
在这次课程开场时,我跟大家谈到了一个已经很普遍、又很容易被忽视的现象。
老板在公司里号召大家使用 AI,员工嘴上有时会说“不好用”“不准确”,私底下却早已用起来了。写周报、写报告、做方案,先在聊天框里输入几句话,等 AI 生成内容,再复制到公司的文档模板中。原来需要一两个小时的文字工作,现在可能很快就有了初稿。
员工确实得到了便利,可管理者回头一看,整个 IT 组织的效率好像没有发生同样幅度的变化。项目周期、跨团队等待、重复事件和积压工作,并不会因为多了一个 AI 聊天框自然改善。
这中间少了一步:个人省下来的时间,并不会自动变成组织的效率。
一个任务做快了,整条工作链条可能一点没快
先拿课堂上提到的周报来说。
员工用 AI 把周报写快了,说明“组织文字”这个动作缩短了。但一份周报从来不只是写几段话。前面要收集项目、事件、变更和风险数据,写完后可能还要由负责人核对,再汇总到部门报告中,最后供管理者判断资源和优先级。
如果原始数据仍散落在工单、表格、聊天记录和个人记忆里,员工只是把这些内容手工搬到 AI,再把 AI 的输出搬回模板,真正费时的收集和核验并没有消失。更麻烦的是,AI 把语言整理得很顺之后,一些不准确的数据、遗漏的风险或模糊的责任也会显得像是已经说清楚了,复核人员反而要花更多时间逐项确认。
从个人视角看,写作速度提高了;从端到端看,数据准备、确认、汇总和决策的总时间未必减少。
这与我们在课程中讲价值流时反复强调的道理一样。组织交付价值,依靠的是跨流程、跨岗位的完整流动。只把其中一个节点做快,如果下一个节点接不住,或者上一个节点仍在等待,整体周期不会跟着缩短。有时局部速度越快,下游堆积反而越严重。
所以,管理者判断 AI 是否提高效率,不能只问“这个动作原来要多久,现在要多久”。还要继续往后看:整项工作什么时候真正结束?交付结果有没有减少返工?使用这个结果的人是否更快作出决定?
很多组织还不知道员工究竟怎样使用 AI
员工私下使用 AI,至少说明他愿意尝试,这并不是坏事。问题在于,这种使用常常是不可见的。
管理者不知道哪些任务已经有一部分交给 AI,不知道员工输入了什么数据,也不知道输出经过了怎样的核验。流程文件里写的仍是原来的人工步骤,岗位职责没有变化,工时和绩效也按旧方法统计。表面上,组织还在以原来的方式运转;实际执行中,AI 已经进入了不少环节。
这就形成了一种新的灰色地带。
一旦结果出错,团队很难回答几个基本问题:错误来自原始数据、提示要求还是模型生成?员工有没有检查?谁有权接受这个结果?哪些内容可以交给 AI,哪些决定必须由人作出?
如果这些问题没有答案,管理者通常会走向两个极端。一个极端是严禁使用,试图用技术封堵所有入口;另一个极端是只看见 AI 很强,于是立即要求每个人都用,甚至简单地把使用 AI 与裁减岗位联系起来。
看不见真实使用状态,效率自然也无从度量。
AI 接入了旧流程,旧问题也会一起被放大
ITIL 5 在“优化和自动化”指导原则中有一个很朴素的顺序:先简化或优化,再自动化。课程中我把这句话讲得很重,因为不少组织现在恰好把顺序反过来了。
原来的流程有重复录入,就让 AI 帮忙重复录入;原来的数据口径不一致,就让 AI 在几种口径之间猜;原来的职责边界不清楚,就让智能体先给一个看起来合理的答案。速度可能快了,问题还在那里,有时只是更难被发现。
例如,事件管理中如果工程师习惯不登记工单,直接在电话或聊天群里处理,接入 AI 后也许能更快找到一个解决办法。但事件仍没有留下完整记录,组织仍无法识别重复故障、关联问题、核算工作量或积累可靠知识。一次故障被处理得更快,不代表事件管理能力提高了。
再比如,多个部门对同一个业务指标使用不同定义,让 AI 自动生成报告并不能解决口径冲突。它很可能只是根据当前拿到的材料选择一种表达。报告生成得越多,管理者看到的结论可能越不一致。
AI 擅长执行已经说清楚的任务,也能协助人分析模糊问题。但组织不能把本应由管理者确定的标准、责任和决策边界全部推给模型。AI 没有组织授权,也不承担管理责任。杂乱的工作方式,需要人先把它理顺。

组织效率要看价值,不要只统计使用次数
有些公司推广 AI 时,最容易取得的数据是账号开通数量、活跃人数、调用次数、生成内容数量。这些数字能说明工具被使用,却不能直接说明组织获得了价值。
ITIL 5 的第一项指导原则是“聚焦价值”。放到 AI 场景中,管理者需要先说清楚,希望哪一项业务成果发生变化。
如果用 AI 辅助事件处理,应该关注的是恢复时间、重复事件、升级质量和用户受到的影响,而不只是工程师问了模型多少次。如果用 AI 生成周报,应该看数据准备时间是否减少、报告错误是否下降、管理者能否更快发现风险。用 AI 协助知识管理,则要看知识能否被准确调用、是否减少重复调查,以及过期内容有没有得到控制。
价值指标必须靠近工作的最终使用者。否则,团队很可能为了证明“我们在用 AI”,制造出更多提示词、更多智能体和更多自动生成的文档,最后还要安排人去维护这些新东西。
那不是效率提高,只是工作换了一个形状。
先从一项真实工作开始,而不是先做一场全员运动
要把个人使用转化为组织能力,我更建议从一项高频、边界相对清楚的工作开始。不要一上来要求所有部门同时“AI 化”,也不要先建一个很大的平台再寻找场景。
先从现状出发。把这项工作现在怎样发生画出来:输入从哪里来,经过哪些岗位,谁负责判断,哪里经常等待,哪些内容反复返工,最后由谁确认完成。这里既要看流程,也要直接观察实际做法,因为制度文件与现场经常有差距。
然后确定 AI 适合进入哪一个环节。它可以整理工单、总结日志、生成报告初稿、匹配知识,还是能够在受控条件下执行操作?输入数据从哪里获取?输出由谁复核?出现低置信度、数据缺失或异常情况时,转给哪个岗位?这些都要在试点前说清楚。
还要留下原来的基线。没有改进前,一项工作用了多长时间,有多少返工,出现过哪些错误,用户怎样评价。试点后再用同样口径比较。效果好,就把有效做法写进流程、SOP 和岗位职责;效果不好,就找出问题,调整后再进行下一轮。
这其实同时用到了几项 ITIL 指导原则:聚焦价值、从现状出发、基于反馈迭代推进、协作并促进可见性,以及优化和自动化。它们没有固定的先后顺序,但放在一起,能防止 AI 项目只剩下工具热闹。
管理对象已经变了,管理方式也要跟着变
过去的 IT 流程主要协调人与人之间的工作。现在智能体和各种 AI 能力逐步加入,组织开始面对人与 AI、AI 与系统、多个智能体之间的协作。管理者不能继续假设每个工作步骤都由人完成,也不能因为机器参与了,就把人的责任删掉。
员工使用 AI 写出一份报告,谁对其中的事实负责?智能体自动分析一次故障,谁决定是否执行修复?模型版本变化后,原来验证过的结果是否仍然可靠?一项 AI 能力停用时,相关数据、规则和知识怎样交接?这些都是新的服务管理问题。
ITIL 5 把管理范围扩展到数字化产品和服务的整个生命周期,正好提醒我们:智能体不能只按一次性工具管理。它需要负责人,需要设计、构建、转换、运营、交付和支持,也需要持续监测使用效果。只有这样,零散的个人技巧才有可能成为组织可以重复使用的能力。
员工都在用 AI,是一个开始。管理者接下来要做的,不是统计谁用了、谁没用,而是挑出一项真实工作,看看 AI 究竟改变了哪个步骤、节省的时间去了哪里、风险由谁承担、最终成果有没有变好。
这些问题能够被持续回答时,个人效率才开始进入流程,进入制度,也进入组织的价值交付。
关于深圳艾拓先锋
深圳艾拓先锋为 PeopleCert 授权 ATO 认证培训机构,具备 ITIL Foundation(Version 5)官方培训资质。我们深耕 ITIL、IT 服务管理与数字化服务管理,聚焦 ITIL 5 原生 AI 治理、AI 智能体管控与 6C 模型落地,提供体系化企业内训与咨询服务。
本文出自《深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:长河老师知识要点与实践心得三十六讲》。 如需系统学习融合 AI 治理视角的 ITIL 5 认证培训、企业内训或 IT 服务管理咨询,可访问深圳艾拓先锋官网课程页面,也可前往 PeopleCert 官网
https://www.peoplecert.org/ways-to-get-certified/ato/shenzhen-aito-xianfeng-enterprise-management-consul-172763核验授权资质。 咨询渠道:400 热线 400-806-0230,微信:18027379316
上一篇:第1讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:听懂了,不等于学会了——信息怎样在工作问题中变成知识
下一篇:第3讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:AI 接岗之前,先把“人机交接”当成一项正式变更
返回导读: