课堂演示集中监控平台时,屏幕上能看到服务器、数据库、应用、容器、计划任务和系统服务的状态,也能把告警与个人待办放进工作台。我当时问,这不就是“从现状出发”吗?
如果这些状态散落在不同工具、聊天记录和工程师记忆里,管理者面对的是一团混沌。今天为什么先处理这台服务器,哪个服务正在失去容量余量,最近一次变更与告警是否有关,团队很难用共同事实讨论。
IT 部门长期帮业务做数字化,却常常没有把自己的工作状态数字化。业务有订单看板、生产报表和客户分析,IT 仍靠电话、群消息和个人经验拼出现状。要谈改进,先得让自己被看见。

从现状出发不是替旧做法辩护
ITIL 5 的“从现状出发”指导原则提醒组织,在推倒旧方法、产品或服务以前,先了解现有资源和可复用成果。教材要求直接观察并测量当前服务和方法,也提醒报告与现实之间可能存在差异,度量应支持观察,不能取代观察。
这项原则经常被误解为“尽量不要动现有系统”。我的理解相反:看清现状是为了知道什么值得保留、什么必须改变,以及先改哪里。旧流程有一段运转稳定,就不必为了使用新工具全部重做;旧平台的关系数据长期失真,也不能因为投入很多就继续依赖。
AI 项目尤其容易出现从头再来的冲动。看到新的智能体平台,组织想把旧知识库、工单规则和自动化脚本一次替换。可原来的分类口径、升级经验和服务关系中,可能有经过多年验证的内容。先识别这些有效部分,再决定迁移、修订或淘汰,风险更可控。
一块漂亮仪表盘不等于真实现状
监控看板能提高可见性,也会制造一种错觉:数据都在屏幕上,现状就已经清楚。
服务器显示绿色,不代表支撑的业务步骤正常;告警数量下降,可能因为采集器中断;事件平均时长变短,也可能因为团队提前关单。指标缺少对象、来源、时间和业务关系时,颜色越整齐,越容易让管理者过早放心。
课堂中的监控平台有价值,是因为它穿透到具体资源和运行状态,并尝试把服务器、数据库、应用和服务关系连起来。真正使用时还要继续追问:数据由谁采集,多久更新,缺失怎样显示,什么状态会触发事件,哪个服务负责人确认业务影响。
AI 可以帮助汇聚和解释这些状态。它能归并重复告警、关联日志与近期变更、发现指标突然缺失,并把复杂技术信息整理给管理者。它也可能把缺少的数据当成正常,把错误关系图解释得很完整。因此,AI 输出应带上数据来源、时间范围和不确定项,重要判断仍要回到原始状态与现场验证。
IT 部门也有自己的数字化债务
业务系统通常有明确交易数据,IT 管理数据却经常留在边角处。配置项关系多年不更新,变更与事件没有关联,供应商升级记录在邮件里,工程师的脚本只在个人目录,项目待办又分散在几个看板。
这些缺口会直接限制 AI。模型可以分析已经采集的日志,却看不到未纳管的容器;可以总结工单,却无法识别电话里解决但未登记的事件;可以做影响分析,却会受过期 CMDB 关系误导。
所以,IT 自身数字化不能只做一个大屏。它要逐步把管理对象、状态、关系、责任和工作记录变成可信数据。哪些数据有权威来源,谁维护,何时失效,怎样与流程动作关联,都要有人负责。
这项工作不必一开始追求全覆盖。先围绕一个重要决定,把缺少的数据补起来,比先建一个“全域运营平台”更容易得到结果。
从决定倒推需要看见什么
假设团队要改善变更影响判断。管理者需要知道改动对象、关联服务、上下游接口、近期事件、业务窗口、测试与回退情况。那就先检查这些事实分别在哪里,哪些可靠,哪些只能靠人询问。
如果目标是减少重复事件,需要服务标识、分类、时间、解决办法、关联配置项和已知错误。没有统一服务名称时,AI 聚类会把同一故障拆开;工程师没有留下解决步骤时,知识推荐也找不到可复用内容。
从决定倒推数据,有两个好处。一是范围小,团队知道为什么采集;二是很快能验证数据是否真的帮助了判断。为了将来“可能有用”而收集大量字段,往往会增加填写负担,最后无人维护。
可以让 AI 辅助做数据缺口分析:列出完成某项判断所需证据,对照现有工单、监控、CMDB 和文档,标出缺失、冲突和过期内容。但缺口优先级仍要按业务风险和改进目标决定。
现状也包括人的能力和实际工作方式。工具里写着二线处理,现场可能一直由一名资深工程师兜底;流程要求从知识库检索,团队却习惯在群里问人。这些做法不能直接包装成最佳实践,也不能在调研时删掉。它们说明组织当前依赖什么、转变时会失去什么,是设计培训、交接和自动化范围的必要输入。
直接观察仍然不能省
报表告诉我们事件在某节点停留两小时,现场观察可能发现工程师其实早已处理,只是等另一个团队在群里确认。仪表盘显示自动化成功率很高,抽查后也许发现失败任务被人工重新执行,却没有回写状态。
ITIL 教材特别提醒,报告与现实可能有差异。管理者要定期沿一张工单、一项变更或一条告警走完整过程,看看工具中的状态与实际动作是否一致。让不熟悉该流程的人观察,有时更容易发现团队已经习以为常的绕行。
AI 也可以协助抽样,把异常等待、频繁改派、无配置项关联或自动化后又人工修改的记录挑出来。它减少了找样本的时间,现场解释仍要由参与者提供,不能看到相关性就宣布原因。
观察以后还要留下修正记录。某个指标为何失真、临时采用什么替代数据、谁负责补采、何时再检查,都应可追踪。否则下一次 AI 分析仍会把同一缺口当成事实,管理者也会在不同会议中反复争论数据是否可信。
建一个最小可用的现状视图
选择一项当前确实要作的管理决定,列出最少的状态、关系和工作数据。给每项数据标出来源、更新频率、负责人和缺失时的显示方式,再把它们放到一张能支持判断的视图中。
运行一段时间后,检查管理者是否真的据此改变了优先级、资源或流程。如果一项指标从未触发行动,考虑删除;如果每次决定还要电话询问同一个事实,就把这个缺口补进来。看板随着使用迭代,不必第一版就覆盖所有工具。
从现状出发,要求我们尊重已有能力,也要求我们承认看不见的地方。IT 部门只有先把自己的真实状态、数据缺口和工作绕行摆出来,AI 分析、自动化和持续改进才有可靠起点。否则,所谓现状只是我们希望屏幕呈现的样子。
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26讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:聚焦价值,先看“客户的客户”怎样使用你的服务
下一篇:第28讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:迭代完成的标准,不是“我这一部分做完了”
返回导读: