Zarządzanie Projektami IT z AI: Narzędzia, Frameworki i Przyszłe Trendy

Witajcie w podcaście Data Zen AI, tworzonym przez społeczność Data Zen. Dziś mamy na stole temat, który, no cóż, budzi jednocześnie i ekscytację i chyba pewien niepokój, szczególnie u liderów zespołów i project managerów. Mówię o sztucznej inteligencji. Przejrzałyśmy masę materiałów, od badań po różne fora i w sumie jedno pytanie ciągle wraca. Czy AI sprawi, że rola Project Managera stanie się zbędna? Czy może wręcz przeciwnie, uwolni ją i zmieni w rolę prawdziwego lidera? To jest, wiesz, dokładnie sedno całej tej dyskusji. I wniosek z tych wszystkich źródeł, które przeanalizowaliśmy, jest w sumie jeden. Nie mówimy o zastąpieniu człowieka, absolutnie. Mówimy o redefinicji tej roli.

Chcemy dzisiaj pokazać, jak AI staje się takim potężnym asystentem. Kimś, kto automatyzuje te żmudne, nudne rzeczy, żeby menedżer mógł się skupić na ludziach i na strategii. I jak to wygląda w praktyce? Super. To zacznijmy może od podstaw, żeby trochę odczarować ten temat. Bo jak słyszę AI w zarządzaniu projektami, to mam przed oczami jakąś taką futurystyczną wizję. Wiesz, boty prowadzą daily, same przydzielają zadania. Jak daleko jesteśmy od czegoś takiego? Na szczęście albo i nieszczęście dosyć daleko. Uff. Wiesz, bardziej trafna metafora, która ciągle się przewija w tych analizach, to jest AI jako taki drugi pilot, co-pilot.

Ok, co pilot? To do mnie przemawia. Manager czy inżynier przestaje być muzykiem, który musi ręcznie zagrać każdą nutę. Staje się bardziej dyrygentem. Orkiestruje pracę całego systemu, w którym są też agenci AI. Człowiek wciąż decyduje o tym kluczowym pytaniu, co robimy. Czyli wizja, cele, zasady. To jest po stronie człowieka. A AI coraz lepiej odpowiada na pytanie, jak to zrobić najefektywniej. To jest bardzo ważne rozróżnienie, bo znam to z autopsji. Ogromna część pracy project managera to nie jest strategia, tylko wiesz, pogoń za statusami, przesuwanie karteczek na tablicy, generowanie raportów. To są godziny, które można by spędzić na rozmowie z zespołem albo z klientem.

No właśnie. I ten drugi pilot mógłby właśnie przejąć stery na tych nudnych odcinkach. Dokładnie o to chodzi. AI przejmuje te analityczne, powtarzalne rzeczy. Analiza danych z przeszłości, prognozowanie ryzyka, śledzenie postępów. A to uwalnia czas i energię człowieka, żeby skupił się na tym, czego AI przynajmniej na razie nie potrafi. Czyli na czym? Mam na myśli złożoną komunikację z interesariuszami, strategiczne myślenie, kreatywne rozwiązywanie problemów. Budowanie zaufania. Ktoś na jednym z forów mądrze zauważył, AI nie zastąpi inteligencji emocjonalnej. I to jest w punkt. To rozłóżmy w takim razie cykl życia projektu na czynniki pierwsze. Zawsze na początku jest ten chaotyczny etap planowania i zbierania wymagań.

Mamy dziesiątki maili, jakieś notatki, sprzeczne oczekiwania. Jak AI może tu zrobić porządek? I tu jest właśnie obszar, gdzie AI, tak wcześnie zastosowane, daje spektakularne efekty. Po pierwsze, analiza wymagań. Są narzędzia oparte na przetwarzaniu języka naturalnego, czyli NLP, które potrafią w parę minut przeczytać całą tą masę dokumentów, transkrypcji, opinii użytkowników. I co dalej? Po prostu wyłapują słowa kluczowe? Czy to jest coś więcej? Bo wiesz, trochę się obawiam, że takie narzędzie może przegapić jakiś kluczowy niuans, coś ukrytego między wierszami. Słuszna obawa, ale dzisiejsze modele idą dużo, dużo dalej. One nie tylko wyodrębniają wymagania, one potrafią też identyfikować zależności, nawet potencjalne konflikty.

Na przykład? Powiedzmy, w jednym dokumencie marketing prosi o prosty proces rejestracji, a w notatkach oddziału security jest mowa o wieloetapowej weryfikacji. AI może to oznaczyć jako potencjalny punkt sporny do dyskusji. Działa jak taki analityk, który nigdy się nie męczy i niczego nie przeoci. Okej, to ma sens. Załóżmy, że wymagania mamy trochę jaśniejsze, ale wtedy przychodzi moment estymacji, czyli odwieczne pole bitwy w każdym zespole IT. Planning poker często zamienia się w festiwal myślenia życzeniowego. Zdecydowanie. I tu AI może wprowadzić więcej obiektywizmu. Zamiast opierać się na subiektywnych odczuciach, modele uczenia maszynowego analizują dane z setek poprzednich projektów.

Czyli zamiast mówić klientowi skończymy za tydzień, możemy powiedzieć z dużym prawdopodobieństwem skończymy między przyszłym czwartkiem a wtorkiem. I dodać, że największe ryzyko jest w tym zadaniu. To kompletnie zmienia rozmowę o deadline'ach. Dokładnie. A idąc dalej, AI może też pomóc priorytetyzować backlog. Sugeruje, które zadania mają największą wartość biznesową przy najmniejszej złożoności, albo które odblokowują najwięcej kolejnych prac. To daje nam o wiele solidniejszy fundament na start. No dobrze, mamy ten, powiedzmy, niemal idealny plan. Ale jak wiemy, żaden plan nie przetrwa pierwszego dnia developmentu. Projekt to żywy organizm. Jak AI pomaga utrzymać ten chaos w ryzach, kiedy kod już powstaje, a problemy zaczynają się mnożyć?

I tu AI przychodzi z roli takiego planisty do roli dynamicznego nawigatora. Weźmy na przykład alokację zasobów. Systemy AI mogą w czasie rzeczywistym analizować obciążenie członków zespołu, ich skille, dostępność, a potem sugerować, kto powinien wziąć kolejne zadanie. Widzę tu ogromną wartość, szczególnie w zespołach zdalnych, rozproszonych. Kiedy nie siedzisz z ludźmi w jednym pokoju, tracisz to naturalne wyczucie, kto jest zawalony pracą, a kto właśnie skończył i szuka czegoś nowego. Taki system mógłby to obiektywnie pokazać. Tak, i to w oparciu o twarde dane, a nie tylko o to, co ktoś powie na daily. Co więcej, AI nieustannie monitoruje postępy, porównuje je z planem i dzięki temu może generować wczesne ostrzeżenia o ryzyku opóźnień, zanim one staną się naprawdę poważnym problemem.

To nie jest raport na koniec tygodnia, tylko alert w momencie, kiedy coś się dzieje. Dokładnie. Kiedy zadanie jest blokowane dłużej niż powinno. To brzmi imponująco w teorii, ale wiesz, zawsze jestem trochę sceptyczna, dopóki nie zobaczę liczb. Czy w naszych materiałach znaleźliśmy jakieś twarde dane, które pokazują, że to nie jest tylko marketing? Ktoś faktycznie na tym zarobił? Oszczędził czas? Oczywiście. I to jest fascynujące. Jedno z case studies dotyczyło IBM. Wdrożyli AI w swoje procesy Agile i tak, odnotowali wzrost wskaźnika ukończenia sprintów o 30%. Wow, 30%. Ale najciekawsze było dlaczego. Okazało się, że kluczem nie była sama lepsza predykcja czasu.

Była nim zdolność AI do identyfikowania ukrytych zależności między zadaniami. Takich, o których zespół deweloperski nawet nie wiedział. Czyli AI ujawniło słabość w ich procesie, której ludzie po prostu nie widzieli. Dokładnie. To ich zmusiło do zmiany sposobu planowania pracy. Czyli AI to nie tylko automatyzacja, ale też katalizator do ulepszania samych procesów. A inne przykłady? Drugi ciekawy przykład to Autodesk i ich platforma BIM 360 dla budownictwa. Tam AI, analizując tysiące danych z placu budowy – pogodę, postępy prac, dostępność materiałów – potrafiło przewidzieć przyszłe wąskie gardła. I co to dawało?

Kierownik budowy mógł z wyprzedzeniem zamówić dodatkowy sprzęt albo przesunąć ekipy. W jednym z dużych projektów skróciło to czas realizacji o 15%. To są realne miliony dolarów oszczędności. Robi wrażenie. A co z tą najmniej lubianą częścią pracy, czyli dokumentacją i raportowaniem? Czy tu też możemy liczyć na pomoc? Zdecydowanie. AI może automatycznie generować podsumowania sprintów, cotygodniowe raporty dla zarządu, nawet tworzyć szkice dokumentacji technicznej na podstawie komentarzy w kodzie. Są już nawet specjalistyczne narzędzia, jak wspomniane w jednym z artykułów Retro AI++. Jego celem jest analiza danych z całego sprintu, z Jiry, z Githuba, ze Slacka i stworzenie obiektywnego, zwięzłego podsumowania na retro.

Czyli koniec z sytuacją, gdzie retro opiera się tylko na tym, co ludzie pamiętają z ostatnich dwóch dni. Dokładnie tak. To brzmi jak sen. Ale właśnie dlatego, że wydaje się to aż zbyt piękne, muszę zapytać, gdzie są haczyki? Gdzie ta wizja zderza się z twardą, projektową rzeczywistością? Tu dochodzimy do kluczowej drugiej części naszej analizy, bo implementacja AI nie jest bezproblemowa. Pierwsze i największe wyzwanie, o którym mówią chyba wszystkie źródła, to jakość danych. Zasada garbage in, garbage out jest tu bezlitosna. AI jest tak dobre jak dane, na których się uczy. Co w praktyce oznacza, że jeśli nasza JIRA przez ostatnie 5 lat była prowadzona, no chaotycznie, zadania nie były zamykane, a estymaty wpisywane po fakcie, to model AI nauczony na takich danych będzie nam dawał bezużyteczne rekomendacje.

Gorzej. On będzie dawał rekomendacje, które wyglądają na mądre, ale są oparte na błędnych założeniach, a to może prowadzić do jeszcze gorszych decyzji. Dlatego, wiesz, pierwszym krokiem często musi być nie wdrożenie AI, a posprzątanie własnych procesów i danych. Dobrze, załóżmy, że mamy dane, ale mamy też ludzi, którzy muszą z tych nowych narzędzi korzystać, a opór przed zmianą to jest potężna siła. To drugi krytyczny filar wyzwań – czynnik ludzki. Zespoły mogą nie ufać rekomendacjom czarnej skrzynki, mogą bać się o swoje miejsca pracy, albo po prostu być zirytowane, że muszą uczyć się kolejnego narzędzia. Eksperci z MIT zaobserwowali bardzo ciekawe zjawisko, które nazywają krzywą produktywności w kształcie litery U. Intrygująca nazwa.

Ja to lubię nazywać doliną rozpaczy produktywności. Opowiedz, jak to działa? Wyobraźmy sobie, że zespół dostaje nowe super narzędzie AI. W pierwszym okresie produktywność wcale nie rośnie, ona spada. Spada! Tak. Ludzie są wolniejsi, bo uczą się interfejsu, popełniają błędy, są sfrustrowani. To jest właśnie dno tej litery U, ta dolina rozpaczy. Wiele firm się na tym etapie poddaje, ale jeśli wytrwają, zespół zaczyna rozumieć narzędzie, ufać mu. I wtedy produktywność nie tylko wraca do normy, ale wystrzeliwuje w górę. Znacznie powysiej początkowego poziomu. To trochę jak nauka gry na nowym instrumencie. Na początku jest okropnie, fałszujesz, jesteś zirytowana i masz ochotę wrócić do starej gitary.

Ale jak przetrwasz ten trudny okres, to nagle otwierają się zupełnie nowe możliwości. To wymaga cierpliwości. Dokładnie. A to prowadzi nas do kolejnego problemu. Prywatności i bezpieczeństwa. Skoro AI ma analizować naszą komunikację na Slacku, czytać kod, no to od razu pojawia się pytanie o wielkiego brata. Gdzie leży granica? I to jest bardzo uzasadniona obawa. Jest też ryzyko, że model AI, generując kod, przypadkowo wypluje jakieś wrażliwe dane, na których był trenowany. Klucze API, dane dostępowe. To realne zagrożenie. Dlatego tak ważne jest, żeby firmy wdrażały odpowiednie polityki, korzystały z modeli, które można hostować u siebie.

Czyli nie trzeba od razu kupować drogiej, skomplikowanej platformy AI. Absolutnie nie. Wiele popularnych narzędzi jak Jira, Asana, Trello czy Monday.com już teraz wprowadza funkcje oparte na AI. To mogą być inteligentne sugestie podziału zadań, jakieś predykcje, automatyczne podsumowania. Warto poszukać w ustawieniach i po prostu zacząć z nich korzystać może na początek w jednym pilotażowym projekcie. A co z takimi ogólnodostępnymi narzędziami jak ChatGPT czy Gemini? Czy one mogą się przydać w codziennej pracy? Jak najbardziej. To są idealne narzędzia do automatyzacji prostych, ale czasochłonnych zadań. Można poprosić AI o stworzenie szkicu, cotygodniowego raportu dla klienta na podstawie kilku punktów.

Można wkleić długą specyfikację techniczną i poprosić o strzeszczenie jej w pięciu punktach dla nietechnicznej osoby. Tak, to świetny sposób, żeby oswoić się z technologią i zobaczyć jej wartość praktycznie bez żadnych kosztów. To równie ważne jest to, czego nie robić, czego na obecnym etapie rozwoju technologii absolutnie nie powinniśmy delegować AI. Przede wszystkim krytycznych decyzji strategicznych. AI może przeanalizować dane i dać rekomendacje, ale ostateczna decyzja o zmianie strategii, budżetu czy terminu musi należeć do człowieka. Jasne. Po drugie negocjacje z kluczowymi interesariuszami. AI nie ma empatii, nie buduje relacji, nie wyczuwa nastrojów.

I po trzecie, ostateczne decyzje personalne. AI może pomóc zidentyfikować problemy w zespole, ale rozmowa z pracownikiem zawsze musi być ludzka. Kluczowe jest by traktować AI jako narzędzie wspierające decyzje, a nie je zastępujące. Podsumowując naszą rozmowę, dochodzimy do wniosku, który w sumie klaruje się od samego początku. AI nie jest po to, by zabrać pracę project managerom, ale by zabrać z niej słowo management w tym takim administracyjnym znaczeniu, a zostawić przestrzeń na leadership. Dokładnie. I to prowadzi do bardzo ciekawej refleksji na przyszłość, która zamyka naszą analizę. W miarę jak AI będzie przejmować coraz więcej zadań zarządczych, śledzenie, raportowanie, alokacja, to Project Manager, który definiuje swoją wartość głównie przez te czynności, faktycznie może czuć się zagrożony.

Będzie nam bardzo miło, jeśli zostawicie pod nim komentarz lub po prostu klikniecie serduszko, jeśli ta rozmowa była dla Was wartościowa. Zachęcamy również do subskrypcji podcastu Data Zen AI na Spotify, Apple Podcasts i na YouTube, aby nie przegapić naszych kolejnych analiz. Do usłyszenia.