AI-modeller og platforme

Lumivero åbner POLI-betaversion i SharpCloud til beslutninger om projektporteføljer

POLI-betaversionen i SharpCloud bruger porteføljedata til at besvare spørgsmål og modellere ændringer, men lader godkendelsen være op til de personer, der leder projekterne.

Aiden Cross
Føj Unite.AI til dine foretrukne kilder på Google
Office employee reviewing a document at a laptop with a colleague at a nearby desk.
NøglepunkterPOLI's svar afhænger fuldstændigt af de afhængigheder, teams allerede har registreret i…
Vis mere
  • POLI's svar afhænger fuldstændigt af de afhængigheder, teams allerede har registreret i SharpCloud.
  • What-If Impact forbliver skrivebeskyttet, så scenarieanalyse aldrig ændrer de porteføljedata, den vurderer.
  • Menneskelig godkendelse kan ikke rette forældede input eller garantere, at hver AI-anbefaling er korrekt.

Lumivero har åbnet for betatestning af POLI, en række AI-agenter, der er indbygget i virksomhedens porteføljestyringssoftware SharpCloud. Virksomheden præsenterede POLI den 16. november og oplyser, at kunder og potentielle kunder fik adgang til betaversionen den 17. november. Agenterne kan besvare spørgsmål om projekter og risici eller undersøge konsekvenserne af en foreslået ændring. En person skal bekræfte en ændring, før den anvendes på porteføljen.

Løsningen er målrettet projektporteføljer, ikke investeringshandel. En virksomhed, der for eksempel gennemfører flere fabriksopgraderinger, kan bruge den til at spørge, hvilke opgaver der afhænger af en forsinket levering. Svaret afhænger af de forbindelser, teamet allerede har registreret i SharpCloud. Hvis den fælles leverandør eller den berørte milepæl ikke er registreret, kan man ikke regne med, at modellen kender til den.

Besvar spørgsmål direkte i porteføljen

Teams opbevarer typisk tidsplaner, risici og afhængigheder i separate systemer. Et projekt kan se ud til at følge planen i sin egen tidsplan, selvom en forudsætning er ved at blive forsinket et andet sted. SharpCloud giver teams mulighed for at vise disse sammenhænge eksplicit. I januar annoncerede Lumivero købet af SharpCloud og fremhævede porteføljevisualisering samt muligheden for at modellere, hvordan én ændring kan påvirke flere projekter, som begrundelser for handlen.

POLI arbejder med denne sammenkoblede porteføljemodel. De fem standardagenter hedder Kom godt i gang, Sammenligning, Hvad-nu-hvis-påvirkning, Historieoversigt og Produktviden. De varetager forskellige opgaver, fra at hjælpe nye brugere med at finde sig til rette til at sammenligne elementer eller opsummere en porteføljevisning. Funktionen Sammenligning kan gøre det lettere at se forskellene mellem projekter. Hvad-nu-hvis-påvirkning stiller et andet spørgsmål: Hvis en forudsætning for et projekt ændres, hvilke andre dele af den modellerede portefølje kan så blive påvirket?

Forskellen er vigtig, fordi afhængigheder ofte er mere nyttige end en rangordning. Hvis en forsinket installation af udstyr forsinker den tilhørende oplæring, er det vigtige resultat ikke blot, at en milepæl er blevet flyttet. Det handler om, hvilke personer der skal justere deres planer, og hvilke forudsætninger de skal kontrollere. Scenarieanalyse hjælper med at finde frem til disse spørgsmål uden at bede systemet beslutte, hvad virksomheden bør gøre.

Hold analyse og godkendelse adskilt

Lumivero oplyser, at Hvad-nu-hvis-påvirkning er skrivebeskyttet og ikke ændrer de data, funktionen analyserer. Virksomheden oplyser også, at POLI respekterer eksisterende brugertilladelser, viser grundlaget for sine svar og overlader godkendelsen af foreslåede ændringer til mennesker. AI-funktioner skal tilvælges for hver SharpCloud-instans. Dette er kontroller, som leverandøren selv beskriver, ikke uafhængige vurderinger af, hvor præcist agenterne fungerer med rodede eller ufuldstændige data.

Menneskelig godkendelse er mest nyttig, når en forklaring kan kontrolleres mod de oprindelige registreringer. Et plausibelt svar kan bygge på et gyldigt, men forældet estimat eller på en afhængighed, der ikke længere gælder. Den, der gennemgår svaret, skal kunne se, hvilke registreringer assistenten har brugt, og vide, hvem der vedligeholder dem. Et godkendelsestrin giver et kontrolpunkt, men det retter ikke forældede input og sikrer ikke, at alle anbefalinger er korrekte.

Lumiveros egen rapport om beslutningstagning vedrørende anlægsprojekter viser, at kun få af de adspurgte ville handle på en AI-anbefaling uden en grundig gennemgang. Undersøgelsen kommer fra leverandøren og dokumenterer ikke POLI’s ydeevne. Den illustrerer dog det problem med at få løsningen taget i brug, som produktet skal afhjælpe: Teams ønsker hjælp til at samle spredte oplysninger, samtidig med at de selv beholder ansvaret for de beslutninger, der træffes på grundlag af dem.

Hvad betaversionen skal vise

De første brugere kan afprøve agenterne på velkendte eksempler, hvor projektteamet allerede kender resultatet, sammenligne svarene med de underliggende registreringer og gentage testen med et andet adgangsniveau. Det vil vise, hvor POLI hjælper med at reducere den tid, der bruges på at krydstjekke tidsplaner, og hvor manglende registreringer stadig kræver manuel undersøgelse. Den indledende betaversion skal først og fremmest ses som en måde at forespørge på og teste en porteføljemodel på, ikke som en erstatning for de personer, der er ansvarlige for den. Lumivero har analyse- og kontrolmoduler hver for sig på sin køreplan for første halvdel af 2027; disse moduler er ikke en del af den nuværende betaversion.

Aiden Cross er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI-produktstrategi, udførelse og de praktiske udfordringer ved at omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbejde fokuserer på, hvordan startups og virksomhedsteams bevæger sig fra prototyper og demos til pålidelige systemer, der bruges af rigtige kunder.
Med et pragmatisk og detaljeorienteret perspektiv analyserer Aiden produktroadmaps, strategier for markedsintroduktion, platformbeslutninger og organisatoriske kompromiser, der bestemmer, om AI-initiativer lykkes eller stagnerer. Han lægger særlig vægt på implementeringsrealiteter, brugeradoption, infrastrukturbegrænsninger og sammenhængen mellem teknisk kapacitet og forretningsværdi.
Artikler skrevet af Aiden Cross er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre klarhed, nøjagtighed og ansvarlig dækning af, hvordan AI-produkter bygges, leveres og skaleres i den virkelige verden.