Projectbeheersing is afhankelijk van informatie. Planningen, voortgangsrapportages, contracten, digitale correspondentie, notulen, risico informatie en managementrapportages helpen teams om te begrijpen waar een project staat en waar actie nodig is.
De uitdaging is dat het verzamelen, structureren en interpreteren van veel van deze informatie nog steeds veel tijd kost. Een planner kan uren bezig zijn met het verwerken van voortgangsrapportages voordat er tijd overblijft om te analyseren wat die informatie daadwerkelijk voor het project betekent.
Kunstmatige intelligentie kan die verhouding veranderen.
AI is de afgelopen jaren aanzienlijk beter geworden in het verwerken van taal. Tegelijkertijd wordt steeds meer projectinformatie digitaal opgeslagen en beschikbaar gemaakt via cloudomgevingen. Voor projectbeheersing ontstaan hierdoor nieuwe mogelijkheden. Informatie kan sneller worden verwerkt, afwijkingen kunnen in grotere hoeveelheden data worden herkend en delen van repetitieve processen kunnen worden geautomatiseerd.
Maar AI is niet één technologie. En niet iedere toepassing vraagt om dezelfde basis.
Het is belangrijk om die verschillen te begrijpen als organisaties verder willen gaan dan experimenteren en willen bepalen waar AI in de praktijk daadwerkelijk waarde kan toevoegen.
Binnen projectbeheersing werken we met veel meer taal dan we soms beseffen.
Contracten, voortgangsrapportages, correspondentie, notulen, toelichtingen op vertragingen en managementrapportages bevatten allemaal informatie die invloed heeft op projectbeslissingen. Voor software was veel van deze informatie lange tijd lastig te interpreteren, omdat zij grotendeels ongestructureerd was.
Moderne taalmodellen hebben daar verandering in gebracht.
Ze kunnen tekst op grote schaal verwerken, classificeren, vergelijken en samenvatten. Een voortgangsoverleg van twee uur kan bijvoorbeeld worden omgezet in een eerste overzicht van voorgestelde besluiten en acties. Een reeks voortgangsrapportages kan worden geanalyseerd om te bepalen welke rapportages ongebruikelijke ontwikkelingen bevatten die extra aandacht vragen.
Dat betekent niet dat AI ineens het volledige project begrijpt.
Het betekent vooral dat professionals minder tijd hoeven te besteden aan het zoeken naar relevante informatie en meer tijd kunnen besteden aan het beoordelen van wat die informatie betekent.
Deze ontwikkeling maakt deel uit van een bredere verandering binnen technologie voor bouw en engineering. In ons eerdere artikel over hoe AI, IoT en cloud samenkomen op de bouwplaats onderzochten we hoe steeds sterker verbonden projectomgevingen nieuwe mogelijkheden creëren om informatie slimmer te benutten.
Voor professionals in projectbeheersing wordt de vraag nu specifieker: welke vormen van AI kunnen welk deel van ons werk ondersteunen?
Voor projectbeheersing is het nuttig om onderscheid te maken tussen drie brede vormen van AI toepassingen.
Ze overlappen deels en de technologie blijft zich ontwikkelen, maar het onderscheid helpt organisaties om zowel de kansen als de verschillende randvoorwaarden beter te begrijpen.
Taalmodellen zijn ontwikkeld om met geschreven en gesproken informatie te werken.
Binnen projectbeheersing kunnen ze bijvoorbeeld worden gebruikt om:
Voortgangsoverleggen samen te vatten.
Voorgestelde acties, verantwoordelijkheden en datums uit informatie te halen.
Meerdere rapportages met elkaar te vergelijken.
Afwijkingen en opvallende situaties in projectinformatie te signaleren.
Binnenkomende informatie te classificeren.
Een eerste versie van een managementrapportage op te stellen.
Deze toepassingen kunnen relatief toegankelijk zijn, omdat er niet altijd jaren aan historische data voor nodig zijn.
Wil je het voortgangsoverleg van vandaag samenvatten, dan kan de transcriptie van vandaag voldoende zijn. Wil je de veertig voortgangsrapportages van deze week vergelijken en vaststellen welke ongebruikelijke kwesties bevatten, dan leveren die rapportages zelf al een groot deel van de benodigde informatie.
Dat laat goed zien waarom de uitspraak dat een organisatie niet genoeg data heeft voor AI misleidend kan zijn.
De relevante vraag is: genoeg data waarvoor?
Voorspellende modellen beantwoorden andere vragen.
In plaats van zich voornamelijk te richten op het interpreteren van taal, zoeken ze naar patronen in historische informatie om in te schatten wat er mogelijk als volgende gebeurt.
Stel dat een organisatie beschikt over consistente gegevens uit veel afgeronde en lopende projecten. Dan kan worden onderzocht hoe vaak bepaalde typen activiteiten vertraging opliepen, welke combinaties van omstandigheden vaak aan vertragingen voorafgaan en waar terugkerende risicopatronen zichtbaar worden.
Voor projectbeheersing is dat bijzonder relevant. De aandacht kan verschuiven van het achteraf verklaren van problemen naar het eerder herkennen van signalen.
Voorspellende toepassingen vragen echter om een stevigere databasis.
Vergelijkingen tussen projecten hebben alleen betekenis wanneer de onderliggende informatie voldoende consistent is. Activiteitenstructuren, definities, manieren waarop voortgang wordt gemeten, coderingen en historische registraties hebben allemaal invloed op de kwaliteit van de analyse.
Dit sluit nauw aan bij de bredere rol van data analytics binnen projectbeheersing. In ons artikel "Van onderbuikgevoel naar voorspellend inzicht: de cruciale rol van BI & Data Analytics in Project Controls" bespreken we waarom geïntegreerde informatie, gedeelde definities en vooruitkijkende indicatoren belangrijk zijn wanneer organisaties niet alleen achteraf willen rapporteren, maar besluitvorming eerder willen ondersteunen.
Het derde gebied gaat verder dan analyse of het genereren van informatie.
Met AI ondersteunde automatisering kan meerdere samenhangende stappen binnen één proces uitvoeren.
Denk bijvoorbeeld aan een terugkerend proces waarin een professional informatie verzamelt, structureert, controles uitvoert, het resultaat in een ander systeem verwerkt en vervolgens een rapportage voor het management voorbereidt.
In plaats van slechts één onderdeel te ondersteunen, kan een geautomatiseerd proces steeds meer van deze stappen met elkaar verbinden.
Voortgangsinformatie kan bijvoorbeeld automatisch worden verzameld en gestructureerd voordat een planner voorgestelde wijzigingen beoordeelt. De professional blijft verantwoordelijk voor de validatie en voegt de benodigde context toe, maar hoeft niet iedere administratieve stap handmatig uit te voeren.
Juist hier kunnen aanzienlijke efficiëntievoordelen ontstaan.
En juist hier wordt goede governance nog belangrijker.
Hoe meer handelingen een systeem zelfstandig mag uitvoeren, hoe duidelijker een organisatie moet vastleggen wat het systeem mag doen, welke informatie het mag gebruiken, wanneer goedkeuring nodig is en wie uiteindelijk verantwoordelijk blijft.
Automatisering kan repetitief werk verminderen. Verantwoordelijkheid kun je niet automatiseren.
Datakwaliteit is belangrijk voor AI, maar de precieze eisen hangen af van het gebruiksdoel.
Een taalmodel dat één document analyseert, heeft niet dezelfde informatieomgeving nodig als een voorspellend model dat de prestaties van honderden projecten vergelijkt.
Dat onderscheid is essentieel bij het beoordelen van de gereedheid voor AI.
Voor toepassingen op basis van taal beschikt een organisatie mogelijk nu al over voldoende informatie om met een beperkt gebruiksdoel te experimenteren.
Voorspellende analyse kan veel meer voorbereiding vragen. Denk aan consistente historische informatie, passende structuren, vergelijkbare definities en voldoende datakwaliteit.
De volgorde zou daarom moeten zijn:
Probleem → gebruiksdoel → informatiebehoefte → technologie
In plaats van:
Technologie → zoeken waar we deze kunnen toepassen
Zo voorkom je ook dat een organisatie omvangrijke programma's voor AI of data opzet voordat duidelijk is welke projectbeslissing of welk proces daadwerkelijk moet verbeteren.
Hoe krachtig een AI systeem ook wordt, het ervaart je project niet zoals een professional dat doet.
Het is niet op de bouwplaats geweest.
Het kent de aannemer niet vanuit twee jaar samenwerking.
Het merkte de aarzeling in het antwoord van een stakeholder tijdens het voortgangsoverleg van gisteren niet op.
En het weet niet automatisch dat een wijziging in de planning technisch mogelijk is, maar commercieel onacceptabel.
AI kent het project via de informatie die beschikbaar wordt gesteld.
Daarom zijn zowel de kwaliteit als de actualiteit van projectinformatie essentieel.
Als de geregistreerde voortgang drie weken achterloopt op de werkelijkheid, analyseert AI in feite het project zoals het drie weken geleden was. Een geavanceerder algoritme lost dat probleem niet op.
Goede AI versterkt daarmee de noodzaak van goede discipline binnen projectbeheersing. Het vervangt die discipline niet.
Betrouwbare informatie is meer dan informatie die in het juiste systeem staat.
Mensen moeten het ook eens zijn over wat die informatie betekent.
Neem het begrip vertraging.
Vraag binnen dezelfde organisatie aan verschillende mensen hoe vertraging moet worden gemeten en je kunt verschillende antwoorden krijgen. De ene persoon vergelijkt met de contractuele baseline. Een ander vergelijkt met de vorige rapportageperiode. Weer een ander vindt vertraging pas relevant als een mijlpaal wordt geraakt.
Mensen kunnen met zulke onduidelijkheid omgaan door met elkaar te praten en hun ervaring te gebruiken.
Geautomatiseerde analyse vraagt om duidelijkere definities.
Hetzelfde geldt voor verantwoordelijkheid over data. Wanneer een belangrijke dataset fouten of tegenstrijdige informatie bevat, moet duidelijk zijn wie verantwoordelijk is voor het oplossen daarvan.
Een goede basis voor AI bestaat daarom uit:
Projectinformatie die op tijd beschikbaar is.
Voldoende kwaliteit voor het beoogde gebruik.
Consistente definities.
Duidelijk toegewezen verantwoordelijkheid voor data.
Een passende informatiestructuur.
De relevante context.
Afgesproken controles en verantwoordelijkheden.
Dit zijn in feite bredere vraagstukken rondom de volwassenheid van projectbeheersing. Het zijn niet alleen AI vraagstukken.
Wanneer inconsistente processen, versnipperde informatie of onduidelijke governance de prestaties van projecten nu al beperken, zal AI die zwakke punten niet automatisch oplossen. In ons artikel "Grip begint met inzicht: waarom volwassenheid in projectbeheersing essentieel is" bespreken we waarom processen, mensen, informatie en tools eerst op elkaar moeten aansluiten voordat een volgende technologische oplossing wordt gekozen.
Een veelgestelde vraag is of AI uiteindelijk planners, schedulers en andere professionals binnen projectbeheersing zal vervangen.
Die vraag onderschat wat deze professionals werkelijk toevoegen.
AI kan de informatie verwerken die het ontvangt. Een planner werkt binnen de sociale werkelijkheid van het project.
Planners spreken met aannemers, engineers en projectmanagers. Ze nemen deel aan voortgangsoverleggen. Ze kennen de gedachte achter eerdere besluiten. En ze herkennen wanneer iets wat volgens de planning mogelijk lijkt, in de praktijk waarschijnlijk niet gaat werken.
Projecten zijn niet simpelweg verzamelingen data. Het zijn omgevingen waarin technische, commerciële en menselijke factoren voortdurend op elkaar inwerken.
Daarom betekent de mens onderdeel laten blijven van het proces meer dan iemand aan het einde van een geautomatiseerd proces op een goedkeuringsknop laten drukken.
De waarde zit in het professionele oordeel dat mensen toevoegen.
De conclusie is niet dat expertise in projectbeheersing minder belangrijk wordt.
De focus van die expertise verandert.
Sommige activiteiten die nu veel tijd kosten, lenen zich uitstekend voor ondersteuning met AI. Denk aan het lezen van grote hoeveelheden tekst, het structureren van informatie, het voorbereiden van eerste rapportages en het uitvoeren van terugkerende controles.
Als die administratieve belasting afneemt, ontstaat meer ruimte voor activiteiten met een hogere toegevoegde waarde.
Een planner kan meer tijd besteden aan het bespreken en analyseren van de voortgang met de mensen die het werk uitvoeren.
Een manager projectbeheersing kan meer tijd besteden aan het onderzoeken van afwijkingen en het beoordelen van mogelijke interventies.
Professionals kunnen meer tijd besteden aan het interpreteren van informatie, het kritisch beoordelen van scenario's en het adviseren van besluitvormers.
AI neemt de vakkennis binnen projectbeheersing dus niet weg. Het maakt professioneel oordeel juist belangrijker, omdat professionals meer tijd en verantwoordelijkheid kunnen besteden aan de beslissingen achter de informatie.
De ontwikkeling gaat daarom niet van mens naar AI.
We gaan van handmatige informatieverwerking naar menselijk oordeel dat wordt ondersteund door AI.
Je eerste AI toepassing hoeft niet ambitieus te zijn.
Een beter startpunt is vaak een kleine, terugkerende activiteit die veel tijd kost, maar relatief weinig professioneel oordeel vraagt.
Die combinatie geeft een organisatie een duidelijke kans om gecontroleerd te leren.
Denk aan een terugkerend voortgangsproces. Een planner kan veel tijd besteden aan het verzamelen van informatie, het structureren van updates en het voorbereiden ervan voor verdere analyse.
Delen van dat proces kunnen door AI worden ondersteund, terwijl de planner context blijft ophalen bij het projectteam, de resultaten controleert en bepaalt of voorgestelde wijzigingen passend zijn.
Het doel is niet om de planner weg te nemen.
Het doel is om schaarse vakkennis beter te benutten.
Een praktische eerste aanpak is:
Identificeer een terugkerend probleem. Kijk waar veel tijd wordt besteed zonder dat dit evenredig veel waarde voor de besluitvorming oplevert.
Definieer het gewenste resultaat. Bepaal wat beter moet worden, bijvoorbeeld snelheid, consistentie, inzicht of iets anders.
Breng de informatiebehoefte in kaart. Bepaal welke documenten, data en context de toepassing nodig heeft.
Wijs verantwoordelijkheden en controles toe. Leg vast wie het resultaat valideert en wie verantwoordelijk blijft.
Test op beheersbare schaal. Kies een toepassing waarbij professionals de kwaliteit van het resultaat snel kunnen beoordelen.
Leer voordat je opschaalt. Verbeter eerst het proces en vergroot de toepassing alleen wanneer deze aantoonbaar betrouwbare waarde levert.
Dit kan er ook toe leiden dat een organisatie concludeert dat AI op dit moment niet de hoogste prioriteit heeft.
Misschien moeten definities, data integratie, governance of gestandaardiseerde processen eerst worden verbeterd.
Ook dat is een waardevolle uitkomst.
Voor organisaties die deze bredere basis beter willen begrijpen, biedt de Project Controls Scan van Primaned een gestructureerde manier om de volwassenheid van onder andere planning, kostenbeheersing, risico's, governance, rapportage en tools te beoordelen voordat verbeterprioriteiten worden vastgesteld.
Begin niet met de vraag waar je organisatie AI kan implementeren.
Begin met een probleem binnen projectbeheersing.
Zoek een terugkerende activiteit waarbij snellere informatieverwerking of betere analyse aantoonbare waarde kan opleveren. Bepaal welke informatie daarvoor nodig is. Stel duidelijke grenzen. Houd professionele beoordeling onderdeel van het proces. En onderzoek vervolgens of AI de manier van werken daadwerkelijk verbetert.
Je hoeft de toekomst van AI binnen projectbeheersing niet volledig uit te werken voordat je de eerste stap zet.
Je hebt een relevant probleem nodig, een beheersbare toepassing en voldoende discipline om ervan te leren.
Wil je onderzoeken waar die eerste stap binnen jouw huidige omgeving voor projectbeheersing past? De consultants van Primaned kunnen je helpen technologie te verbinden met de processen, informatie en beslissingen die achter je projecten liggen.