AI-modeller og plattformer

Lumivero åpner POLI-beta i SharpCloud for beslutninger om prosjektporteføljer

POLI-betaen i SharpCloud bruker porteføljedata til å besvare spørsmål og modellere endringer, men lar godkjenningen ligge hos dem som leder prosjektene.

Aiden Cross
Legg til Unite.AI blant dine foretrukne kilder på Google
Office employee reviewing a document at a laptop with a colleague at a nearby desk.
Viktige punkterPOLIs svar avhenger helt av avhengigheter teamene allerede har registrert i SharpCloud.
Vis mer
  • POLIs svar avhenger helt av avhengigheter teamene allerede har registrert i SharpCloud.
  • What-If Impact forblir skrivebeskyttet slik at scenarioanalyser aldri endrer porteføljedataene den vurderer.
  • Menneskelig godkjenning kan ikke rette opp utdaterte inndata eller garantere at hver AI-anbefaling er korrekt.

Lumivero har åpnet en betaversjon av POLI, et sett med KI-agenter som er integrert i porteføljestyringsprogramvaren SharpCloud. Selskapet introduserte POLI 16. november og opplyser at kunder og potensielle kunder fikk tilgang til betaversjonen fra 17. november. Agentene kan svare på spørsmål om prosjekter og risikoer eller utforske konsekvensene av en foreslått endring. En person må bekrefte en endring før den blir tatt inn i porteføljen.

Løsningen er utviklet for prosjektporteføljer, ikke investeringstransaksjoner. Et selskap som for eksempel gjennomfører flere oppgraderinger av fabrikker, kan bruke den til å spørre hvilke arbeidsoppgaver som er avhengige av en forsinket leveranse. Svaret avhenger av hvilke sammenhenger teamet allerede har registrert i SharpCloud. Hvis den felles leverandøren eller den berørte milepælen mangler, kan man ikke regne med at modellen kjenner til den.

Stille spørsmål i porteføljen

Team holder vanligvis tidsplaner, risikoer og avhengigheter i separate systemer. Et prosjekt kan se ut til å følge planen sin, selv om en forutsetning forsinkes et annet sted. SharpCloud gir teamene en måte å synliggjøre disse sammenhengene på. I januar kunngjorde Lumivero at selskapet hadde kjøpt SharpCloud, og trakk fram porteføljevisualisering og muligheten til å modellere hvordan én endring kan påvirke flere prosjekter, som grunner til oppkjøpet.

POLI arbeider med denne sammenkoblede porteføljemodellen. De fem standardagentene heter Kom i gang, Sammenligning, Konsekvensanalyse, Sammendrag av fortelling og Produktkunnskap. De dekker ulike oppgaver, fra å hjelpe nye brukere med å orientere seg til å sammenligne elementer eller oppsummere en porteføljevisning. Sammenligning kan gjøre det enklere å se forskjellene mellom prosjekter. Konsekvensanalyse stiller et annet spørsmål: Hvis en forutsetning i et prosjekt endres, hvilke andre deler av den modellerte porteføljen kan bli påvirket?

Dette skillet er viktig fordi avhengigheter ofte er mer nyttige enn en rangering. Hvis en forsinket montering av utstyr fører til at opplæringen knyttet til den også blir utsatt, er det viktige resultatet ikke bare at en milepæl er flyttet. Det handler om hvilke personer som må justere planene sine, og hvilke forutsetninger de må kontrollere. Scenarioanalyse bidrar til å identifisere slike spørsmål uten å be systemet avgjøre hva virksomheten bør gjøre.

Hold analyse og godkjenning adskilt

Lumivero opplyser at Konsekvensanalyse er skrivebeskyttet og ikke endrer dataene den vurderer. Selskapet sier også at POLI følger eksisterende brukertillatelser, viser grunnlaget for svarene sine og lar mennesker godkjenne foreslåtte endringer. KI er valgfritt for hver enkelt SharpCloud-instans. Dette er kontroller slik leverandøren beskriver dem, ikke uavhengige funn om hvor nøyaktig agentene fungerer med uoversiktlige eller ufullstendige data.

Menneskelig godkjenning er mest nyttig når forklaringen kan kontrolleres mot de opprinnelige registreringene. Et svar som virker rimelig, kan bygge på et gyldig, men utdatert anslag eller på en avhengighet som ikke lenger gjelder. Den som vurderer svaret, må kunne se hvilke registreringer assistenten brukte, og vite hvem som vedlikeholder dem. Et godkjenningstrinn gir et kontrollpunkt, men det retter ikke opp utdaterte inndata og sikrer ikke at alle anbefalinger er riktige.

Lumiveros egen rapport om beslutningstaking for kapitalprosjekter sier at få av de spurte ville handle på grunnlag av en KI-anbefaling uten en grundig gjennomgang. Undersøkelsen kommer fra leverandøren og bekrefter ikke POLIs ytelse. Den illustrerer likevel adopsjonsutfordringen produktet er ment å løse: Team ønsker hjelp til å samle spredt informasjon, samtidig som de beholder ansvaret for beslutninger som bygger på den.

Dette må betaversjonen vise

Tidlige brukere kan teste agentene på kjente eksempler der prosjektteamet allerede vet hva utfallet ble, sammenligne svarene med de underliggende registreringene og gjenta testen med et annet tilgangsnivå. Det vil vise hvor POLI bidrar til å redusere tiden som brukes på å kryssjekke tidsplaner, og hvor manglende registreringer fortsatt krever manuell undersøkelse. Den innledende betaversjonen bør først og fremst forstås som en måte å stille spørsmål til og teste en porteføljemodell på, ikke som en erstatning for menneskene som har ansvaret for den. Lumivero har separate analyse- og kontrollmoduler på veikartet for første halvår 2027; disse modulene er ikke en del av den nåværende betaversjonen.

Aiden Cross er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-produktstrategi, gjennomføring og de praktiske utfordringene ved å omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbeid fokuserer på hvordan startups og bedrifter går fra prototyper og demonstrasjoner til pålitelige systemer som brukes av ekte kunder.
Med et pragmatisk og detaljorientert perspektiv, analyserer Aiden produktveikart, strategier for markedslansering, plattformbeslutninger og organisatoriske kompromisser som avgjør om AI-initiativer lykkes eller stopper. Han legger særlig vekt på deployeringsrealiteter, brukeradopsjon, infrastrukturbegrensninger og samsvaret mellom teknisk evne og forretningsverdi.
Artikler skrevet av Aiden Cross er AI-generert og gjennomgått av Unite.AIs redaksjonsteam for å sikre klarhet, nøyaktighet og ansvarlig dekning av hvordan AI-produkter bygges, gjøres tilgjengelige og skaleres i den virkelige verden.