课堂讲“输出”和“成果”时,我用 ERP 的稳定运行串了几项常见指标。
事件管理会关心响应和恢复时间,课堂里提到了 TTO、TTR。数据库团队会有容灾和恢复指标,巡检人员会统计巡检次数和完成率。每个流程都可以交出自己的报表,也可以显示绿色。
我对这个问题的判断是:流程 KPI 没有错,把它当成最终目的才会出问题。

输出是运行成果所需的材料
ITIL 5 对两个概念的定义很清楚。输出是一项活动的有形或无形交付物;成果是通过一个或多个输出,为利益相关方实现的结果。服务提供方产生输出,帮助消费者实现成果。
一份已完成的巡检记录是输出,一次按流程执行的容灾演练也会产生测试结果和改进项。这些都很必要,却只是证明某项活动交付了什么。要证明 ERP 能够持续支持业务,还要看它们是否真正降低了中断、数据错误和恢复失败的可能性。
多个输出之间还存在依赖。监控发现异常,事件流程尽快恢复,问题管理分析重复根因,变更支持安全实施修正,容灾和备份为失败后恢复准备条件。任何一环没有提供合格输出,或者交接时丢了信息,最终成果都会受影响。
KPI 很容易度量“做了什么”
流程负责人倾向选择自己能控制的指标,这有实际原因。事件团队可以管理何时接单、何时恢复,却不能独自决定整套 ERP 的稳定性。巡检团队可以证明今天完成了检查,却不一定能证明检查项覆盖了真正风险。
于是,指标会不知不觉从“对成果的贡献”退化成“是否完成本流程动作”。巡检次数越来越稳定,事件关单越来越快,容灾演练按计划完成,但很少有人继续问:它们各自防住了哪一类对业务的失效?
只看平均值还会遮住关键偏差。大量影响很小的事件快速恢复,可以把平均 TTR 拉得很好看;几次真正阻断业务的事件却可能恢复很慢。平均指标达标,不能回答关键业务在需要时是否得到支持。
AI 会让输出更多,也可能让指标更偏
智能体进入运维以后,组织可以很快获得更多输出。AI 生成诊断摘要、推荐知识、补全工单、识别告警、准备变更影响分析,自动化脚本还可以直接执行恢复。如果度量只看生成了多少摘要、自动处理了多少张单,就会把产量当成成果。
一份自动诊断用时很短,却可能因数据缺失给出错误方向;智能体自动关闭了工单,用户的业务却未必恢复;报告自动生成了,下游管理者反而需要花时间核对。这些都是输出增加,成果没有同步改善。
因此,AI 应用的指标要继续向业务后果追问。自动诊断是否减少了无效升级,人工推翻建议的比例和原因是什么,自动恢复是否真正通过业务验证,相同事件是否反复出现。这些数据不是为了否定 AI,而是确认它产生的输出究竟在哪一步支持了最终成果。
价值还要把新增的成本和风险算进来
ITIL 5 对价值的说明并不只看正面成果。服务可以帮助消费者实现成果、减少成本和风险,也可能引入新成本、新风险或对某些成果的负面影响。只有正面影响大于负面影响,服务才会被认为有价值。
这个边界对 AI 尤其重要。模型账单、平台维护、人工复核和错误返工都是成本;敏感数据泄露、误操作、过期知识和责任不清是风险。如果事件团队的自动化率很高,却把大量核验和返工推给了业务或下游支持团队,局部 KPI 看到的改善是由别处的新成本换来的。
从一项业务成果向回画
要检查指标是否跑偏,可以选一项已经有明确业务使用者的关键成果。比如,ERP 在关键业务时间稳定支持订单、库存和财务处理。
从这个成果向回查:它依赖哪些技术和服务条件,哪些流程分别交付什么输出,输出失效时业务怎样受影响,目前的 KPI 能否及时显示这种失效。对于 AI 产生的诊断、工单和自动操作,同样要标出它应当改变哪个业务或服务结果。
这张反向关系图不需要把每一项内部活动都画进去。它应保留几类真正能影响成果的输出:提前发现退化的监控事态,减少中断时间的恢复动作,防止重复发生的问题修正,保证失效后能回到可用状态的备份与容灾证据。一项活动如果无法说明它通过什么机制支持成果,先不要把其完成率放到最上层仪表盘。
指标与成果的关系要用事实验证
画出依赖关系只是一个假设。团队还要查看,指标改善时,所期待的业务结果是否在合理时间内跟着改变。
比如,新增一组对计划任务的监控和提前告警后,与该任务失败有关的 ERP 事件是否减少,异常是否更多地在用户报障前被处理。如果监控覆盖率上升,相关事件的数量、发现方式和影响都没有变化,就要检查采集对象、阈值或响应规则是否选错。
再比如,AI 诊断使平均初步分析时间大幅缩短,团队需要继续看诊断建议被采用后的恢复成功率、误分派和重新开单。如果前端分析快了,二线团队却收到更多方向错误的工单,输出速度改善了,恢复成果反而在下游付出代价。
反例同样重要。某个流程 KPI 偶然变差,业务成果却没有受到影响,可能是其他控制已经替代了它,也可能是这项指标原本就离成果太远。如果多次都观察不到对成果的影响,团队应当降低这项指标的管理权重,而不是为它设定更严格的目标值。
验证时要保留业务条件。业务量、系统版本、季节性高峰和重大变更都会同时影响结果。不能因为某项 KPI 和用户满意度在同一个月上升,就立即宣布二者存在确定因果。可以先分服务、事件类型和业务时段观察,再用一次次实际改进来验证关系。
如果一项指标只能证明团队“做了很多”,却说不清哪个成果因此更稳定、哪类损失因此减少,就应当降低它在管理报告中的权重。流程仍需要自己的运行指标,但每个指标都应能顺着关系走到一项服务或业务成果。
当 ERP 又一次影响业务时,管理者不必先争论哪个流程的 KPI 仍然是绿色。把实际失效沿着输出关系向回查,看哪一项输出没有提供应有的支持,或者哪个指标从未检测这种失效。这会比增加一项新考核,更快找到业务成果为什么没有随局部达标一起变好。
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17讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:AIOps 的起点不是根因分析,而是把“该看见的状态”先看见
下一篇:第19讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:一次误删生产库,让“新系统会引入新风险”不再只是定义
返回导读: