AI-modeller och plattformar
Lumivero öppnar betaversionen av SharpCloud POLI för beslut om projektportföljer
SharpClouds POLI-beta använder portföljdata för att besvara frågor och modellera ändringar, men låter de personer som driver projekten stå för godkännandet.
Viktiga punkterPOLI:s svar beror helt på de beroenden som teamen redan har registrerat i SharpCloud.
Visa mer
- POLI:s svar beror helt på de beroenden som teamen redan har registrerat i SharpCloud.
- What-If Impact förblir skrivskyddat så att scenarioanalys aldrig ändrar de portföljdata den utvärderar.
- Mänskligt godkännande kan inte åtgärda inaktuella indata eller garantera att varje AI-rekommendation är korrekt.
Lumivero har öppnat en betaversion av POLI, en uppsättning AI-agenter som är inbyggda i företagets programvara SharpCloud för portföljhantering. Företaget introducerade POLI den 16 november och uppger att betaversionen blev tillgänglig för kunder och potentiella kunder den 17 november. Agenterna kan besvara frågor om projekt och risker eller utforska följderna av en föreslagen ändring. En person måste bekräfta en ändring innan den tillämpas på portföljen.
Lösningen är utformad för projektportföljer, inte för investeringar och handel. Ett företag som genomför flera fabriksuppgraderingar kan till exempel fråga vilka arbeten som är beroende av en försenad leverans. Svaret beror på vilka samband teamet redan har registrerat i SharpCloud. Om den gemensamma leverantören eller den berörda milstolpen saknas går det inte att förlita sig på att modellen känner till den.
Besvara frågor om portföljen
Team håller vanligtvis tidplaner, risker och beroenden i separata system. Ett projekt kan verka följa sin tidplan, trots att en förutsättning försenas någon annanstans. SharpCloud ger teamen möjlighet att uttryckligen beskriva de här sambanden. I januari meddelade Lumivero att företaget hade förvärvat SharpCloud och angav portföljvisualisering och möjligheten att modellera hur en ändring kan påverka flera projekt som skäl till affären.
POLI arbetar med den sammankopplade portföljmodellen. De fem standardagenterna heter Getting Started, Comparison, What-If Impact, Story Summary och Product Knowledge. De fyller olika funktioner, från att hjälpa nya användare att komma igång till att jämföra objekt eller sammanfatta en portföljvy. Comparison kan göra det lättare att se skillnaderna mellan projekt. What-If Impact ställer en annan fråga: om ett antagande om ett projekt ändras, vilka andra delar av den modellerade portföljen kan då påverkas?
Den här skillnaden är viktig eftersom beroenden ofta är mer användbara än en rangordning. Om en försenad installation av utrustning skjuter upp den utbildning som hör till den, är det viktiga resultatet inte bara att en milstolpe har flyttats. Det handlar också om vilka personer som behöver ändra sina planer och vilka antaganden de behöver kontrollera. Scenarieanalys hjälper till att identifiera sådana frågor utan att be systemet avgöra vad företaget bör göra.
Håll analys och godkännande åtskilda
Lumivero uppger att What-If Impact är skrivskyddat och inte ändrar de data som det analyserar. Företaget uppger också att POLI följer befintliga användarbehörigheter, visar grunden för sina svar och låter människor godkänna föreslagna ändringar. AI är ett val som aktiveras separat för varje SharpCloud-instans. Det här är kontroller som leverantören beskriver, inte oberoende belägg för hur träffsäkert agenterna fungerar med röriga eller ofullständiga data.
Mänskligt godkännande är mest användbart när en förklaring kan kontrolleras mot originaluppgifterna. Ett rimligt svar kan bygga på en giltig men inaktuell uppskattning eller på ett beroende som inte längre gäller. Den som granskar svaret behöver kunna se vilka uppgifter assistenten använde och veta vem som ansvarar för att underhålla dem. Ett godkännandesteg ger en kontrollpunkt, men det åtgärdar inte inaktuella indata och garanterar inte att alla rekommendationer är korrekta.
I Lumiveros egen rapport om beslutsfattande kring kapitalprojekt uppges att få av de tillfrågade skulle agera på en AI-rekommendation utan en omfattande granskning. Undersökningen kommer från leverantören och verifierar inte POLI:s prestanda. Den belyser däremot det införandeproblem som produkten är tänkt att lösa: team vill ha hjälp med att sammanställa information som finns utspridd på olika håll, samtidigt som de behåller ansvaret för alla beslut som fattas utifrån den.
Vad betaversionen behöver visa
Tidiga användare kan testa agenterna på välbekanta exempel där projektteamet redan känner till utfallet och sedan jämföra svaren med underliggande uppgifter. De kan också upprepa testet med en annan behörighetsnivå. Det skulle visa var POLI hjälper till att minska tiden som går åt till att jämföra tidplaner och var saknade uppgifter fortfarande kräver manuell undersökning. Den första betaversionen bör främst ses som ett sätt att ställa frågor till och testa en portföljmodell, inte som en ersättning för de personer som ansvarar för den. Lumivero har separata moduler för analys och kontroller på sin färdplan för första halvåret 2027; dessa moduler ingår inte i den nuvarande betaversionen.












