Prosjektledelse i digitalt perspektiv
Arne Krokan
Det digitale skiftet skaper nye muligheter for prosjektledere. Plattformer som henger sammen i økosystemer, kombinert med åpne industrielle data, gir rom for nye KI-baserte tjenester. For at ny teknologi skal gi forventede gevinster, må aktørenes organisasjonskultur også følge samme endringstakt og utvikling. Slike endringer krever ny kompetanse og evne til å forstå det komplekse samspillet mellom mennesker og teknologi. Om en lykkes vil en kunne redusere risiko og usikkerhet, samt øke effektivitet med tanke på tid, kvalitet og ressursbruk.
Prosjektledelse handler i store trekk om å planlegge, organisere, lede og kontrollere unikt, tidsbegrensede oppgaver, slik at disse utføres til rett tid, med ønsket kvalitet og planlagt ressursbruk. Så vil en alltid måtte håndtere usikkerhet knyttet til innsatsfaktorer som teknologi, natur og mennesker, og kanskje er menneskene den vanskeligste komponenten å holde orden på.
Prosjekter gjennomføres på mange områder i samfunnet. Noen handler om å bygge noe (veier, hus, industrielle anlegg mm), om å utvikle noe (innovasjon), om å endre eksisterende prosesser og strukturer, eller andre former for endring/utvikling. Felles for alle er at de er unike og inneholder mer eller mindre komplekse aktiviteter.
I løpet av de siste par 10-år er mye endret i hvordan prosjekter gjennomføres, både hvordan usikkerhet og kompleksitet håndteres, og ved økt fokus på systemer, mennesker og kultur. En har i stor grad gått fra å se prosjekter som lukkede systemer der aktørene opptrer rasjonelt innen en avgrenset ramme, til å forstå prosjekter som åpne systemer der «alt henger sammen med alt».
Samtidig har den teknologiske støtten for både prosjekter og organisasjoner utviklet seg fra bruk av frittstående datasystemer som håndterer enkeltoppgaver, til plattformer som henger sammen i større økosystemer.
Systemperspektivet
Vareproduserende industri (og særlig bilindustrien) er sterkt konkurranseutsatt. Dette har ledet til sterkt fokus på produktivitet, som igjen har påvirket prosjektgjennomføring.
Industri 4.0-konseptet1 har endret produksjonsformer og muliggjort både oppstrøms og nedstrøms integrasjon i større verdikjeder. For IKT-prosjekter har smidige eller agile prosjektmodeller fått fotfeste. Disse er iterative og kan håndtere faktorer som ikke var kjent ved prosjektstart på bedre måter enn ved de tradisjonelle fossefallsmodellene. Og alt dette er i praksis muliggjort av nettopp utviklingen av plattformer og økosystemer.
1 Digitalisering av produksjon – maskiner, utstyr og mennesker kobles sammen i et integrert digitalt nettverk.
Organisasjoner er for alle praktiske formål helt usynlige, bortsett fra i organisasjonskartene og gjennom bruk av identifiserende symboler som bygninger, navn og logoer. Om du går inn på et universitet, ser du ingen organisasjon. Den består av menneskene som utfører sine oppgaver og samhandler med andre berørte parter, både internt og eksternt i organisasjonen, slik som myndigheter, leverandører, kunder og brukere eller studenter.
Mennesker kommer også i alle varianter. Der noen er innovative og nyskapende, er andre fornøyde med å bare utføre de oppgavene de har fått tildelt på best mulig måte. Over tid danner dette samspillet en unik organisasjonskultur som et lappeteppe av verdier, holdninger og ikke minst måten ulike arbeidsprosesser utføres på. Det handler om «sånn gjør vi det hos oss.»
Organisasjonskultur kan forstås som organisasjonens DNA. Det handler i stor grad om, hvordan ressurser verdsettes, hvordan informasjon tolkes, hvordan oppgaver løses, konflikter håndteres, hvordan en reagerer på eksterne endringer, hva som definerer suksess eller feil og mye annet. Organisasjonskulturen påvirker fenomener som risikotoleranse, hvem som fatter ulike typer beslutninger og på hvilken måte, om hvordan aktiviteter organiseres i «siloer» som hindrer kommunikasjon eller i mer åpne systemer som fremmer kommunikasjon og samhandling, samt mye mer. Og alle disse faktorene er viktige med tanke på å forstå fremtidens utfordringer for prosjektledere.
Prosjektledelse handler om endring eller utvikling. Og noe av det vanskeligste å håndtere i store endringsprosesser er menneskene som blir berørt. For å unngå mye «organisatorisk motstand» organiseres ofte større endringsprosesser derfor i prosjekter utenfor de tradisjonelle linjeorganisasjonene og med ressurser frigjort fra de tradisjonelle strukturene.
På den måten unngår en også at det dannes «motsystemer» som kan bidra til å gjøre endring vanskeligere. Slike systemer kan være koblet til forståelsen av hva som gjør endring nødvendig (problemtolkning), og til manglende identifisering med problemet. En oppfatter ikke at problemet som søkes løst er ens eget problem (identifiseringsprosess). I tillegg berører alle større endringer spørsmål som har med identitet, makt og kontroll å gjøre, noe som kompliserer endring ytterligere. Den pedagogiske utfordringen kan derfor være svært stor og må vies betydelig oppmerksomhet i store og omfattende endringsprosesser.
For å kunne forstå hvordan vi kan utvikle prosjektledelse som funksjon med bistand av teknologier som kan endre organisasjoner mer fundamentalt, må vi forstå mer grunnleggende hvordan organisasjoner fungerer, hvordan de kan endres eller utvikles og hvilke utfordringer en står overfor med å lede disse prosessene. Det skal vi imidlertid ikke gå videre inn i her, men se nærmere på teknologiske forutsetninger og muligheter som vil få større fokus de kommende årene.
Fra frittstående systemer til plattformer og økosystemer
I et økosystem samhandler flere aktører på tvers av organisatoriske grenser og siloer. For å kunne gjøre dette ressurseffektivt trengs teknologi som gjør at data kan hentes fra ulike parter, bearbeides og gjøres tilgjengelige for andre brukere av plattformen. Et godt eksempel på en slik infrastruktur finner en i e-resept økosystemet der flere parters data og handlinger arrangeres gjennom plattformløsninger.
Figur 1. Eksempel på økosystem for reseptbehandling (https://www.scup.com/doi/10.18261/stat.35.2.8)
En av de store utfordringene med plattformer som del av økosystemer er knyttet til interoperabilitet. Interoperabilitet er definert 2 som «systemers evne til å tilby tjenester og å motta tjenester fra andre systemer, samt å benytte disse tjenestene slik at systemene fungerer effektivt sammen». Ett av problemene med å få til dette i praksis, er at systemene er heterogene. Det vil si at de ikke lett kan gjenbrukes i ulike organisasjoner fordi de fremstår ulike langs flere dimensjoner.
• Syntaktisk: Data har ulikt format.
• Strukturelt: Datamodeller er bygget forskjellig.
• Semantisk: Samme term betyr noe forskjellig i ulike systemer.
• Teknologisk: Ulik maskinvare eller operativsystemer som ikke spiller sammen.
• Juridisk: Ulike regler for datatilgang og deling i ulike sektorer i samfunnet.
I fremtidens prosjektledelse må slike utfordringer løses konseptuelt dersom en skal dra bedre nytte av ny teknologi. Her kan digitale tvillinger eller datamodeller av de fysiske fenomenene som skal utvikles, endres og driftes være til stor nytte.
2 https://its-terminology.com/NVF%20ITS%20Terminology%202012.pdf
Digitale tvillinger
En digital tvilling er en virtuell reproduksjon av noe som eksisterer i virkeligheten.³ Tvillinger høster data i sanntid fra en fysisk representasjon. Slike data kan brukes både til planlegging, drift og analyse.
Tradisjonelt har prosjektledere hatt som oppgave å koordinere ulike faglige bidrag i byggeprosjekter (arkitekt, entreprenør, VVS, elektro etc). I slike prosjekter er det vanlig å bruke BIM (building information model) som hjelpemiddel for å koordinere oppgaver og aktører gjennom en felles digital modell/tvilling. På den måten kan en avdekke mulige konflikter slik at endring kan skje i tvillingen og ikke på byggeplassen, slik som tidligere. En kan oppdatere status kontinuerlig og følge fremdrift i sanntid, og i tillegg sikre sømløs overgang fra prosjektering og byggefase til drift fordi FDV-data integreres direkte i modellen.
Data fra tvillingene kan i neste omgang gjøres tilgjengelige gjennom ulike former for skyløsninger, som for eksempel ulike industrielle plattformer.
For å øke nytten av slike data på tvers av organisatoriske grenser, utvikles konsepter for deling av data på tvers av organisasjonsgrenser gjennom åpne industrielle nettverk.
Åpne industrielle data
Åpne industrielle data bidrar til å endre prosjektledelse på flere måter. Først ved at data fra andre organisasjoner kan komme en selv til gode. Slike data kan bestå av erfaringsdata eller data som omfatter design og gjennomføring av tidligere prosjekter med tanke på optimalisering av prosjektdesign.
De kan også omfatte kontekstspesifikke data som er spesielt nyttige for det enkelte prosjekt. Eksempler på dette siste kan være data fra andre plattformer og digitale tvillinger som gir erfaringsgrunnlag for design av nye modeller og prosjekter, samt drifts- og vedlikeholdsdata fra lignende prosjekter. Et eksempel er at en gjennom en plattform for drift av anleggsmaskiner ikke bare kan få tilgang til informasjon om ledig kapasitet, men også data om sensorhistorikk og energiforbruk som kan inngå i og forenkle pålagt klimaregnskap, samt danne grunnlag for prediktivt vedlikehold.
En annen mulighet ved åpne industrielle data er å gi andre aktører tilgang til egne data for å kunne utnytte egne ressurser bedre. Et eksempel på dette finner vi i boken Wikinomics der Don Tapscott bruker gruveselskapeet Goldcorp som eksempel. Goldcort satt på storee mengder geologiske data. Slike data ble tradisjonelt holdt strengt konfidensielle. I stedet for å bare bruke egne geologer, la Goldcorp ut hele datasettet på nettet gjennom “Goldcorp Challenge” og inviterte «hele verden» til å analysere det. Over 1 000 eksperter fra 50 land bidro med nye innsikter og modeller, noe som avdekket 110 mulige gullfunn, hvorav mer enn 80 % senere viste seg å være reelle. Resultatet var at selskapet mangedoblet produksjonen, reduserte letetiden dramatisk og økte markedsverdien fra rundt 100 millioner dollar til over 9 milliarder. Eksempelet viser hvordan åpne data, riktig strukturert og delt, kan tiltrekke seg global ekspertise og skape verdier langt utover det en lukket, intern prosess ville klart.
3 https://www.nordicbim.com/no/digital-tvilling
Med tilgang til data fra flere virksomheter blir det dermed mulig å utnytte ressurser mer effektivt enn tidligere, dels ved at data fra andre aktører kommer en selv til gode, og dels ved at en greier å utnytte egne ressurser mer effektivt.
I prosjekters planleggingsfase, der en skal estimere ressursbruk i form av tid, kostnad og usikkerhet, er det spesielt verdifullt å få tilgang til data fra allerede gjennomførte prosjekter. Slike erfaringsdata gir grunnlag for å kartlegge både fallgruver og suksessfaktorer, noe som kan omfatte måten prosjektet er organisert på, hvilke samarbeidsarenaer som er etablert og på hvilke måter samarbeid og koordinering mellom aktørene foregår, hvilke kontraktsformater som er benyttet, hvordan tilgang til aktuelle data er gitt og så videre.
I store organisasjoner, som ofte er delt i ulike divisjoner, kan datadeling på tvers av de interne siloene være vel så verdifullt som tilgang til eksterne data.
KI,
-hvor vi er og veien videre
KI har i årtier stort sett vært drevet av statistiske modeller av varierende kompleksitet, der noen av de enkleste har vært regresjonsmodeller og klyngeanalyse. Dette var blant annet motoren i de første anbefalingsalgoritmene som Amazon utviklet.
Med oppdagelsen av nevrale nett ble det skapt helt nye bruksområder, der algoritmene selv kunne lære av tilgjengelige data og dermed skape helt nye modeller for analyse. Generative tjenester, som er grunnlaget både for store språkmodeller og tjenester som skaper tekster, bilder, musikk, dataprogrammer og mye annet, bygger på nevrale nett og har gitt oss ChatGPT, Claude, Gemini og en rekke andre generiske KI-tjenester.
I løpet av bare en treårs-periode er arbeidsprosesser endret over en lav lest på svært mange områder i samfunnet.
En ting som har begrenset nytten av disse modellene er ikke bare knyttet til dataene de er trente på, som i hovedsak er engelskspråklige og angloamerikanske kilder, men også at tilgangen til data for videre analyse har vært begrenset. Dette fordi tilknytningspunktene eller APIene i stor grad har vært proprietære, det vil si unike for hver enkelt leverandør. Det gjør at Googles Gemini har tilgang til Googles tjenester og data, men mangler tilgang til det meste annet.
Dette er bakgrunnen for at Antropic (som står bak Claude) utviklet MCP eller Model Context Protocol4 da de så at flaskehalsen for videre utvikling av modellene ikke vil være «intelligensnivået» eller størrelsen på modellen, men tilgangen til relevante data. Med MCP trenger AI-plattformer bare å være integrert mot MCP og dermed få tilgang til en rekke andre plattformer og økosystemer.
Dermed vil det være betydelig enklere å bruke ulike KI-modeller for prediksjon og analyse spesielt i store, komplekse prosjekter. Modellene vil kunne gjøre avviksanalyser, risikovurderinger og fremskaffe bedre dokumentasjon for oppfølging i de fysiske modellene og dermed erstatte en lang rekke personer som har slike oppgaver i dag.
4 https://www.anthropic.com/news/model-context-protocl
Prosjektledelse neste 5-10 år
I planfasen vil en kunne få tilgang til og analysere langt mer data enn hva som tidligere har vært mulig, noe som i seg selv gir økt kompleksitet. Resultatet vil derfor kunne bli at en gjennom å ta hensyn til flere faktorer enn tidligere reduserer usikkerhet og dermed risiko i prosjektet, samtidig som en kan beskrive ulike faser i prosjektet mer detaljert enn tidligere. Konsekvensen er både lavere kostnader og bedre gjennomføringsevne.
KI-modellene vil kunne lage en rekke applikasjoner som gjør det enklere å følge gjennomføringen av prosjekter. En vil også kunne lage enkle dashboards som viser fremdrift, endrede forutsetninger, avvik, ressursbruk og mye annet. Dermed vil prosjektleders kontrollfunksjon forenkles kraftig.
Ved utbygging av jernbane vil modellene for eksempel kunne beregne gunstigste traseer basert på tilgang til data om grunnforhold, klimatiske forhold, eksisterende bebyggelser, transportbehov for personer og gods, i tillegg til mye annet.
Under bygging vil data fra de digitale modellene supplert med data fra prosjektgjennomføringen, ikke bare identifisere avvik, men også bidra til kontinuerlig endring av planene dersom det viser seg nødvendig.
Spesialiserte KI-tjenester har bidratt til endring av hele fagfelt. AlphaFold5 har for eksempel endret måten medikamenter utvikles på gjennom at en kan predikere både proteinstruktur og hvordan de samhandler. Det så vi eksempel på da det bare tok måneder å utvikle en vaksine mot Covid, noe som tidligere ville tatt flere år.
Slike spesialiserte tjenester vil omhandle analyse av geologiske, meteorologiske, biologiske, miljødata og ikke minst data om ulike sosiale forhold.
Når slike data kan settes samen ved bruk av MCP skapes forutsetninger for helt nye måter å utføre mange arbeidsprosesser på.
Ved å ta i bruk slike spesialiserte tjenester i tillegg til de generiske KI-modellene, vil prosjektledelse fremstå som noe helt annet enn hva det hittil har gjort. Dagens prosjektledere kommer kanskje ikke til å bli erstattet av KI, men svært sannsynlig av noen som er bedre enn dem selv til å se muligheter og som vet hvordan en kan orkestrere bruk av tilgjengelige tjenester for eget formål.
Om forfatteren:
Arne Krokan er professor emeritus etter å ha vært professor ved Institutt for sosiologi og statsvitenskap, samt Institutt for økonomi og teknologiledelse ved NTNU i mer enn 20 år. Han er merittert underviser ved NTNU og sitter i styret for Norges Tekniske Vitenskapsakademi. Krokan har vært pioner når det gjelder digitale læringsdesign og han har skrevet en rekke bøker om digital økonomi og det digitale skiftet, den siste med tittel HOMO APPIENS. Han var også medlem av den regjeringsoppnevnte Domstolkommisjonen som utredet fremtidig organisering av Norges domstoler, samt MOOC-utvalget som utredet digitalisering i høyere utdanning.
5 https://deepmind.google/science/alphafold/