Van digitale projectschuld naar een AI-ready projectorganisatie

In mijn vorige blog schreef ik over digitale projectschuld: informatie verspreid over systemen, documenten, mails, lijstjes en hoofden van medewerkers. Ik sloot af met de vraag hoe je grip houdt op een project, van de eerste belofte tot de laatste financiële afhandeling. AI lijkt dan een logische oplossing. Laat AI alles bij elkaar zoeken, verbanden leggen en een keurige projectupdate maken. Dat kan zeker, maar alleen als de basis klopt.

Een digitaal projectlandschap is niet automatisch AI-ready

Als de planning in Microsoft Project staat, acties in Planner, financiële gegevens in SAP, besluiten in Teams-verslagen en belangrijke afspraken ergens in e-mails, ontstaat er meteen een praktisch probleem: welke informatie moet AI gebruiken, waar staat het en welke bron is leidend? Voordat je begint met AI-integraties of agents, zou ik daarom eerst vijf zaken regelen.

1. Bepaal per datapunt wat de bron van waarheid is

Een van mijn klanten had een fantastische reporting-agent gebouwd. Maar zij merkte dat er een enorme willekeur in de rapportages begon te ontstaan, voornamelijk rondom ogenschijnlijk vaststaande data, zoals de opleverdatum van een project. Zij vroeg mij om eens met haar mee te kijken wat er aan de hand was.

Het projectplan was netjes ingeladen, het ‘projectstoplicht’ goed bijgewerkt en ook de tijdsplanning was toegevoegd. Daarnaast vond zij het prettig om de verslagen van Teams-meetings toe te voegen, zodat de agent gelijk up-to-date was over hetgeen er binnen het team besproken is.

In de analyse bleek echter dat er discrepanties bestonden in de toegevoegde data. In het projectplan stond bijvoorbeeld een opleverdatum van 1 november, in de tijdsplanning stond 15 november en in het projectstoplicht werd op basis van een eerdere meeting benoemd dat de oplevering waarschijnlijk pas in december zal plaatsvinden. In de systeemprompt van de agent bleek echter niet goed vastgelegd wat de ‘single source of truth’ voor dat datapunt was.

AI weet namelijk niet vanzelf welke bron betrouwbaar is. Als er genoeg data zijn, kan AI er prima een aannemelijk verhaal van maken. Maar aannemelijk is iets anders dan juist. Door deze discrepantie in bronmateriaal krijgt AI feitelijk de vrije hand om zelf te bepalen wat de ‘echte’ waarheid is.

Leg daarom vast welk systeem leidend is voor bijvoorbeeld:

• planning
• budget en actuals
• besluiten
• risico’s
• acties
• scope en wijzigingen

Dat hoeft niet allemaal hetzelfde systeem te zijn. Sterker nog: dat is meestal niet realistisch. Wel moet duidelijk zijn waar AI naartoe moet voor een feit en welke bronnen alleen aanvullende context geven.

Praktische tip: Maak voor één projectproces een eenvoudige bronnentabel: datapunt – bronsysteem – eigenaar – updatefrequentie.

Als je bij deze tabel denkt: zo straightforward werkt het in mijn organisatie niet, dan kun je jezelf de vraag stellen of AI-automatisering sowieso wel the way to go is.

2. Controleer of AI de informatie daadwerkelijk kan bereiken

Een tweede misverstand is dat AI, omdat informatie digitaal bestaat, er ook bij kan. Helaas kunnen de meeste AI-tools zonder bijvoorbeeld een integratieplatform of native API-connector niet automatisch data uit andere systemen halen. Microsoft 365 Copilot kan bijvoorbeeld wel bij Teams, Outlook en SharePoint, maar voor SAP is een aparte koppeling nodig. Bovendien gelden bestaande autorisaties nog steeds. Een agent die een projectrapportage moet maken, maar geen toegang heeft tot de financiële bron, mist een essentieel deel van het verhaal.

Integratieplatformen zoals n8n, Make en Zapier kunnen systemen en AI-stappen met elkaar verbinden. Daarmee kun je bijvoorbeeld een workflow bouwen die projectgegevens ophaalt, relevante informatie aan een AI-model aanbiedt en het resultaat vervolgens in Teams of SharePoint plaatst.

Maar ook zo’n integratie lost een dataprobleem niet op. Als een API bepaalde gegevens niet beschikbaar stelt, er autorisaties ontbreken of een bronsysteem slecht wordt bijgehouden, faalt de workflow.

Praktische tip: Controleer vroeg in de designfase al welke API’s of connectoren beschikbaar zijn en welke gegevens je daadwerkelijk kunt uitlezen en schrijven. Welk budget is er beschikbaar voor bijvoorbeeld het upgraden van licenties of het aanschaffen van een integratieplatform? Is de juiste kennis in-house aanwezig of moet deze expertise los worden ingekocht? Als je kiest voor bijvoorbeeld (co)work-oplossingen, houd dan rekening met de totale tokenbelasting. Die kan deze oplossing ineens duurder maken dan verwacht.

3. Geef informatie voldoende structuur

Generatieve AI kan goed met ongestructureerde tekst omgaan. Dat betekent echter niet dat structuur overbodig is. Zo werd ik laatst ingevlogen door iemand die zelf aan de slag was gegaan met het koppelen van databronnen. Elke Teams-meeting werd automatisch opgenomen en gekoppeld aan het juiste klantproject, waardoor hij met één klik op de knop netjes een maandelijkse statusupdate kreeg over alle actieve klanten. Waar hij echter tegenaan liep, was dat de statusupdates steeds minder relevant werden, waardoor hij alsnog navraag moest doen bij de projectmanagers.

Wat hier gebeurde, was niet zozeer dat de relevante informatie ontbrak, maar dat deze ondergesneeuwd werd door de hoeveelheid. Stel je voor dat er in een meeting 45 minuten gepraat is over de skivakantie van je klant en 15 minuten daadwerkelijk over de business. Dan kan AI dit interpreteren als ‘kennelijk is die skivakantie belangrijke informatie’.

In een project vertaalt zich dat bijvoorbeeld naar een risico dat consequent wordt vastgelegd met eigenaar, impact, waarschijnlijkheid, maatregel en status. Deze informatie is betrouwbaarder door AI te verwerken dan een risico dat ergens in de derde alinea van een vergaderverslag wordt genoemd.

Hetzelfde geldt voor besluiten, acties en relevante datapunten die aan verandering onderhevig zijn. Houd er ook rekening mee dat als een bepaald datapunt verandert, dit ook aangepast moet worden in de brondata in plaats van enkel toegevoegd.

Praktische tip: Begin simpel: spreek vaste velden en definities af voor de informatie die je wilt automatiseren en controleer daar actief op. Zeker met nieuw te starten projecten kun je op deze manier simpel een proof of concept (POC) bouwen. Als drie afdelingen iets anders bedoelen met ‘projectstatus rood’, moet je die discrepantie eerst oplossen.

4. Automatiseer niet meteen de beslissing

De verleiding met AI-agents is om snel richting autonomie te gaan: informatie ophalen, beoordelen en vervolgens automatisch een actie uitvoeren. Ik zou daar bewust terughoudend mee beginnen.

Gebruik AI eerst voor taken als: samenvatten → vergelijken → afwijkingen signaleren → voorstel maken.

Laat een mens vervolgens beslissen.

Laat AI bijvoorbeeld iedere week de planning, risico’s en financiële rapportage vergelijken en alleen de afwijkingen presenteren. De projectmanager hoeft dan niet drie rapportages door te nemen, maar beoordeelt bijvoorbeeld vijf opvallende verschillen.

Dat is een veel nuttigere invulling van human-in-the-loop dan ‘AI maakt iets en de projectmanager controleert daarna alles opnieuw.’

Pas wanneer een workflow stabiel is, de uitzonderingen bekend zijn, de brondata geoptimaliseerd is en het duidelijk is wanneer escalatie nodig is, kun je overwegen vervolgstappen te automatiseren.

5. Begin met één concrete workflow

Probeer niet meteen ‘AI voor projectmanagement’ te implementeren. Pak één terugkerend proces dat relatief eenvoudig te controleren en te finetunen is, bijvoorbeeld de maandrapportage.

Start met het in kaart brengen van: welke input is nodig → waar staat het → wat kan automatisch worden opgehaald → wat kan AI analyseren → wat moet een mens beoordelen → waar wordt het resultaat opgeslagen?

Een eerste toepassing kan verrassend eenvoudig zijn: planning, risicoregister en financiële informatie ophalen, AI verschillen en aandachtspunten laten signaleren en de projectmanager een concept van de managementsamenvatting laten beoordelen.

Daarmee test je meteen de zaken die er echt toe doen: datakwaliteit, toegang, integraties, betrouwbaarheid en menselijke controle. Vervolgens besluit je tot op welk niveau je AI in je (project)organisatie wilt implementeren.

Eerst de basis, dan de agent

Samenvattend: AI-readiness gaat uiteindelijk niet over het blind toevoegen van nog meer tools of functionaliteiten, maar over ervoor zorgen dat bestaande systemen, informatie en verantwoordelijkheden goed genoeg op elkaar aansluiten om AI betrouwbaar werk te laten verrichten.

Dat klinkt misschien minder spectaculair dan direct een autonome agent bouwen om je halve bedrijf te runnen, maar gaat er niets boven een goed doordachte oplossing waar je voor de lange termijn op kunt bouwen.
 
Lees ook de vorige blog van Iris over digitale projectschuld.

Over de auteur
Iris Schoenmakers-Claushuis is docent bij Computrain en helpt organisaties AI praktisch en verantwoord toe te passen. Ze heeft jarenlange ervaring in projectmanagement, changemanagement en businesstransformatie.