El Project Manager debe actualizarse no sólo en skills si no también debe centrarse o centrar su figura en los proyectos, actualizar su flujo de trabajo diario aprovechando las herramientas disponibles y debe también entender los nuevos riesgos derivados de la tecnología para ser más eficiente y eficaz en la ejecución de proyectos con IA.
A continuación pongo el foco en lo que necesitas, tus aliados en el camino:
Generación rápida: El PM como “Human-in-the-loop” (filtro de criterio) aprovechando la capacidad de la IA para ayudarte en la generación de contenido o artefactos cuyo valor aportado por la experiencia es menor, esto es: Transcripciones, traducciones, esquemas de planificación, presentaciones… en definitiva “plantillas” y “herramientas” de forma y no de contenido. La IA puede generar el 80% inicial pero el PM debe aportar el 20% del contenido crítico y de valor para el proyecto y por ende negocio.
Razonamiento avanzado: Explora la capacidad cognitiva y de razonamiento de la IA para ayudarte a crear hipótesis o planteamientos en un corto tiempo para testar con tu proyectos.
Pilotos más rápidos: Desde tu experiencia con tu conocimiento del negocio y/o las tecnologías que lo soportan usa modelos y agentes para crear pilotos con datos reales y que se puedan exponer para tener un early-feedback y poder iterar de forma incremental, controlada y segura.
Cuida del dato: Es importante conocer y cuidar las fuentes de datos así como realizar una gobernanza de todo su ciclo de vida en función de la criticidad, valor y actualización. Es un paso indispensable para la seguridad y compliance.
Conecta: Hay que evitar crear nuevos silos inconexos de información por lo que es importante que tengas en cuenta siempre la interoperatividad de lo que sucede en el proyecto con el resto de la compañía.
Cuáles son los errores que debes evitar:
GO / No-GO: Asegúrate de tener una visión clara del valor del proyecto, la viabilidad y el encaje con la compañía, en definitiva estudia bien las implicaciones y si el proyecto resuelve el problema, es mejor no lanzar el proyecto que acabar con un proyecto entregado pero ruinoso.
Seguridad primero: Dónde va a residir nuestros datos y dónde se va a manipular para extraer la información. No olvidemos la derivada de privacidad y propiedad intelectual hay que evitar introducir datos sensibles del cliente en modelos públicos no corporativos así como tener un sistema de control contra alucinaciones.
Sobre-ingeniería: Evita abusar de la IA cuando realmente puedes usar, por ejemplo, automatización y/o modelado de datos. Es importante conocer lo que aporta cada herramienta y no malgastar recursos valiosísimos de compañía, ya sea computación o de equipos humanos muy cualificados calcula o establece métricas para calcular el ROI y el coste por token/infraestructura: no uses un martillo de IA para clavar un clavo que resuelve un script de Python.
Evita pilotos tipo “Shadow IA”: La gente no puede dejar de probar cosas nuevas, es un rasgo positivo en los perfiles de altas capacidades, pero has de tener sensibilidad y “mano izquierda” para orientar y formar consiguiendo que entren en el loop del proyecto principal. El riesgo de tener proyectos IA silo (fuera del radar) y de los procesos oficiales de la compañía es un riesgo corporativo alto si no son manejados correctamente.
No dejes de creer en tu gente: Comparte la sabiduría y el Know-How que ya tienes y dales esos hombros de gigante que puede ser la IA para impulsarles no para reemplazar el conocimiento que ya has invertido durante años en generar dentro de la empresa.
Bibliografía:
Cognitive Project Management AI Projects - https://www.linkedin.com/pulse/cognitive-project-management-managing-ai-projects-dr-pramod-kumar-ysgge/
Shadow AI:
Wikipedia - https://es.wikipedia.org/wiki/Shadow_AI
Shadow AI Paloalto Networks Cyberpedia - https://www.paloaltonetworks.com/cyberpedia/what-is-shadow-ai