är väldigt sällan man avslutar projekt, mycket mer sällan än vad man borde. Men du nämner det här med att vi inte kan ta in allting. Jag tycker det är lite intressant för att det är väl också så att vi kanske tar in väldigt mycket och går på någon typ av känsla när vi fattar våra beslut. Så att vi har det där inom oss men vi kanske inte förnuftsmässigt kan säga varför vi fattar vissa beslut. Verkligen.
Jag håller med där. Man kan dra det till sin spets att vi inte har förmågan eller kapaciteten att ta in all information. Vi har inte heller tiden att göra det. Vi måste faktiskt ta beslut inom vissa tidsramar. Vi kan inte samla på oss information i all evighet. Så det är också den aspekten att vi måste acceptera att vi har en tidsram att förhålla oss till.
Men vi försöker ju oftast… eller vad ska jag säga. Det finns ju forskning som visar att vi följer ofta vår intuition, vår magkänsla och där vi tenderar på att ha vissa biases som min avhandling också lutar sig mot. Att det finns vissa begränsningar. begränsningar och vår beslutsfattning som vi inte riktigt har en egen förmåga att styra över. Så vi blir påverkade av saker som vi inte riktigt har kontroll över. Det är ju i sig en teori. Det finns ju saker mot teorier som motbevisar det här.
Men det här är ett akademiskt led som jag har valt att följa i min avhandling. Du intervjuade… över 20 projektledare. Hur gick det till? Var det någonting som var överraskande i deras svar? Ja, det var tidskrävande och utmanande hela den här processen att samla in kvalitativ intervjudata som jag baserar min avhandling på. Totalt sett så hade jag möjligheten att intervjua 22 personer som jag också inkluderade i min datainsamling.
Jag intervjuade fler, men jag var tvungen att avväga deras Deras erfarenhet och hur relevanta de var att inkludera i min studie. Baserat på hur mycket erfarenhet de hade av AI och även deras roll inom projekt. Men jag använder mig av så kallade semistrukturerade intervjuer. Jag hade ett frågebatteri, men jag anpassade också motfrågor utefter vad mina deltagare svarade. Och jag hade turen under den här perioden i i Storbritannien så fanns det vissa bolag som hade etablerat sig. Och skapat sina egna AI-algoritmer.
Och då kunnat sälja sin produkt till främst projekt inom byggindustri och infrastruktur. Och jag lyckades via APM, Storbritanniens svar kan man säga, på PMI. Association for Project Management, kom jag i kontakt med. deras kontaktnät så kom jag då fick en fot in hos de här organisationerna som hade byggt sina algoritmer och deras kunder. Så jag kunde då få intervjua de här personerna som använt de här AI-analytiska verktygen och olika roller som använder de här verktygen bredvid projektledarna. Det var både personer inom byggindustri, infrastruktur men även några IT-projektledare och inom flygindustrin.
De var baserade i Storbritannien men även i Nederländerna, Australien och USA. Och det var ganska svårt att till en början navigera i det här. Jag kanske har lärdomar och lärde mig mycket om mig själv där att man ska inte stressa och komma igång med intervjuer för tidigt kanske. När man går sin första termin på doktorandstudierna så vill man oftast bli klar så fort som möjligt. Men jag lärde mig att man ska ta sig tiden och verkligen landa och bestämma sig vad man vill göra. Det var mycket fram och tillbaka.
Man fick göra om en del intervjuer. Som sagt jag använde vissa intervjuer, eller insåg att jag inte kunde använda alla mina intervjuer. Jag intervjuade vissa personer och samlade in intervjudata om hur deltagarna faktiskt använder den här AI-analysen då. Och det visade sig att det handlade mycket om deras beslutsfattning. När AI-analysen indikerade på olika varningssignaler och hur de tolkade modellerna. I dataanalysen, när jag analyserade intervjudatan så kunde jag hitta identifiera faktorer och olika bakomliggande punkter som påverkade verkade deras beslut, som också blev gemensamma.
Med en brasklapp då: jag har ju tittat på vissa specifika projekt. Det går att göra vissa generella tolkningar av mina slutsatser. Men man ska komma ihåg att jag har tittat på analytisk AI. Jag har tittat på projekt inom vissa industrier, som har vissa förutsättningar. Man har till exempel haft stor mängd historisk data, och kunnat göras jämföra projekten de analyserar med andra projekt också. Till skillnad från kanske mer projekt som, vad ska vi kalla det, knowledge management baserade med brist på annat ord där man kanske driver en grupp människor framåt mot ett kanske mer otydligt mål i sig som kanske då saknar jämförelsedata.
Det ska man komma ihåg när man läser avhandlingen. Det var mycket som överraskade mig för att komma tillbaka till din fråga. Dels så var jag överraskad att många projektledare tvekar på att fullfölja AI-rekommendationens beslut. Man tenderar att vänta ut utkomsten istället för att agera direkt. Man kanske är osäker på, kan jag faktiskt lita på den här AI-modellen? Det tar ofta längre tid innan det utkristalliserar sig att det är dags att omdirigera projektet.
Men då har ju mer resurser redan gått förlorade, så att säga. Och det är inte lätt att dro blint på en AI-modell. Och det säger jag inte att man ska göra heller. För det är ett stort beslut att eskalera ett projekt och omdirigera det. Så det är inte en lätt process. En annan överraskning var också att projektledare har väldigt hög tro på sin egen förmåga.
Och det ska man ju ha med all rätt. Men ibland så kanske den tar över lite mycket. Man kanske har för stor tro på sig själv. Men med det sagt så har projektledare värdefull erfarenhet också om man har varit med ett tag. Men det överraskade mig att man trodde så starkt på sitt eget perspektiv och hade svårt ibland att ta in ett annat perspektiv från AI. Så det var många små och stora överraskningar i början.
Allt eftersom blev det tydligare vad som faktiskt skulle komma ut från min avhandling. Och med min egen erfarenhet inom projekt som jag lyckades få under tiden så känns det väldigt tryggt att komma med en slutsats på slutet. Du introducerar ett begrepp som … ‘Vent-effekten’ eller ‘the weight effect’. Kan du förklara? Ja, precis. Det är ett begrepp som jag använder för att beskriva beteendet när … negativt. projektledare dröjer med en korrigerande åtgärd.
Som jag nämnde tidigare, man väntar hellre ut utkomsten för att se vad som kommer hända hellre än att agera på en AI-modell som man kanske inte har förtroende för riktigt. Och det är en av grunderna till det här beteendekonstbegreppet som jag föreslår, The Waite Effect. Så en av dem är faktiskt att tillita sig AI-modellen spelar avgörande roll. Vi har säkert hört om så kallade AI Blackbox, svarta lådor, som upplevs att man har svårt att utläsa och förstå varför AI-modellen faktiskt kommer med vissa slutsatser. Och om då AI har en så pass avancerad teknik att den svarta lådan är så pass oförklarlig att det minskar tilliten, ja, då kommer också Man har svårt att följa dess rekommendationer.
Så brist på transparens i svarta lådan är något som leder till the weight effect. Men också att det finns en psykologisk förankring i sin projektplan. Som jag nämnde tidigare så har projektledare, med all rätt ibland… Man kanske borde vara självkritisk, att inte hålla så hårt i sin projektplan som man har investerat både tid och pengar i. Men man har då kanske svårt att planera på nytt och omdirigera investeringar. Man behöver ibland göra korrigeringar i sin projektplan.
Och att hålla för hårt i den här, leder också till ”wait effect” begreppet som jag föreslår. Den sista faktorn som jag föreslår leder till det här är att man upplever ofta sitt projekt som väldigt unikt. Och det är ju faktiskt en definition av projektet. Det är en unik aktivitet. Men jag skulle gärna vilja utmana den tanken lite. För det finns väldigt många gemensamma aspekter i projekt också.
Det jag faktiskt ville säga. Projektledaren kanske tror att deras sammanhang och projektets kontext inte går att fånga i en generell AI-modell. Och så kan det många gånger vara. Ett projekt kanske inte har dokumenterad data och det kanske inte går att jämföra. Ett projekt där och då. Men det finns väldigt många projekt därute som faktiskt har gemensamma nämnare och gemensamma punkter.
Och det bör man faktiskt undersöka om det går. Så att tro att sitt projekt är unikt är också en ledande faktor till det här begreppet som jag föreslår. Så det leder till att man väntar till att agera och eskalera projektet. Och man avstår att gå till sin styrgrupp eller sin projektprogram inledning med ett förslag att eskalera projektet. Och det som brukar hända är att projektet bara en period senare, några veckor senare, behöver ta de besluten ändå. Just för att det blir tydligt för alla deltagare i projektet att det faktiskt behövs göras något.
Så det är bakgrunden till det begreppet jag föreslår. Jag tycker det är intressant. Du nämner AI och man tänker på AI som en person som istället skulle se utifrån på det här projektet och komma in projekt och säga att ”med min erfarenhet såhär går det inte, vi måste avbryta det här”. Eller liknande. Skulle det inte bli samma effekt? Det är en väldigt bra poäng.
Och det är mycket möjligt att det skulle vara så. Vem som helst har svårt att gå in i en projektkontext och få sin röst hörd om man föreslår något så drastiskt, att omdirigera ett projekt mot en helt annan riktning. Även en person, en projektledare, eller vem som helst som som föreslår en omdirigering behöver ha tillit eller mandat eller någonting som gör att man får förtroende för sin analys och rekommendation. Så det finns många likheter där. Jag kan tänka mig att det är ännu svårare när en AI inte kan försvara sig. Den kommer bara med fakta om vi säger så.
Då blir det lätt för en människa som du säger behöver säga Intressant. Du använder också ett annat begrepp: override AI bias. Ja men precis. Override AI kanske flyter med bättre på tungan där. Men exakt, det är ett bias-beteende som jag föreslår som innebär att projektledaren medvetet bortser från AI-analysen, men på ett annat sätt. Det tidigare begreppet bortsåg också från AI-analysen.
Men det här blir den andra sidan av femkronan. Det här konceptet handlar om att projektledaren tar ett beslut trots att AI-modellen är tyst. Att den inte indikerar att något bör göras. Jag identifierar några koncept eller faktorer bakom det. Bland annat föreslår jag att det grundar sig i informationsasymmetri. Vilket inte är ett nytt begrepp i sig men inte använt i så bred kontext. text tror jag.
I grunden bygger det på att AI-modellen och du som beslutsfattare genomför era analyser på olika information. I alla fall upplevt olika information. Du som projektledare anser att du har den senaste projektinformationen. Och det kanske du har, ni kanske precis kom från ett stand up möte status planeringsmöte. Då du fick en ny information som AI-modellen inte har. Eller så är det mer oförklarligt.
Du anser dig titta på En längre erfarenhet än vad AI-modellen har. Det som är gemensamt är att du tar ett annat beslut än vad AI-modellen gör. Eller du gör en annan analys, så att säga. Det här leder till att du som projektledare också genomför en korrigerande åtgärd. Och sannolikt är inte det här i enlighet med projektets principer. För AI:n, får man ju hoppas, är där av en anledning.
Det finns en princip Som behöver följas för eskaleringar. Och att motsätta sig en AI-analys bara för att man känner för det eller vill det. Utan konkreta bevis eller sin egen analys är inte i enlighet med projektet. Man tar då ett beslut baserat på sina egna intressen och mål. Vilket sällan är bra i ett projekt. Så beslutet är inte förankrat brett överallt. projektet.
Jag föreslår att det börjar i stil med Overide AI bias för man agerar mot AI. Vilka bias upplever du som mest avgörande för projektledare använder AI i sina beslut? Jag ska säga att jag identifierade vissa beteendemönster men jag tror att det finns mycket mer där ute att undersöka. Så det jag har sett i den datan jag har samlat in så är det lite av det jag har nämnt tidigare och vissa begrepp som redan är etablerade. Bland annat sunk-kost-beteendet. Att vi blir mer riskbenägna att rädda ett projekt utan att vara medvetna om att det är ett rationellt beslut.
Vi tror att vi agerar helt rationellt, men vi är påverkade av en inre riskbenägenhet. Och vi blir ofta blinda med ett uttryck. utifrånperspektiv hade vi kanske däremot tagit ett annat beslut. Som förut, en person kommer utifrån. Då hade vi kanske fått ett annat perspektiv på hela situationen. Så vi tror att vi kan rädda projektet med en sista investering. Det har gjorts mycket forskning på det här inom spel och gambling.
Man blir mycket gladare om man om man inte förlorar sin insats, än man blir om man vinner det man satsat. Så det finns kopplingar till det. Men även optimism bias när projektledare överskattar de positiva utfallen och underskattar de negativa konsekvenserna som kan ske. Ibland tenderar vi att förankra våra planer och strategier, men har svårt att acceptera när vi gör korrigeringar. Som jag nämnde tidigare, man håller väldigt hårt i sin projektplan eller andra planeringsverktyg som man faktiskt lagt ner tid på och investerat sin egen kunskap i. Jag vill också lyfta begreppet jag nämnde förut, informationsasymmetri.
Som är underliggande faktor. Och det finns ganska mycket där som man kan gräva i. Man behöver verkligen se till att AI-modellen och du själv sitter på ungefär samma information. Det ska inte vara någon obalans mellan den kompetensen eller datan som AI:s AI:n sitter på jämfört med vad du som projektledare sitter på. Det blir en obalans där som inte är hälsosam i ett projekt. Och hur ser man till att inte den finns där?
En projektledare har hela sin erfarenhet av 10-15 tidigare projekt som har gått bra eller dåligt, medan AI:n sitter och jobbar med liknande projekt. Hur jobbar man med det? Det är en mycket bra fråga. Jag tycker man bör Begränsa scenariot som man faktiskt analyserar. Man kan till exempel ta en specifik springperiod eller olika delar av projektet som man analyserar då, istället för att ta för många olika aspekter. Om man då vill göra en så pass likvärdig analys med AI:n som möjligt.
Men det är inte lätt, och det är nästan omöjligt att både du och AI-modellen ska sitta på samma typ av data. Det är något man bör eftersträva i alla fall. Vad skiljer då det här AI-baserade beslutsstödet från mer traditionella projektstyrningsverktyg? Kan du berätta lite om de här beslutsstöden så att vi förstår vad de utsattes för? Absolut. Väldigt bra fråga.
När jag tänker på traditionella projektverktyg brukar jag tänka på Gantt, schema, VBS, work breakdown structure. Och kanske även earned value management. Det kanske inte används så jättebrett idag, men i vissa typer av projekt används det. Desto mer. De här kan ge prognoser och en status för nuläget. Men de är ganska statiska och kräver manuell handpåläggning och uppdatering.
Jämför vi då med ett AI-baserat system och de som jag hade förmånen att komma i kontakt med. Så har de här möjligheten att leverera en prediktiv analys ibland så pass nära realstöd som man kan förvänta sig. Inte alltid så pass nära. som man kanske önskar sig men så pass nära som man kan förvänta sig i alla fall i realtid. Verktygen kan då ta in stora mängder data från olika stakeholders i olika delar av projekt. Och förutsäga tids och kostnadsavvikelser baserat på de här olika perspektiven och olika typer av data. Man kan kombinera till exempel riskanalys och riskdata med tidsplanering. budgetar så kanske AI-modellen kan indikera att den här risken går utanför vår acceptans.
Den riskerar att kosta oss x antal miljoner, 100 000 kronor. Är det något vi vill agera på så kanske man kan kombinera det. Alla projekt ser inte likadana ut, men man kanske kan kombinera det med en RAG-modell, alltså trafikljusmodell. Att den här risken är orange, Amber. Man kanske inte bör agera på den just nu, men den bör bevakas. Men den röda risken måste vi agera på just nu.
Det går att kombinera olika sorters aspekter i projekt med den här AI-modellen. Och de specifika modellerna jag tittade på har exempel. De har kombinerat x antal hundratusen tidsscheman. Det de lyckades göra eller fick tillåtelse av sina kunder var att de fick kombinera data från olika kunder och erbjuda både AI-modeller och databas till nya kunder. För att kunna ge så pass exakta och bra analyser som möjligt. Så det var de AI-modellerna jag kom i kontakt med.
Och vilken typ av projektdata är mest kritisk för att kunna ge de här politiker rekommendationerna och tidiga varningssignaler. Jag kan bara se att, det beror på vilka modeller, men de här modellerna var särskilt anpassade till tidsscheman. Men kunde också ta in andra perspektiv såsom risker, budget eller resursplaneringar. Jag tror att det är svårt att identifiera enbart den mest viktiga. Jag tror det handlar om att i grunden ha en AI-modell som faktiskt är trovärdig som faktiskt används och ha bra data kopplat till den. Sen kan man bygga vidare på de modellerna.
Så det är svårt att bara utse ett perspektiv där. Och vilka faktorer, om vi går till organisation och implementering. Vilka faktorer i organisationen påverkar mest hur framgångsrik AI kan implementeras i projektledning. Hur får man det här att funka? Exakt, det är ju det alla vill veta och det som vi faktiskt som vi faktiskt kanske står inför nu. Du är ju en beteendekille, du måste veta.
Exakt. Svaret finns i avhandlingen brukar jag säga. Men riktigt så lätt är det ju faktiskt inte. Jag tror det behövs ganska tydliga principer i en organisation, som faktiskt vilar på något som är förankrat bland medarbetarna, för att det ska kunna implementeras i en projektorganisation. Man kanske inte behöver ha lika förankrade överallt men det ska ändå finnas principer som är tydliga och förankrade. Och man, tycker jag, rekommenderar i alla fall att använda en AI som är anpassad till organisationen.
Det är oftast osmart att investera i en teknik som inte är accepterad eller anpassad till den kontexten man faktiskt agerar i eller kan använda den i. Man bör tänka ut kanske små case eller Eller implementera AI:n i små steg. Så steg för steg skapa en mognad och en acceptans för hur man kan använda AI-verktyget och etablera arbetssätt långsiktigt och inte bara komma med en stor modell. Förvänta sig att den ska funka från dag ett för det visar sig oftast vara väldigt svårt. Det blir ju så att personen som ska ta beslut baserat på AI-modellen behöver stå till svars för det på något sätt och att gå upp till sin styrgrupp eller programledning med ett förslag.
Då måste man känna sig bekväm med att backa upp det förslaget. Så man behöver ha tillit till den AI-modellen som man följer. I grunden så tror jag att det är med alla stora förändringar som sker i samhället och inom organisationen när ny teknik kommer, att vi behöver använda den tekniken som passar oss. Vi kan inte ta för stora steg. Men vi måste också agera. Så jag tänker att i små iterativa steg bör man implementera det här.
Du pratade lite grann i början om det här med black box. Att kunna förklara AI för att skapa tillit och förståelse. Vad tänker du kring det här? Berätta lite mer. Absolut. Jag visste inte att det här skulle komma som ett stort centralt koncept i min avhandling. återkommer ganska ofta.
Så det blev ändå ett centralt begrepp som var återkommande bland mina intervjuobjekt också. Och där betonar jag slutsatsen att det finns AI-modeller som har en problematik men det är också en fördel. Att ha den här svarta lådan, vad säger man, teknologin. För det är en avvägning. Har man en deep learning-modell så har man oftast det här Konsekvensen av det blir en svarta låda-effekt. Men man får också väldigt avancerade analyser.
Har man en kanske inte lika avancerad AI-modell så går det oftast att se hur AI-modellen eller i alla fall få en bild av AI-modellens slutsats. Men till en följd av det är ju att man inte får lika avancerade AI-modeller. Så jag tror att man ska börja med en sådan avvägning: vad passar den organisationen jag är på eller jobbar med? Ska vi ha väldigt avancerade modeller och accepterar vi att inte förstå allt som AI-modellen rekommenderar? Eller ska vi etablera en tillit för att vi ser att det är viktigt för oss att kunna resonera varför AI-modellen kom fram till den här rekommendationen?
Då bör man ta en mindre avancerad AI-modell. Jag kommer oftast tillbaka till det i avhandlingen. att när en projektledare förstår modellens resonemang så blir det lättare att motivera besluten inför en högre instans om man behöver eskalera ett projekt. Så förklarbarheten eller explainability på engelska, explainable AI gör att det är ett koncept som man bör sätta sig in i, tycker jag. Jag känner ju det själv att skulle någon säga att du ska lita på den här utan att jag förstår varför ska man vara tvungen bevisa det på något sätt. Visar det tidigare data eller tidigare projekt eller någonting annat.
Personligen skulle jag försöka skjuta hål på det och inte tro på det länge om det verkligen är mörkt. Så jag förstår det här. Hur tänker du om den här bevisningen, jobbade man med det? Det finns ju ändå ett sådant beteende. Ja, men jag tror att mycket handlar om vilka som sitter i beslutsrollerna ovanför. de kommer att ställa följdfrågor till dig om du kommer med en rekommendation. Att projektet behöver skjutas upp eller att målet behöver ändras.
Du som projektledare kanske sitter på väldigt djup AI-kunskap. Du kanske är bekväm att ta in slutsatser från en AI-modell som baserar sig på deep learning så att säga. Men du kan inte ta fram det här till din styrgrupp, för de kanske har annan förväntan på dig och kanske inte samma förståelse eller erfarenhet. Fast åt ett annat håll. De kanske har erfarenhet av att saker gått snett efter att ha litat på en AI-modell. Så det är en ganska snårig miljö tror jag.
Så man behöver nog se ett steg uppåt från sig själv. Vilka är det man ska försöka förankra sina beslut med. Och såklart även vilka är det man jobbar med. man jobbar med bredvid sig i ett projekt. Vad sitter de på för erfarenhet och mognad? Det krävs en väldigt bred förankrad bild tror jag på det här konceptet med AM-modeller och vilka beteenden som faktiskt är kopplade till det. Jag gillar ordet beslutsstöd.
Alltså att man får stöd i sina beslut snarare än att det är någonting som fattar beslut åt mig. Har du några andra konkreta råd eller lärdomar om man vill börja använda AI i projektstyrningen? Ja, verkligen. Du är helt inne på något intressant där och väldigt relevant. AI är bara ett beslutsstöd. Jag är väldigt för principen att man inte kan ställa en AI-modell till svars.
Även fast man kanske skulle vilja det om den kommer med en dålig analys eller rekommendation. Men det är vi människor än så länge i alla fall. Man vet inte vad som Hur kommer det att se ut framåt? Det är vi människor som tar beslut och det är vi som behöver stå till svars för de beslut vi tar. Så jag tycker verkligen man ska förhålla sig till att en AI-modell är bara ett beslutsstöd och en del av massa olika beslutsstöd. Det är inte bara en AI-modell du har till ditt förfogande.
Du har kollegor, du har din erfarenhet, du har olika sorts koncept som omstrukturerar. som AI-modellen inte kan ta in. Det kanske finns ohälsosam kultur inom ett projekt till exempel som gör att ni måste ändra ert projektmål. För att det kanske är orimliga mål som har satts från början och då finns det inte så mycket annat att göra än att ändra projektmålen så att det faktiskt funkar och skapar en kultur som är hälsosam och skapar en positiv arbetsmiljö. Nu kanske jag gick ifrån min fråga lite kände jag. Ja, jag tycker att man ska hålla sig till AI som ett beslutsstöd som ska hjälpa men att det inte alltid är svaret till allt.
Såg du några speciella projektfaser där det var störst effekt på beslutskvaliteten med AI? Det är en väldigt intressant fråga för det finns lite olika… Jag såg ingen gemensam nämnare på så sätt kan jag säga. Men det beror ganska mycket på från fall till fall. Och jag tycker det är väldigt intressant oavsett vad man hittar där. Man brukar i vissa förklaringsmodeller säga att ju längre in i projektet man kommer desto mer information har man och mer data har man.
Ju lättare är det att estimera kommande springperiod eller halvår. Det är i början av ett projekt som väldigt mycket är osäkert. Och man tar väldigt mycket beslut som kanske är svårt att grunda i data. mycket att jämföra med, i alla fall från sitt eget perspektiv. Så här tror jag ändå att AN kan vara störst ett stort hjälpmedel för oss människor. Att man kan analysera tidigare projekt, se hur de här i början planerade projekt när vi människor kanske känner oss lite vilsna när en förstudie är klar och man ska börja planera kommande releaser av ett projekt i tolv månader.
Det är ganska mycket på känsla och tidiga erfarenheter man gör det. Men en AI-modell kan vara väldigt bra. Men det betyder inte att de är oanvändbara eller mindre användbara längre fram i projekt. För där kan det hända saker som också ändrar förutsättningarna helt och hållet. Så jag tror det handlade mycket om kontext och vilken typ av projekt du jobbar i. Jag tycker det är intressant, för vi är rätt oförstående Fullkomliga och många projekt gör en planering, kommer fram till något.
Några chefer säger: Ja, ja, men vi kommer ändå gå över 50 procent för det gör vi varje gång. Och ändå fattar de beslutet att göra det. Vi kan se olika Trafikverket, vissa projekt där och liknande. En del projekt går riktigt, riktigt bra. Vi har tunneln i Malmö och Öresundsbron. Men väldigt många gör inte det.
Vare sig vi har AI eller inte så är det ändå någonting att vi människor fattar de här besluten. det är ju beteenden. Hur tänker du kring det här? Väldigt intressant. Jag ska inte säga att det är en känslig fråga men det finns ju olika argument inom forskningen men också i verkligheten har jag stött på. Till exempel när man lägger bud för olika projekt och det är oftast det billigaste budet som får uppdraget. Det är kanske inte utåt sett medvetet en låg budget men det är väldigt ofta budgeten går över.
Och hade man då estimerat en rimlig som man faktiskt tror att projektet skulle hamna på baserat på tidigare projekt, då hade man sannolikt inte fått projektet. Då för man hade ansett sig vara för dyr jämfört med konkurrenterna som la ett lägre bud. Och det finns ju då argumentet inom akademin, forskningen, Flüffberg är väldigt stark i sina argument att många projektledare och planerare gör det här med flit. Att man lägger sig väldigt lågt. Det kallas ett koncept strategic miss representation. Vilket också hamnar i besläktat begrepp till det vi pratat om tidigare.
Om det är med flit eller utan intentioner det låter jag vara osagt. Jag tycker det är väldigt intressant hur man väljer att få sitt projekt att se ut utåt medan in i projektet kanske det ser ganska annorlunda ut. Man kanske väljer att sätta sitt projekt som grön fast det kanske är en annan färg. Eller man alltid har en riskanalys som är gul för man vågar inte sätta det som rött eller grönt. Gult är ett ganska safe bet att lägga sig på. Man behöver inte ställa sig till svars för att nåt är rött och man kan alltid säga att man hade det på en gul risk och vi visste att det skulle hända nåt.
Men att ha en objektiv syn på sitt projekt är väldigt svårt. Och här tänker jag att AI-stödet kommer in och dömer det här projektet redan från början, precis när det sätter igång, att ni har alldeles för lite pengar men ingen vill lyssna. Ja, exakt. Det hade varit intressant att ta ställning till det första AI-modellen säger är att ni behöver mer budget. Det vill säkert projektledaren också men att komma upp till styrgruppen och programledningen dag två med det förslaget är nog inte populärt. Dels kanske man som projektledare inte vill framstå som att man räknade fel själv när man gjorde analysen.
Det beror på hur ens programledning förhåller sig till AI-modellen som är förankrad att man ska använda. Men det finns ju kanske egna mål och intressen om man faktiskt tror att en AI-modell kan göra. Så man kanske avsäger sig den analysen det första som händer. Så det är inte en lätt situation att hamna i. Man behöver nog ta det väldigt successivt. Och som du var inne på förut, som ett beslutsstöd. då inte som en sanning.
Tror du att AI i framtiden kan ersätta vissa delar av projektledarrollen och i så fall vilka? Det tror jag. Men vi vet nog inte exakt hur snabbt det kommer att ta. Vi har ju sett att det sker väldigt snabba framdrift under väldigt kort tid. Sen kanske det tar några flera år med samma utveckling tills det kommer en ny modell som revolutionerar AI-verktygen. Så det är nog svårt att säga. när i tiden, men vi ser ju redan nu att AI automatiserar administrativa uppgifter.
Och kan göra analytiska analyser. Men jag tror att det kommer bli mycket mer av det här. Du behöver inte uppdatera din statusrapportering själv utan det kan AI:n snappa upp från mötet som ni kanske spelade in via dator. Sen uppdaterar du alla statusar själv. Du gör en ny beräkning på Jag skickar det till budgetesimeringen och uppdaterar även riskanalysen. Det tror jag kommer ske relativt snart, utan att vara mer tidsspecifik än så.
Men jag tror i grunden att det kommer frigöra mycket mer tid till att driva grupperna framåt, ta fler beslut och mer framdrift. Vad som jag faktiskt tror är projektledarens kärnkompetenser. Att förhandla mellan projektledare projektdeltagare, konflikthantering och ledarskap generellt. Som i min mening är svårare att automatisera. Fokusera på kommunikation och relationsbyggande. Så att det blir ett hållbart samarbete framåt inom projektet.
Det hoppas jag i alla fall kommer vara slutet. utfallet av det. Om du fick göra om din forskning idag, med den senaste utvecklingen vi har sett vad skulle du göra annorlunda då? Oj, den är otroligt intressant. Intressant fråga. Jag sitter ju på min egen erfarenhet. Idag är jag rätt säker på att jag inte skulle göra en avhandling.
Jag rekommenderar ingen att avstå från en avhandling men jag skulle Jag vill nog be mig själv tänka till en sekund extra. Inte ta så snabbt beslut att hoppa in i något. Men det är också därför jag gjorde det. Jag var kanske lite naiv och såg väldigt mycket… Jag var kanske väldigt optimistisk, hade den biasen där. Men jag skulle inkludera mer generativa AI-verktyg.
Det är mycket mer tillgängligt idag. Jag tror det skulle vara lättare på så sätt att hitta en organisation eller deltagare, att kunna samla data från deras upplevelse och användning av generativa AI-verktyg. Det är lite mer greppbart, tror jag, med generativa perspektivet. Jag behöver alltid lägga in en brasklapp med min avhandling. Jag har inte studerat generativa AI, det analytiska AI. Men båda är lika intressanta, tycker jag.
Det är bara lite mer tillgängligt, med generativa AI-verktyg har det visat sig idag. Absolut. Du skrev en artikel tillsammans med en kollega i Göteborgs-Posten tidigare i sommar. Vad handlade den om? Ja men exakt. Jag och min kollega Alexander Löfgren skrev en artikel i GP i somras där vi pratar om AI och hur organisationer bör ta sig an det här verktyget.
Vi förespråkar att man inte bör springa i en IT-satsning och ett verktyg som inte är accepterat. Det finns ganska mycket höga förväntningar på vad AI kan faktiskt leverera. Vi föreslår att man bör ta lite mer beaktande innan man hoppar in i ett AI-verktyg och implementerar. Med det sagt så ska man inte vänta, säger vi. Vi ska verkligen agera för att få in det här i vårt arbetssätt. Men man bör skynda långsamt så att säga.
Så det är något som jag och Alexander är väldigt passionerade att skriva om. Vi jobbar tillsammans också på Influence som är en konsultbyrå i Stockholm. Vi jobbar väldigt mycket med AI och samarbete främst inom organisationer. ringer till våra kunder och vill hjälpa till att samarbeta. Så vi hoppas skriva mer om det också framöver. Vi hoppas att det kommer fler sådana artiklar. Och det här var ju en slutsats.
Har du några andra slutsatser eller budskap som projektledare ska ta till sig från din forskning? Slutsatsen är ganska lång, svårt att summera. Använd AI. Alla kan läsa avhandlingen genom att skicka in den i GPT. En summering där. Jag tycker verkligen inte man ska vänta med de här verktygen.
Generativ AI har ju funnits ett par år. Det kanske känns som att man är långsam på bollen om man inte har hoppat på det. Men jag tycker inte att man ska tycka att det är försent. Det är aldrig försent att hoppa på och förstå mer vad det här handlar om. Och om man kanske inte kan implementera ett AI-verktyg i sitt projekt just nu det är helt naturligt. Där är vi kanske nu. inte än.
Och speciellt analytisk AI som är ett större steg, inte lika tillgängligt. Där behövs det mycket mer specifik kontext. Men att börja någonstans är något jag absolut rekommenderar. Och sen att förstå kanske lite mer av sitt eget beteende. Det skulle jag tipsa om. Och har du gjort några projektmisstag som du tror andra kan lära sig av och du är beredd att dela med dig av?
Jag brukar alltid ställa den här frågan. Det är en väldigt bra fråga. Det är därför vi ska alltid lära oss av våra misstag. Så det är en bra fråga. Om jag tar från min avhandling så hamnade jag ibland i ett moment 22. Jag skriver mycket om sunkkost och begreppet escalation och commitment.
Man vill inte avsluta något även fast man ser tecken på att man bör ta ett annat beslut. Omvärdera tidigare beslut. Jag kanske borde ha avslutat eller inte tagit upp min avhandling så många gånger. Jag tog faktiskt en del pauser. Men att börja skriva om konceptet som jag själv kanske led utav eller var fast i var en intressant situation. Det betyder inte att jag själv blev smartare eller kunde lära mig av mina bias.
Vi är ju omedvetna av dem. I verkligheten så är det det är otroligt lätt att tro att man sitter på alla svaren. Jag sitter nu i en projektkontext på en ERP-implementation. Det är väldigt lätt att tro att alla sitter på svaren. Men det är faktiskt ingen som sitter på hela bilden och har alla svaren framför sig, så det är faktiskt bara genom att fråga sig fram och hjälpa varandra, komma fram till bästa. besluten som faktiskt hela projektet rör sig framåt. Där har det hänt att jag och projektkollegor har tagit snabba slutsatser som har lett till att projektet inte går det hållet man vill.
Så det gäller att ha tålamod och ställa de där extra frågorna. Det känns nästan som att referera till Kahneman igen. Om man vill få tag på dig, hur gör man då? Men det enklaste är nog via LinkedIn att svara på frågor och även är jag glad att träffa nya människor och kontakter där. Då lägger vi en länk i anteckningarna här. Vi kommer även lägga en länk till din avhandling i anteckningarna.
Stort tack för att du ville dela med dig av din avhandling. Tankar kring det här? Vi hade kunnat prata mycket längre i dag. Jag tycker det här är jätteintressant. Sort tack för att du tog dig tiden att vara med, Fredrik. Stort tack för att du ville vara med.
Tack för att du har lyssnat på Projektledarpodden. Hör gärna av dig till oss med idéer, tips och förbättringsförslag. Det gör du enklast via mail på lyssnare@Projektledarpodden.se Eller vid det sociala nätverk du föredrar.