AI w zarządzaniu projektami IT: co działa, a co jest obietnicą

AI w zarządzaniu projektami IT najlepiej sprawdza się tam, gdzie kierownik projektu traci czas na przepisywanie i porządkowanie informacji: notatki ze spotkań, opisy zadań, raporty statusowe, przegląd historii projektu. Słabiej tam, gdzie potrzebna jest ocena ludzi, negocjacja z klientem i decyzja o priorytetach. Poniżej opisuję, gdzie narzędzia AI realnie odciążają zespół, gdzie trzeba uważać i jak zacząć bez dużego wdrożenia.

Nie chodzi o to, żeby system prowadził projekt za człowieka. Chodzi o to, żeby kierownik projektu miał więcej czasu na rozmowy z zespołem i klientem, a mniej na pracę biurową wokół nich.

Gdzie AI w zarządzaniu projektami IT daje dziś najwięcej

Największy zysk widać w pracy z tekstem, bo projekty IT produkują go bardzo dużo: maile, zgłoszenia, notatki, specyfikacje, komentarze w kodzie. Model językowy dobrze streszcza, porządkuje i przeredagowuje, jeśli człowiek sprawdzi wynik.

• Notatki ze spotkań: transkrypcja i lista ustaleń z podziałem na osoby, wysłana zaraz po rozmowie. W zespołach rozproszonych to często największa oszczędność.
• Porządkowanie zgłoszeń: klasyfikacja nowych zgłoszeń, wykrywanie duplikatów, szkic opisu zadania z kryteriami akceptacji.
• Raporty statusowe: zestawienie, co zamknięto, co jest zablokowane i dlaczego, na podstawie danych z Jiry, Lineara czy GitHuba.
• Szkice dokumentów: pierwsza wersja specyfikacji, protokołu odbioru albo planu testów do dalszej edycji.

Większość narzędzi do zarządzania zadaniami ma już takie funkcje wbudowane albo dostępne jako dodatek, więc pierwszy krok nie wymaga budowy własnego systemu. Podobne zastosowania po stronie zarządu opisałem w tekście o tym, jak wygląda AI w raportowaniu dla zarządu.

Pamięć projektu: kto, co i kiedy ustalił

Drugie zastosowanie, które często daje szybki efekt, to wyszukiwanie w historii projektu. W dłuższym projekcie pytanie, kiedy i z kim ustalono zmianę w procesie zamówień, potrafi zająć godzinę przeglądania maili i zgłoszeń. Asystent, który ma dostęp do notatek, zgłoszeń i dokumentacji projektu, odpowiada na nie w kilka sekund i wskazuje źródło.

Warunek jest jeden: ustalenia muszą być gdzieś zapisane. Jeśli decyzje zapadają w rozmowach telefonicznych bez notatki, żadne narzędzie ich nie odtworzy. Dlatego wdrożenie AI w zarządzaniu projektami IT często zaczyna się od prostszej zmiany nawyku: każde spotkanie kończy się zapisanymi ustaleniami.

Estymacja kosztów i harmonogramu z pomocą AI

AI może pomóc w estymacji, jeśli ma dane z poprzednich projektów: ile naprawdę trwały podobne zadania, o ile różniły się od planu, gdzie pojawiały się zmiany zakresu. Bez tych danych model zgaduje, tylko robi to pewnym tonem.

Praktyczne zastosowanie to porównanie nowej listy zadań z historią i wskazanie pozycji, które w przeszłości regularnie się wydłużały, na przykład integracji z zewnętrznymi systemami albo migracji danych. To dobra podstawa do rozmowy o rezerwie w budżecie. Samą kwotę i rezerwę nadal ustala człowiek, który zna klienta i zespół, bo model nie wie, że klient zmienia zdanie co tydzień albo że kluczowy programista idzie na urlop.

Ryzyko w sprincie: zależności i przeciążenia

Narzędzia analizujące dane z systemu zadań potrafią wcześnie zasygnalizować zagrożenie terminu: zadania, które od dawna stoją w tym samym statusie, zależności między zespołami, osoby przypisane do zbyt wielu rzeczy naraz. Kierownik projektu nie musi czekać na koniec sprintu, żeby to zobaczyć.

Dobrze działa też analiza retrospektyw z kilku sprintów. Jeśli te same przeszkody wracają co dwa tygodnie, na przykład brak dostępu do środowiska testowego albo czekanie na odpowiedź klienta, łatwiej to pokazać zestawieniem niż pamięcią uczestników. W zespołach pracujących zwinnie warto takie zestawienia przynosić na retrospektywę. Szerzej o samej metodyce piszę we wpisie o tym, jak stosować Agile w projektach IT.

Jakość kodu, refaktoryzacja i testy

Dla kierownika projektu wartościowe są sygnały z repozytorium, a AI pomaga je czytać. Pliki, które często się zmieniają i często powodują konflikty przy łączeniu zmian, to zwykle kandydaci do refaktoryzacji. Takie zestawienie ułatwia rozmowę z klientem o tym, dlaczego warto zaplanować czas na porządki.

W procesie CI/CD narzędzia AI wspierają przegląd kodu i ocenę ryzyka zmian: wskazują, które zmiany dotykają newralgicznych miejsc i wymagają dodatkowych testów. Nie zastępują przeglądu przez doświadczonego programistę, ale skracają go i rzadziej coś umyka. Co to zmienia z perspektywy zamawiającego, opisałem w tekście o tym, jak AI w zespole programistów wpływa na wycenę i odpowiedzialność za kod. Narosłe zaległości w kodzie to osobny temat, który dobrze jest nazwać po imieniu, czyli dług technologiczny w projekcie.

Monitorowanie ludzi: gdzie postawić granicę

Część narzędzi obiecuje ocenę wydajności poszczególnych osób albo analizę nastrojów w komunikatorze zespołu. Do takich funkcji podchodzę bardzo ostrożnie i nie polecam ich jako narzędzia oceny ludzi.

Po pierwsze, to przetwarzanie danych osobowych pracowników, które wymaga podstawy prawnej, informacji dla pracowników, a przy monitoringu poczty i podobnych form nadzoru także spełnienia wymogów prawa pracy. Po drugie, liczba zamkniętych zadań czy commitów mówi niewiele o wartości pracy: osoba, która rozwiązuje najtrudniejszy problem w projekcie, może mieć najmniej zamkniętych zadań. Sygnały o przeciążeniu zespołu warto zbierać na poziomie zadań i sprintów, a rozmowę o ludziach prowadzić z ludźmi.

Uważaj też, jakie dane trafiają do zewnętrznych narzędzi. Treść spotkań z klientem, kod i specyfikacje to informacje poufne, więc przed włączeniem asystenta trzeba sprawdzić warunki dostawcy. Zasady dla zespołu zebrałem we wpisie o tym, jak chronić dane firmowe w narzędziach AI.

Jak zacząć wdrażać AI w zarządzaniu projektami

Najlepiej zacząć od jednego problemu, który zespół sam zgłasza jako uciążliwy, i jednego narzędzia, które go rozwiązuje. Typowy pierwszy wybór to notatki ze spotkań albo porządkowanie zgłoszeń.

1. Wybierz obszar i ustal, jak zmierzycie efekt, na przykład czas od spotkania do wysłania ustaleń.
2. Sprawdź warunki dostawcy: gdzie trafiają dane, czy służą do trenowania modeli, kto ma dostęp.
3. Uruchom pilotaż w jednym projekcie na kilka sprintów.
4. Zbierz opinię zespołu i zdecyduj: rozszerzamy, zmieniamy narzędzie albo rezygnujemy.

Ważna jest komunikacja z zespołem. Ludzie przyjmują narzędzia AI chętniej, gdy widzą, że zdejmują im nudną pracę, a nie służą do rozliczania. Warsztat na przykładach z bieżącego projektu daje więcej niż prezentacja możliwości.

Czego AI nie zrobi za kierownika projektu

AI nie przejmie odpowiedzialności za cele projektu, relacje z klientem i decyzje o kompromisach. Może przygotować dane do decyzji, ale nie wie, który klient wymaga telefonu zamiast maila i dlaczego zespół jest zmęczony po ostatnim wdrożeniu.

Rola kierownika projektu przesuwa się w stronę tego, czego narzędzia nie robią: ustalania priorytetów z klientem, rozwiązywania konfliktów, pilnowania jakości decyzji. To dobra zmiana, bo właśnie tej pracy zwykle brakowało czasu.

Jeśli chcesz sprawdzić, czy AI w zarządzaniu projektami IT pomoże w Twoim zespole, zacznij od policzenia, ile godzin tygodniowo kierownik projektu spędza na notatkach, raportach i przepisywaniu zgłoszeń. Ta liczba pokaże, od którego narzędzia zacząć pilotaż.