A.艾拓先锋ITIL CHINA

第4讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:AI 越聪明,标准化为什么反而越重要


Shenzhen Aito XianFeng, ITIL Foundation Version 5长河(曹坤良)官方大使.png


这次课刚开始不久,我问大家:如果一个岗位准备合并,一部分工作要交给智能体,管理者怎样确认交接没有遗漏?


先别急着回答模型选哪一个、提示词怎么写。把问题放回岗位现场:这名员工参加哪些流程节点,每个节点接收什么数据,去哪里取数,作什么判断,结果交给谁;他自己写的脚本放在哪里,临时情况怎样处理,哪些操作从未写进正式文件。如果这些事情连人都讲不完整,AI 究竟要

接什么?接到什么程度又算合格?


我在课堂中给出的判断很鲜明:人工智能无论多聪明,都不可能自动把一个杂乱无章的管理方式变成规范的管理方式。它可以给建议,可以执行指令,但它没有组织授权,不承担岗位责任,也没有能力替管理者把一项制度推行下去。


模型能力提高,反而会让这段缺口更快暴露。标准化因此没有过时,它已经从“让人照同一种方法做事”,变成人与机器能够共同工作的前提。



AI 能读懂文字,却不能替组织作约定


把几十份制度、工单和聊天记录交给 AI,它通常能整理出一份像样的流程。麻烦在于,“像样”不等于“有效”。


同一个字段在三套系统里名称不同,它可以推测它们可能是同一对象,却不能自行决定以后采用哪个口径。一份 SOP 写着由运维确认,实际一直由业务主管拍板,它可以发现冲突,却无权替组织重新分配责任。历史工单里有许多工程师临场绕过流程的做法,AI 也很难知道哪些是合理例外,哪些只是长期没有纠正的习惯。


这类问题靠增加模型参数解决不了。组织要先作约定:对象叫什么,数据以哪里为准,谁有权作决定,正常路径怎样走,超出条件时交给谁。

ITIL 5 在“优化和自动化”指导原则中提醒我们,技术和生成式 AI 的使用要受治理、伦理与合规控制;自动化依赖良好数据、优化后的工作流和有力治理。教材还明确指出,为了自动化而自动化,可能增加成本、引入风险并削弱组织弹性。这是正式框架给出的边界。


我在课堂上把它落到更具体的工作语言里:AI 是高参。高参可以把分析做得很快,最后仍要有人决定采用哪条建议、给它多大权限,并对后果负责。



标准化不是把现场写成一条死路


一提标准化,有人马上想到厚厚的流程文件、层层签字和一成不变的步骤。这种担心有现实依据。把所有小事都纳入同样的控制,当然会拖慢工作,也会逼着员工在流程之外另找通道。


有效的标准化至少应说清四类内容。


第一类是稳定输入。比如事件诊断需要服务名称、影响用户、发生时间、近期变更和告警信息,这些字段应有统一定义,也要有可信来源。缺少输入时,AI 应当指出缺口,不能靠猜测补齐。


第二类是高频路径。重复发生、判断边界清楚的工作,应形成流程和 SOP。这里不只是写几个步骤,还要包含进入条件、输出证据、责任岗位和完成标准。只有这样,机器执行后,人才能判断它是否真的做完。


第三类是授权边界。AI 可以整理日志、匹配知识、生成变更影响分析,是否可以直接重启服务、修改配置或批准请求,则要根据风险另行授权。能力许可不等于组织许可。


第四类是例外出口。标准路径覆盖不了所有现场情况。输入冲突、低置信度、高业务影响、权限不足或发现异常时,智能体必须知道在哪里停止,向哪个角色升级,并把已经完成的动作和证据一并交过去。


所以,标准化管住的是稳定部分和责任边界,并不要求把每一种例外提前写死。恰恰因为留有受控的例外路径,工程师才不必在紧急时刻偷偷绕开整个体系。


1789435103873697.png


没有共同语言,智能化只会放大原来的差异


过去,人和人之间还有不少补偿办法。字段写得含糊,可以打电话问;流程没有标出交接点,熟悉团队的人会主动提醒;SOP 少了一步,老员工凭经验也许能够补上。


AI 不具备这些默认的组织理解。它只能依据拿到的数据、规则、工具权限和当前上下文工作。不同团队如果各用一套服务名称、故障类别和优先级,智能体会把不一致带进自动分类;知识库里同时存在多个版本的处理办法,它可能选中一份已经过期但文字更完整的文档;审批责任没有写清,它就可能把“提供建议”误作“允许执行”。


而且,AI 的速度会使这些差异批量出现。一个人一天偶尔分错一张工单,团队还有机会发现;一个自动分类智能体可以在很短时间内把同一套错误规则应用到大量记录。问题没有因为自动化产生,却会被自动化放大。


可以拿事件分流做一个小测试。服务台、监控平台和 CMDB 如果分别使用三套服务名称,优先级又采用不同口径,智能体即使准确读懂了用户描述,也不知道该关联哪项服务、套用哪一个 SLA、派给哪个支持组。继续优化提示词,最多让它更会解释自己的选择。组织先统一服务标识、分类规则和权威数据源,自动分流才有可验证的答案。


这也是我为什么认为,AI 越聪明,管理者越不能把标准化当作旧时代的文书工作。标准是检查 AI 的尺子。没有输入标准,不知道它取数是否正确;没有完成标准,不知道任务是否结束;没有权限标准,不知道它是否越界;没有例外标准,出了偏差也不知道何时接管。



先把一项真实工作整理到可以交接


组织不需要先发起一场庞大的标准化运动。可以挑一项高频、有明确使用者、风险相对可控的工作,从实际发生的过程开始。


先盘点。跟着一张真实工单或一项周期工作走一遍,记录输入、判断、操作、工具、输出和交接岗位。制度文件与实际做法不一致的地方不要藏起来,它们正是要处理的管理缺口。


再统一数据和术语。确定服务、用户、配置项、风险等级和工作状态怎样命名,哪个系统是权威来源,谁负责维护。不要让 AI 在多个近义词和冲突口径中自行选边。


随后固化高频路径。把反复发生、边界清楚的部分写成可执行步骤,明确每一步需要的证据。低风险步骤可以先由 AI 辅助、人工复核,验证稳定后再逐步减少检查。


例外要单独留下记录。每一次人工接管都应回答:是规则没覆盖、数据有缺口、权限不足,还是现场出现新的风险?高频例外应回到流程和 SOP 中修订;少见而高风险的例外,可以继续保留人工判断。


最后才谈扩大自动化。此时管理者看的不应只是“AI 完成了多少任务”,还要看误判、返工、人工接管、越权、恢复时间和最终业务影响。标准也不是发布后永久不变,它要随着反馈更新版本。



管理者要交付的是可控的工作方式


我不反对让 AI 帮助起草流程、检查数据、发现重复步骤。它在这些工作上很有价值。只是管理者不能把最需要承担责任的部分一并外包:哪些做法应该成为标准,什么风险可以接受,什么权限可以放开,出现什么情况必须停下来。


判断一项工作是否已经具备智能化条件,可以先做一个朴素的测试:换一名不了解背景的同事,只给他现有流程、数据和工具,他能否知道怎样开始、怎样完成、怎样处理例外?如果人仍要靠熟人提醒和个人记忆才能做下去,AI 也不会因为更聪明就自动获得这些上下文。


先把一项真实工作整理到可以被清楚交接、稳定执行、留下证据,再让智能体进入。到了这一步,标准化不再是附加在 AI 项目外面的流程要求,而是我们用来授权它、检查它,并在出错时接住它的工作语言。


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

下一篇:第5讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:一个人配多个智能体之后,IT 部门究竟要管理什么




返回导读:




← 返回ITIL 5 长河原创文章