De största kostnaderna och riskerna i IT-projekt uppstår sällan i utvecklingen.
De uppstår innan.
Otydliga mål, vaga krav och sena insikter i discovery-fasen leder till felprioriteringar, osäkra estimat och onödiga omtag längre fram i projekten.
Den senaste tiden har jag därför börjat rulla ut ett mer AI-drivet arbetssätt för projektstyrning för att förändra just detta.
Med AI-stöd kan verksamhetskrav snabbare översättas till konkreta lösningar, tydligare projektavgränsningar och bättre beslutsunderlag – redan tidigt i processen.
Det ger bland annat:
- mer träffsäkra estimat
- tydligare förväntningar mellan verksamhet och IT
- tidigare underlag för test, kvalitet och regulatorisk efterlevnad
- tidig identifiering av tekniska och regulatoriska risker
AI används inte för att ersätta befintliga arbetssätt, utan för att komplettera och utmana dem.
Resultatet blir smartare discovery, högre kvalitet i besluten och mer kostnadseffektiva projekt.
När discovery blir skarp förändras hela projektets förutsättningar.
Det kan göras förvånansvärt enkelt
I många fall fungerar systemen redan i dag – men på ett mindre optimalt sätt. Förbättringen handlar då inte om ny data, utan om UX, arbetsflöden och hur information presenteras.
Ta ett vanligt exempel: en klassisk ordervy i tabellform.
I dag visas alla nya orders i en tabell. Användaren måste klicka sig in på varje order, förstå vilken typ det är och manuellt kategorisera den så att den hanteras på rätt lager.
Genom att ta en skärmdump och formulera en prompt till ChatGPT, till exempel:
“Idag visas alla nya orders i en tabell. Användare måste gå in på varje order, se vad det är för typ och sedan kategorisera den. Kan du spegla detta i ett förbättrat arbetsflöde och ta fram en UX-mockup i HTML/CSS/vanilla JS där
– rätt lager syns direkt i tabellen
– orderstatus visas (plockas, packas, skickas)
– en översikt visar hur många orders som finns i varje steg och var de hanteras?”
Genom dialog i samma session kan flödet förfinas tills målbilden sitter. När både problem och lösning är tydligt formulerade kan samma kontext sedan användas för nästa steg i projektet.
ChatGPT kan då till exempel:
- bryta ned lösningen i epics, stories och issues inför implementation
- ta fram kravspecifikationer och interna briefs
- bidra till estimeringsunderlag
- ge en första bedömning av riskbild baserat på vald teknisk miljö
- ta fram testprotokoll och föreslå testmetodik som kan planeras tidigt
I vissa fall kan utvecklare även ta HTML-mocken och använda den som input i Copilot för implementation. Ibland krävs mer justering, ibland mindre – men den stora vinsten sker tidigt, innan kostnaderna börjar skena.
Det är här AI-driven discovery och projektstyrning verkligen visar sitt värde:
inte i tekniken i sig, utan i bättre beslut, tydligare förväntningar och mindre slöseri längre fram i projekten.
Kort om mig
Jag har arbetat med projektstyrning och byggt skalbara leveransorganisationer för mjukvara under många år. Projekten har ofta haft hög riskbild, höga krav på regulatorisk efterlevnad och kunder som – med all rätt – varit mycket krävande.
I den typen av miljöer är aktivt kvalitetsarbete genom hela leveranskedjan inte valbart, utan en förutsättning för att lyckas. Först när mål, ansvar och förväntningar är tydliga i hela organisationen går det att leverera lösningar med hög kravbild och samtidigt hålla tempo.
Min erfarenhet är att när utvecklingsteam arbetar mot samma mål, med gemensam förståelse för affär, risk och kvalitet, skapas de förutsättningar som krävs för att våga vara innovativ, ansvarstagande och affärsfokuserad. Det är också då engagemanget växer – och kärleken till det man bygger uppstår på riktigt.