Czy AI zastąpi Project Managera?

Czy AI zastąpi project managera?

Odpowiedź, która padła na webinarze, brzmi: to zależy od ciebie. Nie od tempa rozwoju modeli, nie od decyzji zarządu, tylko od tego, czy zdążysz się zaadaptować, zanim rynek przestanie na ciebie czekać.

Porównanie, które warto zapamiętać, to Nokia i smartfony. Firma nie przegrała dlatego, że ktoś ją wyprzedził technologicznie z dnia na dzień. Przegrała, bo przegapiła moment rynkowy. Z AI w zarządzaniu projektami jest podobnie: adaptacja musi być świadoma i trzeba zabrać się za nią teraz.

Warto od razu odróżnić dwie rzeczy. Zastąpienie zadań to co innego niż zastąpienie roli. Pierwsze już się dzieje. Drugie zależy od tego, czym wypełnisz czas, który AI ci zwolni.

Ile pracy project managera realnie zautomatyzuje AI?

Na webinarze przywołany został Gartner. Prognoza, o którą chodzi, mówi, że do 2030 roku około 80 procent dzisiejszych zadań project managementu zostanie wyeliminowanych przez sztuczną inteligencję. Chodzi o zadania typu zbieranie danych, śledzenie postępów i raportowanie, a nie o samo stanowisko.

Trzy zastrzeżenia, które warto do tej liczby dołożyć:

• To prognoza z 2019 roku, a nie świeże badanie. Na webinarze padła jako coś, o czym Gartner pisał niedawno, więc warto znać jej metrykę.
• Dotyczy zadań, nie roli. Nawet w scenariuszu Gartnera zostają przywództwo, myślenie krytyczne i negocjacje z interesariuszami.
• Prognozy tego typu mają wbudowany rozrzut. Na samym webinarze padły dwie wersje tej liczby, zanim prowadzący poprawił się na wersję właściwą.

Praktyczny wniosek jest niezależny od tego, czy trafiona jest liczba 80 czy 50 procent. Jeżeli połowa albo więcej twojej pracy da się opisać jako powtarzalna obróbka informacji, to jest to część, o którą trzeba zawalczyć zmianą sposobu pracy.

Które narzędzia AI pomagają w zarządzaniu projektami?

Zestaw z webinaru dzieli się na cztery grupy:

• Zarządzanie projektami: Asana, ClickUp i Notion AI. Asana i Jira to kombajny, które wdrożyły moduły AI przy wyższych poziomach subskrypcji. ClickUp Brain i Notion AI mają wyraźnie niższy próg wejścia, zarówno kosztowo, jak i w nauce, a podłączenie modułu AI do takiego drugiego mózgu pozwala przeszukiwać wszystkie bazy, notatki i widoki naraz.
• Komunikacja zespołowa: Slack, który dorzucił własną warstwę AI. Administratorzy przestrzeni mają zwykle możliwość odpalenia wersji próbnej w organizacji.
• Duże modele językowe: ChatGPT, Claude i Gemini.
• Planowanie i prognozowanie: Jira AI oraz Microsoft Project dla firm pracujących w ekosystemie Microsoftu. W parze z Copilotem pozwala to wychwycić na przykład zdublowane zasoby albo nielogiczne zależności na wykresie Gantta.

Czym różni się asystent AI od agenta?

To rozróżnienie bywa zacierane, a ma znaczenie praktyczne. Asystent to predefiniowany prompt zapisany jako osobny byt, który wywołujesz, kiedy potrzebujesz. Nic sam z siebie nie robi, nie podejmuje decyzji o kolejnych krokach i nie sięga po narzędzia.

W Gemini takie asystenty nazywają się Gemami, w ChatGPT są to GPT albo projekty. Tworzenie sprowadza się do wklejenia instrukcji i nadania nazwy. Do każdego asystenta można dołożyć do 10 plików jako bazę wiedzy: dokumentację, książkę, zestaw danych.

Agent to co innego: rozkłada problem na kroki i wykonuje je sekwencyjnie. Do prostej, powtarzalnej walidacji agent nie jest potrzebny. Asystent wystarczy i jest nieporównanie tańszy w budowie.

Jak zbudować asystenta AI do walidacji zadań metodą INVEST?

Przykład pokazany na żywo dotyczył problemu, który zna każdy PM: czy ustalenia z klientem są na tyle kompletne, żeby dało się je zlecić programiście.

Służy do tego metoda INVEST, która sprawdza, czy zadanie jest:

• niezależne od innych zadań,
• zrozumiałe technicznie,
• wnoszące realną wartość do produktu,
• możliwe do oszacowania czasowego,
• wystarczająco małe, żeby nie zająć całego sprintu,
• testowalne.

Kluczowa jest jednak nie sama metoda, tylko budowa promptu. Nie brzmi on „sprawdź mi, czy to jest OK". Ma cztery warstwy:

1. Rola - w tym przypadku ekspert od inżynierii wymagań i analityk IT. Dodatkowo podkręcony poziom krytyczności.
2. Zasady operacyjne - analiza wsadu, blokada jakości, weryfikacja rozmiaru, generowanie. Cztery kroki wykonywane po kolei.
3. Format wynikowy - user story, kryteria akceptacji, ocena zgodności z INVEST, feedback i rekomendacje.
4. Wykluczenia - czego asystent ma nie robić.

Efekt widać najlepiej na złym wsadzie. Przy notatce, która nie spełniała kryteriów, asystent nie wygenerował user story na siłę, tylko zadziałał blokadą jakościową: zwrócił informację, że opis jest niezgodny ze standardem, wypunktował braki (brak mierzalności, narzucanie technologii, zależności zewnętrzne) i zapytał, co właściwie ma zostać osiągnięte.

To jest sedno tego podejścia. Zakładając, że nie masz czasu prosić kolegów o burzę mózgów przy każdym opisie zadania, wymuszasz taką burzę na modelu.

Jakich trzech narzędzi nauczyć się jako pierwszych?

1. Duży model językowy. W praktyce warto mieć dostęp do więcej niż jednego, bo mają różne mocne strony. Na webinarze padł konkretny podział: Gemini do codziennej pracy, Claude do tworzenia prezentacji, ChatGPT głównie do integracji przez API.
2. Fireflies.ai w połączeniu z NotebookLM. Fireflies to narzędzie do transkrypcji spotkań online, które dołącza do spotkania jak uczestnik i notuje z podziałem na role, kto co powiedział i kto się do czego zobowiązał.
3. Notion albo ClickUp. Drugi mózg do katalogowania wiedzy i zarządzania własną pracą, nawet jeśli organizacja pracuje w Jirze.

Warto dołożyć do tego realistyczne oczekiwanie co do pracy z modelem. Prezentacja pokazana na webinarze była wersją dziesiątą, a nie efektem jednego promptu. Model zdjął z autora układ slajdów i estetykę, ale merytorykę i kolejne iteracje musiał dostarczyć człowiek.

Jak połączyć Fireflies z NotebookLM w notatkach ze spotkań?

Flow jest prosty i sprowadza się do trzech kroków:

1. Fireflies transkrybuje spotkanie z podziałem na mówców.
2. Transkrypt trafia do NotebookLM, który staje się bazą wiedzy o projekcie.
3. Odpytujesz NotebookLM w języku naturalnym: podsumuj rozmowę, wylistuj zadania po stronie każdego uczestnika.

Zaleta NotebookLM w tym zastosowaniu jest jedna, ale kluczowa: narzędzie przeszukuje wyłącznie wgrane źródła. Nie dopisuje rzeczy, które nie padły na spotkaniu, więc ryzyko halucynacji jest tu radykalnie mniejsze niż przy zwykłej rozmowie z modelem.

Poza podsumowaniem tekstowym NotebookLM potrafi wygenerować z tego samego materiału mapę myśli albo zestaw fiszek. Mapa myśli sprawdza się szczególnie tam, gdzie na spotkaniu padło dużo powiązanych ze sobą ustaleń.

Czego AI nie potrafi, a project manager tak?

Sześć obszarów, w których człowiek nadal ma przewagę:

• Inteligencja emocjonalna. Kiedy klient dzwoni z prośbą o przyspieszenie zadania, bo inaczej poleci jego głowa, model zadziała zgodnie z umową i procedurą. Człowiek zważy relację. Jak ujął to prowadzący: niektóre rzeczy robimy dlatego, że się opłaca, a niektóre dlatego, że warto, choć się nie opłaca.
• Kreatywność kontekstowa. Model pracuje w granicach jednego wątku i przy długiej rozmowie zaczyna gubić to, co padło na początku. Człowiek swobodnie zaczepia o wątki poboczne.
• Przywództwo. AI ma skłonność do poklepywania po plecach. Krytyczny feedback, który wyciąga z bańki, przychodzi od ludzi.
• Holistyczne spojrzenie. Model dobrze zaprojektuje pojedynczy moduł. Relacje między modułami, których nie ma w bieżącym wątku, wypadają poza jego pole widzenia.
• Adaptacja do złożoności. Duże, splątane zadanie trzeba najpierw rozbić na kawałki, żeby model sobie z nim poradził. Rozbicie i ułożenie kolejności to nadal robota człowieka.
• Etyka i odpowiedzialność. Model działa według reguł, które w nim zaszyto. Twój własny próg akceptowalności może przebiegać gdzie indziej niż ogólne normy, na które model został wytrenowany.

Na czym polega inżynieria promptów?

Najlepsza metafora z całego webinaru: sztuczna inteligencja to kostka Rubika.

Ułożenie jednej ściany nie jest trudne. Ułożenie jednej ściany tak, żeby dało się poskładać pozostałe, wymaga już algorytmu. Z promptami jest identycznie.

Mechanizm wygląda tak. Jeśli wrzucisz do modelu polecenie „napisz mi wypracowanie o Krzysztofie Kolumbie", odpowiedzi będzie szukał w gigantycznym, bardzo szerokim zbiorze danych, więc wyjdzie ogólnik. Każdy kolejny warunek zawęża ten zbiór: kim ma być odpowiadający, do kogo kierowana jest odpowiedź, jaki ma mieć ton, jak kreatywna ma być.

Im węższy zbiór, tym precyzyjniejsza odpowiedź. Prompt bez systemu to układanie kostki na chybił trafił.

Co znaczy „myślenie z AI"?

Nie myślenie jak AI. Nie myślenie AI za nas. Myślenie z AI.

Różnicę najlepiej pokazuje przykład, który padł na webinarze. Prowadzący wrzucił do modelu swoje pomysły na kolejne kursy, żeby je przedyskutować. Zamiast pochwały dostał wyzwanie: model zapytał, dlaczego prezesi mieliby poświęcić 16 godzin właśnie jemu, i domagał się udowodnienia, że pomysł wnosi realną wartość dla zdefiniowanej grupy odbiorców. Każda odpowiedź uruchamiała kolejne drążące pytanie.

To odwrócenie ról jest tu clou. Przy odpowiednim ustawieniu to model promptuje ciebie, wymuszając, żebyś dołożył więcej wsadu i lepiej przemyślał własną tezę.

Taki asystent działa jak sparing partner i pierwsza linia walidacji. Robotę, którą i tak trzeba wykonać, zanim zabierze się czas kolegom z zespołu, wykonujesz najpierw z maszyną.

Dlaczego AI to dziś to samo, co języki obce w 2000 roku?

Analogia, która na webinarze wybrzmiała najmocniej. Po otwarciu rynku przez Unię Europejską znajomość języków obcych stała się w ogłoszeniach o pracę wymogiem podstawowym. Skutek był taki, że kandydaci słabiej dopasowani kompetencjami twardymi wygrywali rekrutacje, bo znali języki.

Z AI dzieje się to samo, z jedną dodatkową konsekwencją: wymagania co do umiejętności twardych project managerów zostały obniżone, bo model potrafi szybko uzupełnić braki. Rynek szuka PM-ów, dla których AI jest naturalnym środowiskiem pracy, a nie doklejoną umiejętnością.

Przewaga jest mierzalna. Zamiast dwóch projektów prowadzisz pięć. Zamiast pięciu maili dziennie odpisujesz na piętnaście, bo nie komponujesz odpowiedzi przez czterdzieści minut, tylko dostarczasz wsad i prosisz o wersję gotową do wysyłki.

Jedno zastrzeżenie do nauki: nie czerp wiedzy z krótkich filmów w mediach społecznościowych. Jako inspiracja są w porządku, jako źródło wiedzy o AI są najgorszym możliwym wyborem.

Co się zmienia w dużych, a co w małych projektach?

Odpowiedź na główne pytanie wygląda inaczej w zależności od skali.

Duże projekty. Przy budżecie rzędu kilkunastu czy kilkudziesięciu milionów złotych i horyzoncie dwóch lat 100 czy 150 tysięcy na project managera przestaje być pozycją, którą warto optymalizować. Te role zostaną, ale obsadzą je senior project managerowie, którzy i tak będą używać AI.

Małe projekty. Tu pojawia się grupa purystów, sceptycznych wobec AI, prowadzących projekty po staremu. Takie projekty nadal będą się zdarzać, tak jak są kupowane craftowe piwo i ręcznie robione swetry. Problem polega na tym, że to jest nisza, a nisza z definicji mieści niewiele osób.

Reszta rynku zadowoli się rozwiązaniem wystarczająco dobrym zamiast maksymalnego. Widać to w treściach publikowanych w dużych portalach, które w znacznej mierze wspiera dziś AI, bo taki poziom w zupełności wystarcza odbiorcom.

Wniosek jest niewygodny, ale prosty: stawianie na purystyczną niszę jest ryzykowniejsze niż nauczenie się pracy z AI, bo w tej niszy może po prostu zabraknąć miejsca.

Czy poza IT jest inaczej?

Częściowo. W branżach regulowanych część zadań jest zablokowana wymogami formalnymi. Kierownik budowy musi mieć uprawnienia i żaden model tego nie zastąpi.

Cała reszta wygląda tak samo jak w IT:

• harmonogramowanie,
• liczenie i bilansowanie zasobów,
• weryfikacja poprawności faktur,
• sprawdzanie, czy podwykonawcy nie naliczają zawyżonego VAT-u.

To są zadania oparte na obróbce danych, więc podlegają automatyzacji niezależnie od branży. Uprawnienia chronią tytuł, nie chronią czynności.

Jak zadbać o bezpieczeństwo danych, korzystając z AI?

Trzy praktyki, które padły w sesji pytań:

• Anonimizacja wsadu. Metoda opisana wprost jako chałupnicza, ale skuteczna: przed wysłaniem transkryptu do modelu wycina się z niego dane wrażliwe.
• Modele lokalne. Do rzeczy naprawdę poufnych używa się prostszych modeli uruchomionych na własnym komputerze, zamiast wysyłać cokolwiek do chmury.
• Infrastruktura, którą już masz. W dużych organizacjach finansowych, gdzie popularne czaty są zablokowane, warto sprawdzić, czy nie da się uruchomić Copilota na własnych serwerach. Alternatywą pozostają modele takie jak polski Bielik.

Warto zauważyć, że sama zasada pracy jest przenośna. Inżynieria promptowania działa tak samo niezależnie od tego, który model masz do dyspozycji. Prompty różnią się szczegółami między Gemini, ChatGPT a Claude, ale logika pozostaje ta sama.

Padło też pytanie o asystenta, który w czasie rzeczywistym odpowiada głosem i potrafi rozpoznawać mówców oraz emocje w głosie. Rozwiązanie tego typu oferuje ElevenLabs, firma założona w 2022 roku przez Matiego Staniszewskiego i Piotra Dąbkowskiego.

Od czego zacząć wdrażanie AI w swojej pracy?

Cztery kroki, w tej kolejności:

1. Ucz się ciągle, ale z sensownych źródeł.
2. Wdrażaj, nie kolekcjonuj wiedzy. Różnica między „wiem, jak to zrobić" a „zrobiłem to na realnym projekcie" jest tu całą różnicą.
3. Pracuj cyklem PDCA. Sprawdza się - wdrażaj na stałe do codziennego workflow. Nie sprawdza się - popraw i wdrażaj od nowa.
4. Zacznij od drobnych zadań. Skanowanie i odpowiadanie na maile, podsumowania spotkań. Nie od przebudowy całego procesu.

Najprostszy test, czy idziesz w dobrą stronę: czy w tym tygodniu jakieś zadanie z twojej listy wykonałeś inaczej niż miesiąc temu.

Gdzie obejrzeć pełne nagranie?

Ten artykuł powstał na podstawie webinaru, który poprowadził Mikołaj Maciejewski, prowadzący Magnuso SA i project manager z kilkunastoletnim doświadczeniem, mający na koncie ponad sto projektów, w tym takie z budżetami powyżej 3 milionów złotych.

W nagraniu znajdziesz między innymi budowę asystenta INVEST pokazaną na żywo w Gemini, demonstrację flow Fireflies i NotebookLM na przykładowym transkrypcie spotkania oraz kilkunastominutową sesję pytań i odpowiedzi, w której padły tematy nieporuszone w prezentacji.

Obejrzyj nagranie webinaru na YouTube