در ماههای اخیر، Project Management Institute چند گواهینامه و مسیر یادگیری کاملاً مبتنی بر هوش مصنوعی عرضه کرده است؛ از CPMAI تا الگوهای هفتگانهی پروژههای AI. این یعنی یک تغییر نگرش جدی: پروژههای هوش مصنوعی با پروژههای سنتی تفاوت بنیادین دارند.
چرا روشهای کلاسیک کافی نیستند؟
در پروژهی سنتی، خروجی از ابتدا قابل تعریف است؛ در پروژهی AI، نتیجهی مدل تا وارد چرخهی داده نشوید معلوم نیست. سه تفاوت کلیدی:
- عدم قطعیت خروجی: کیفیت مدل تا پایلوت واقعی قابل تضمین نیست.
- وابستگی به داده: بخش عمدهی بودجه و زمان صرف آمادهسازی داده میشود، نه مدلسازی.
- تکرار بیپایان: تحویل، پایان پروژه نیست؛ هر بازخورد یک چرخهی جدید است.
الگوهای هفتگانه از نگاه عملی
الگوهایی مثل «پیشبینی»، «تشخیص ناهنجاری» و «تولید محتوا» هر کدام ریسک و ساختار حاکمیتی متفاوتی میخواهند. انتخاب اشتباه الگو، رایجترین علت شکست پروژههای AI در سازمانهاست — قبل از حتی یک خط کد.
پروژهی AI موفق، اول یک مسئلهی مدیریتی درستتعریفشده است، بعد یک مسئلهی فنی.
جمعبندی
اگر برنامهریز یا کنترلکار پروژه هستید، یادگیری این چارچوبها نه یک انتخاب، بلکه الزام ده سال آیندهی شغلی است. تجربهی من: شروع از گواهینامههای کوتاه PMI مثل Generative AI Overview for Project Managers بهترین نقطهی ورود است.