A.艾拓先锋ITIL CHINA

别一上来就追求闭环:ITIL v5 的6C模型,其实是在教你怎么把AI用得更稳

这两年做AIOps、做运维自动化的人,普遍有一个共同的矛盾:一边被要求“提效、降本、少人值守”,一边又被事故和合规压得不敢放手。你想把告警降噪、根因定位、自动处置做得更深,但每往前走一步,心里就会多一层担忧:万一自动化错了怎么办?谁来背锅?怎么解释?怎么审计?怎么回滚?


我一直觉得,这种矛盾不是你们不够专业,而是缺一套“把能力分层、把边界讲清楚”的管理语言。技术上你当然能做,但组织上你不一定敢做。ITIL 第5版把AI与治理这条线讲得更明确,尤其是6C能力模型,正好能帮你把这件事说清楚:哪些能力先做、哪些能力后做、哪些地方必须留人、哪些地方可以放自动化。


一、6C只是其中一块,但它能把很多事串起来


虽然这篇文章重点是6C模型,但为了不把话题讲窄,还是先把ITIL 第5版相对ITIL 4的核心更新要点完整过一遍:

• 管理对象从以服务为中心,进一步扩展到数字产品与数字服务一起管
• 工作方式从价值链进一步落到全生命周期,用八个阶段活动把端到端拆清楚
• 体验被更明确地纳入价值交付,强调可感知的结果与信任
• 价值系统中的治理更强调可操作性与可选型,强调责任、监督与纠偏

• AI与自动化被纳入体系,强调能力分层与治理边界,避免“黑箱提效”带来风险


八个阶段活动是:发现、设计、获取、构建、转换、运营、交付、支持。6C模型要落地,必须放进这条生命周期里看:你在哪段用AI,风险是什么,责任链条是什么,输出如何被验证与回流。否则6C就会变成一张PPT。


二、6C模型到底是什么:别当成概念,先当成“风险分层图”

ITIL 第5版用6C把AI能力拆成六类:创造、整理、计算、认知、沟通、协调。很多人一看就想背定义,其实没必要。你把它当成一张风险分层图就够了:从左到右,能力越来越接近决策与行动,风险也越来越高,治理要求也越来越强。

• 生成:生成内容与方案,比如生成知识条目草稿、变更说明草稿、沟通稿草稿
• 整理:清洗、归类、去重、关联,解决数据与知识的混乱
• 洞察:趋势分析、预测、风险评估,让决策有数据底座
• 认知:辅助理解与判断,比如异常检测、根因推断候选路径
• 沟通:把信息讲清楚、讲一致,面向用户与内部协作

• 协调:跨团队编排与自动执行,比如自动分派、自动编排、自动处置


你会发现,很多团队一开始就冲着“协调”去做,想要闭环,结果最容易翻车。不是你们技术不行,而是治理、底座、责任链条没准备好。6C模型的价值就在这里:它给你一个很合理的推进顺序,让你能把“先做什么、后做什么”讲得更有说服力。


三、先讲一句刺耳的:AIOps做不起来,常常不是算法问题,是底座问题


如果你们的工单分类不稳定、配置数据不一致、知识库版本混乱、告警规则各写各的,那你再强的模型也会变成“更快地输出不一致”。很多AIOps项目翻车后,大家反思“模型不准”,但真正的根因往往是:
• 数据口径不统一,训练与推理数据不一致
• 知识条目过期,AI学到的是旧经验
• 事件与变更没有打通,根因推断缺上下文

• 监控与日志覆盖不全,AI只能在黑盒里猜


所以我更建议按6C的顺序来:先把整理做好,再去追求更深的认知与协调。整理做扎实,你的后续能力才有根。


四、6C怎么落进八个阶段活动:同样用AI,位置不同,风险完全不同


为了让你更直观,我把6C放进八个阶段活动里讲一遍,你就能看出“在哪用更稳”。

  1. 发现与设计:AI适合做创造与整理,但别替你拍板 在发现与设计阶段,AI很适合帮你归纳需求、聚合反馈、生成候选方案、整理历史事件与变更经验。 这里的原则是:AI可以帮助你更快更全,但价值取舍、范围边界、体验承诺必须由人来定。因为这些决定本质是业务决策,不是技术决策。

  2. 获取与构建:AI适合做计算与整理,提升标准化与一致性 在获取与构建阶段,AI更适合帮你做资源风险提示、依赖分析、代码与配置审查辅助、测试结果归纳、变更说明生成等。 但要注意,构建阶段的核心不是“生成更多内容”,而是把交付做成可验证、可回滚、可度量。AI能加速整理与分析,但这些能力要服务于交付质量,而不是增加噪音。

  3. 转换:AI能发挥很大价值,但要把边界写死 转换阶段是最适合引入AI风险提示的地方,比如: • 洞察:对历史变更关联事件做风险评分 • 认知:对发布演练结果做异常模式识别 • 沟通:生成公告草稿与内部口径,保持一致 但要非常谨慎对待“协调”,也就是自动放行、自动处置。转换离生产太近,一旦自动决策错了,影响会被放大。这里最稳的策略是:AI提供建议,人做最终决策,并且决策链条可审计。

  4. 运营与支持:认知与沟通很有价值,但必须保留人工介入通道 在运营与支持阶段,AI可以做告警聚类、异常检测、相似问题推荐、工单分派建议、知识条目推荐、沟通草稿生成。 但你必须保留人工介入与一键回退的机制,并确保支持团队能解释“为什么这么建议”。否则用户体验会被伤到:回复更快了,但更不靠谱了,信任会掉得很快。

  5. 交付:AI可以提升体验,但别用“更快”掩盖“更不准” 交付阶段AI很适合做用户教育、变更引导、FAQ生成、沟通一致性维护。 但交付的核心是价值被感知,体验被守住。AI沟通如果答非所问,会让用户觉得你在敷衍,比慢更糟。


五、6C落地的推荐顺序:先把“整理”跑通,再谈闭环


如果让我给一个AIOps路线图优先级,我会更倾向于这样排:
第一优先,整理能力做扎实
• 事件、变更、问题、配置、知识之间的关联关系做清楚
• 知识库去重、分类、版本管理做起来
• 工单分类与标签规范化
• 数据质量与口径统一,减少“同名不同义”
第二优先,计算能力补上,让决策更有依据
• 趋势分析、容量预测、风险评估
• 变更与事件的相关性分析
• 关键指标异常的早期预警
第三优先,认知能力谨慎推进,先做“辅助”再做“半自动”
• 根因推断给候选路径,不做最终结论
• 异常检测先做提示,不直接触发自动处置
• 逐步引入人机协作的反馈机制,让模型能持续变好
第四优先,沟通能力做一致性,减少体验摩擦
• 对外公告与对内口径统一
• 支持话术与知识条目一致
• 重大事件沟通节奏固化,AI做草稿,人做审核
最后才是协调能力:自动分派、自动编排、自动处置
• 先从低风险场景做,比如自动派单建议、自动执行可逆动作
• 必须有回退、审计、权限控制
• 任何自动处置都要有“停手”机制与责任人

你会发现,这个顺序并不炫,但它稳。稳的好处是:你能持续积累信任。信任一旦建立,组织才敢让你把自动化放得更深。


六、治理怎么配套:不把责任写清楚,6C越走越危险


ITIL 第5版强调治理,不是为了给你加审批,而是为了让AI能力可控、可追溯、可纠偏。对AIOps来说,治理至少要回答四个问题:
• 责任:AI建议错了谁负责,自动处置错了谁负责
• 边界:哪些场景允许自动,哪些必须人工确认
• 审计:决策依据如何记录,事后如何追溯
• 纠偏:模型如何被反馈、如何更新、如何防止旧错误复发

你把这四件事补齐,AIOps才可能从试点走向规模化。否则你永远只能停在“展示型项目”。


七、别忘了体验:AIOps的成功标准不是“更自动”,而是“更可信”


很多团队衡量AIOps成功,会看自动化比例、告警压缩率、工单节省量。这些都对,但不够。真正能决定你能走多远的,是用户与一线团队是否信任系统。你可以做得很自动,但如果一线觉得“它老是乱派、乱答、乱合并”,大家会本能地绕开它。绕开之后,数据又不完整,模型又更差,最后形成恶性循环。


所以我更建议你把体验指标加进来:
• 支持回复的准确率与一致性是否提升
• 用户等待是否更可预期,沟通是否更透明
• 一线是否愿意采纳建议,采纳率是否稳定上升

这些指标比“自动化比例”更能说明你走得稳不稳。


2026年1月29日,PeopleCert正式发布了ITIL 第5版。作为ITIL官方中国区大使,我将会推出系列文章帮大家解读ITIL 第5版到底有哪些重大的更新。


欢迎加长河老师微信achotsao,深入交流ITIL 第5版最新资讯。



← 返回ITIL 5 长河原创文章