AI在ITSM中的应用——概述

人工智能（AI）正在迅速改变组织处理信息技术（IT）的方式，它不仅仅是一种工具，更是简化运营、增强决策制定和提供卓越用户体验的重要力量。这种转变在IT服务管理（ITSM）中尤为明显，ITSM是一门致力于策略、设计、交付、管理、运营和改进IT服务以满足客户和组织需求的学科。

随着企业适应日益复杂的数字生态系统，AI不仅作为一种趋势出现，也成为ITSM现代化的基本要素，涵盖组织、人员、信息、技术、合作伙伴、供应商以及价值流和流程。

AI感知、处理和响应就像人类神经系统一样。主动监视并根据学习行为——习惯或规则——进行反应性响应。传统ITSM严重依赖基于规则的确定性系统。虽然在结构化环境中有效，但这些系统在需要上下文、预测和学习的动态条件下往往表现不足。AI通过使系统能够执行以下操作来增强ITSM：

• 理解自然语言（通过NLP）
• 在服务问题发生之前进行预测（预测性分析）
• 从海量数据集中检测模式（机器学习）
• 自动化复杂决策制定（认知计算）
• 个性化服务体验（上下文AI）

从解决一级票据的聊天机器人到推荐变更窗口的预测引擎，AI正在重新定义服务的设计、消费、支持和交付方式。

人工智能具有多样性，由各种模型和能力组成。了解这些类型有助于IT领导者将人员、实践和工具与ITSM目标保持一致。

• 有限记忆AI
  • 特征：从过往数据中学习以做出决策。
  • ITSM示例用途： 事件趋势预测、SLA预测、用户行为建模。
• 机器学习（ML）和深度学习
  • 特征：从海量数据中学习，识别模式，并随时间不断改进。
  • ITSM示例用途：
    • 事件管理：基于历史解决路径对事件进行分类。
    • 问题管理：运用聚类技术进行根因识别。
    • 变更管理：分析历史结果进行变更成功预测。
• 自然语言处理（NLP）
  • 特征：理解和生成人类语言。
  • ITSM示例用途：
     
    • 知识管理（KM）：从已解决工单自动生成文章。
    • 服务台：能够理解用户意图并准确回应的聊天机器人。
    • CCaaS：语音和聊天支持分析以评估情感倾向。
• 认知AI和生成AI
  • 特征：合成响应并模拟人类推理。
  • ITSM示例用途：
    • 请求履行：基于用户画像的定制化解决方案。
    • 体验管理：从客户数据生成主动洞察。
    • 持续改进：基于趋势分析提供可行建议。
• 智能体AI（新兴且具变革性）
  • 特征：自主的目标驱动行为，动态调整策略，展现预测性/主动性学习。
  • ITSM示例用途：
    • 服务台：智能体AI自主监控未解决工单，查阅KM，并启动修复工作流程。
    • 变更管理：评估环境变量，建立结果模型，在最少人工干预下建议时机。
    • 配置管理：持续验证CI数据完整性，修复跨多云环境的不一致性。
    • CCaaS：作为主动数字智能体，监控情感变化并在人工意识到问题之前升级处理。
    • 知识管理：通过检测知识衰减并自动更新来自我管理知识库。

AI将ITSM转变为以服务为中心、以体验为核心的方法，从被动式转向主动式，从而提升客户和组织价值。以下是核心优势：

• 运营效率 - AI简化工作流程，自动化重复性任务，处理事件的速度比人工更快。通过AI实现自动化可以减少人为错误，缩短解决时间，降低运营成本。
• 增强用户体验 - AI驱动的聊天机器人和虚拟助手提供24/7支持，即时解决常见问题，并基于历史行为和情感分析个性化沟通。
• 更智能的决策制定 - AI通过实时分析和预测能力增强决策制定，实现更明智的选择。
• 主动的事件和故障管理 - 机器学习可以检测系统退化的早期信号并启动自动修复，使ITSM从被动的应急响应转向主动预防。
• 改进的知识管理 - AI通过分析使用模式、用户反馈和搜索趋势来优化知识文章，提高相关性、结构性和可访问性。
• 更好的资源配置 - AI可以预测需求模式并指导人员配置或资源供应决策，在高流量期间提升服务水平。

AI 以独特而强大的方式支持并增强 ITSM 流程：

• 事件管理 - AI 可以对事件进行分类、分配优先级，并基于历史趋势和模式路由工单，从而实现更高效的事件管理。预测分析可以基于系统日志和其他数据预测故障。虚拟代理处理常规工单，释放人工代理专注于更复杂的问题。
• 问题管理 - AI 使用模式识别和聚类执行根本原因分析。它在问题成为重大故障之前识别出反复出现的问题。
• 变更管理 - AI 驱动的基于风险的变更评分能够实现更明智的审批决策。AI 模型通过考虑 CMDB 依赖关系来评估变更对系统的影响。
• 事件管理 - AI 从实时事件流中过滤噪音，仅显示可执行的异常。它关联跨系统的事件以识别系统性问题。
• 请求履行 - AI 预测常见用户请求，并基于角色、位置和过往行为自动满足这些请求。对话式 AI 增强目录交互和审批流程。
• 体验管理 - 情感分析捕捉用户反馈中的情感基调。AI 个性化用户旅程并预测服务体验中的摩擦点。
• 持续服务改进 (CSI) - AI 动态分析 KPI 并推荐服务改进领域。强化学习根据之前变更的成功或失败调整模型。

ITSM中的不同角色以独特的方式体验AI的好处。了解这一点对于确定AI投资的投资回报率至关重要。 

• 服务台座席 - AI可以通过自动解决一级工单来帮助减少他们的工作负荷。智能建议和上下文数据使座席能够更高效地处理复杂问题。
• IT经理 - AI可以为经理提供预测性警报、容量预测和优化建议。
• 变更经理 - AI提供历史影响分析和风险概况，以做出更明智的审批决策。
• 知识经理 - AI帮助根据实际使用情况策划和组织内容。聊天机器人和自然语言处理工具增强了知识库的覆盖范围和价值。
• 最终用户 - 通过虚拟代理获得更快、更精确的响应，提升满意度。个性化的支持体验培养信任并减少挫败感。
• 高管和CIO -  AI通过提供服务成本、风险以及技术投资和人员配置决策的投资回报率的可视性，使ITSM与业务价值保持一致。

随着AI改变ITSM格局，它通过重新定义团队内的角色和技能，对人力资源产生重大影响。认识到这一转变的组织可以用同理心和战略洞察力来应对变化。要在这种新环境中蓬勃发展，员工必须培养技术、分析和人际交往技能的综合能力。

与普遍担忧相反，AI本质上并不旨在消除ITSM职位；相反，它通过将重点从重复性操作任务"左移"到战略性和知识密集型职责来增强这些职位。

ITSM团队越来越多地负责管理AI驱动的工具，包括聊天机器人、AIOps平台、虚拟代理和决策引擎。熟练掌握这些技能可确保适当的监督、故障排除和优化。总体而言，正在开发新的技能组合来提升AI熟练度和素养，促进AI系统的交互和有效利用。

• ITSM团队
  • 服务台分析师将转变为AI监督者，监督机器人行为，优化NLP响应，并管理需要情商和判断力的升级事件。
  • 事件管理员应从分类工作转向监督AI驱动的自动分类，重点关注经验关联和结果分析。
  • 问题管理员与AI协作识别模式，通过预测建模减少问题积压。
  • 知识管理员演变为策展领导者，让AI从集体知识和有序内容中学习。
• 新技能组合示例
  • 提示工程和对话设计 -为AI系统制作精确、上下文感知的提示和对话结构。
  • 数据解释和服务智能 -分析数据分析、AI报告和服务模式以支持决策制定的能力。
  • 知识策展和AI内容监督 -增强和管理为AI系统提供信息的知识，特别是在知识管理和自动化方面。
  • 工作流自动化和编排 -设计、实施和增强由AI和机器人流程自动化(RPA)驱动的自动化流程。
  • AI伦理监督和治理 -了解AI系统如何需要监督以确保公平性、透明度和问责制。
  • 情商和人机协作 -随着AI越来越多地承担工作负载，确保以人为中心的服务交付。
• 面临风险的技能组合
  • 例行的一级故障排除
    • 任务包括密码重置、打印机问题、网络诊断和账户解锁。
    • AI驱动的虚拟代理、自愈脚本、利用自然语言处理(NLP)的自助服务门户和自动化平台能够大规模高效处理这些任务。
    • 技能转移：从修复问题转向训练AI和管理异常。
  • 手动工单分类和路由
    • 人工代理手动对工单进行分类和优先级排序。
    • AI模型可以基于历史数据、关键词、情感和上下文进行自动分类、优先级排序和路由。AI事件分类器、AIOps关联引擎
    • 技能转移：专注于优化AI流程和处理异常。
  • 静态知识管理任务
    • 涉及文章标记和从零开始编写知识库(KB)内容。
    • 生成式AI和AI增强的KM平台现在可以创建文章草稿、对主题进行分类，并实时向用户推荐内容。AI撰写的文章草稿、通过NLP进行自动标记和语义搜索引擎。
    • 技能转移：转向策展和审批内容，而非编写内容。
  • 被动问题识别
    • 目前涉及等待事件或事件发出问题信号以及手动分析。
    • AI可以主动识别日志、指标和工单中的模式和异常，甚至在人类意识到之前。AIOps平台、预测分析引擎
    • 技能转移：转向假设验证和问题建模。
  • 流程合规性监控
    • 手动检查SLA违约和工作流遵循情况。
    • AI可以实时监控工作流，触发异常，更快更准确地分析流程瓶颈。AI驱动的工作流引擎和合规机器人
    • 技能转移：转向设计自适应流程和管理治理。
  • 一线呼叫中心脚本
    • 任务包括阅读脚本和回答基本询问。
    • 对话式AI可以跨多种渠道管理越来越复杂的用户交互。AI聊天机器人和语音机器人、全渠道编排平台。
    • 技能转移：专注于更高层次的支持和情感恢复
  • 手动配置(CMDB)审计
    • 手动比较CI状态、手工库存对账
    • 自动发现、AIOps和量子增强的CMDB可以近实时验证和审计配置。实时CMDB代理、AI漂移检测和告警
    • 技能转移：转向异常分析、服务/CI建模和未来状态模拟角色。

IT服务管理(ITSM)工作团队正在演进而非消失。自信息技术诞生以来，这支工作团队就在持续适应变化。

正如工业革命通过机械自动化创造了新的职位一样，数字时代通过软件、云计算和互联网的进步改变了整个行业。

AI不是威胁，而是增长的催化剂。ITSM专业人员正在从操作员转变为智能系统的编排者。他们的价值将不再由工单关闭数量来定义，而是由他们为AI驱动的生态系统贡献的洞察力、同理心和编排能力来定义。

组织应该投资AI教育，促进实践实验，并将AI视为战略合作伙伴。正如企业采用云优先战略一样，他们现在必须拥抱AI优先的方法，专注于创新、增长、运营和客户支持。

在这个AI驱动的时代，自动化将改变职位角色，专业人员将成为技术专家、分析师和伦理学家。自动化不会消除工作岗位，而是会移除重复性任务，这突出了个人和组织适应技能的必要性。 作为战略合作伙伴，AI赋能实现。

将AI引入ITSM不仅仅是购买工具那么简单。它需要在思维方式、治理和运营方面进行战略性转变。以下是准备工作：

• 根据业务需求设定高层次优先事项，制定专注于组织和人员变革的战略路线图：信息和技术、合作伙伴和供应商，以及价值流和实践/流程。
• 理解愿景、使命、目标、目的、关键成功因素和关键绩效指标是必不可少的，同时还要理解指导原则和价值观。
• 了解能力和资源方面的差距，进行SWOT分析，并确定自建或购买决策的上市时间要求。

• 进行AI成熟度评估，了解在自动化、数据管理、知识管理和ITSM实践/流程成熟度方面的现有能力。
• 成熟度评估应与您的IT服务管理(ITSM)成熟度保持一致。如果您的ITSM成熟度较低，可能还没有准备好在某些领域采用AI。
• 启动组织变更管理(OCM)倡议。

• AI需要高质量的数据、信息和知识来进行明智的决策。投资于清洁、结构化和安全的数据管道和数据仓库。
• 确保知识管理和CMDB/CMS的准确性、一致的事件分类和使用指标。

• 将复杂项目分解为可管理的连续阶段，每个阶段都有具体的目标、交付成果和评估标准。
• 这种方法在整个项目生命周期中提高了清晰度、控制力、风险管理和利益相关者的一致性。

• 选择符合您组织目标和准备状况的试点项目。
• 选择包括针对复杂流程以实现重大组织变革的高影响力试点，或专注于特定用例以获得即时、低风险结果的快速见效试点。
• 每种方法都有其独特优势，在转型过程的不同阶段都能发挥重要作用。

• 实施措施减轻偏见，确保透明度，并促进问责制，包括使用人工监督。

• 将团队整合到整体的OCM倡议中。
• 对员工进行AI交互和实施培训。持续提升AI素养技能，让一线员工参与工作流程优化，同时强调人工判断的价值。
• 为您的团队在ITSM中应用AI做好未来准备：
  • 持续技能提升：提供AI素养、数据解读和道德自动化方面的课程。
  • 协同设计解决方案：让一线员工参与AI实施和工作流程优化。
  • 彰显人工价值：突出展示同理心、判断力和经验超越AI的案例。
  • 嵌入AI反馈循环：使员工能够标记误报、提出改进建议并影响AI行为。

• 选择具有原生AI功能或可访问API的平台，确保供应商在机器学习模型治理中优先考虑可解释性和安全性。

人工智能不仅仅是IT服务管理（ITSM）的未来；它已经存在于当下。拥抱人工智能的组织将在客户体验、运营敏捷性和服务卓越性方面领先。这里讨论的许多概念目前正在实施中。

随着ITSM从僵化的治理模式演变为动态的、洞察驱动的生态系统，人工智能连接着人员、流程和平台。通过设定明确的目标和道德标准，培养持续学习的文化，任何规模的组织都可以在ITSM中发挥人工智能的变革力量。智能服务的时代已经到来，并将持续演进。