Last modified by superadmin on 2026/02/20, 07:37
From version 1.1 >
edited by superadmin
on 2026/02/04, 16:15
To version < 5.1
edited by superadmin
on 2026/02/20, 07:37
Change comment: There is no comment for this version

Summary

Details

Icon Page properties
Content
... ... @@ -1,11 +1,17 @@
1 1  2026年1月29日，PeopleCert正式发布了ITIL 第5版。作为ITIL官方中国区产品大使，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。
2 2  
3 -[[image:https://my.feishu.cn/space/api/box/stream/download/asynccode/?code=YTc3ZjM0ODM3NzEwNzI1NzNhYWQ0MGYwZDc3NTIzOGVfMTd5ZXp5VDAwRjdTdGkyR0NVN0hEZ3pSTTJpaUtYMzBfVG9rZW46UlRjVWJxUVl5b1FwTXF4MHpWZGNIUnZNbkFmXzE3NzAxOTI5MDI6MTc3MDE5NjUwMl9WNA]]
4 4  
5 -对 IT 负责人和治理负责人来说，你现在面对的最大变化，不是系统更复杂了，而是“决策链条更长了”。生成式 AI 与自动化一旦进入日常运营，它们不只是在替你做事，更在参与判断、参与沟通、参与分派、参与编排，甚至影响你对事实的认知。
6 6  
7 -这意味着治理对象发生了变化：过去你主要治理“人怎么做”，现在你必须同时治理“系统怎么决定”。如果你依旧用旧思路，把 AI 当成一个管理工具、一个效率插件，你很快就会被三件事反噬：
8 8  
6 +(% style="text-align:center" %)
7 +[[image:11.png||height="303" width="500"]]
8 +
9 +
10 +对 IT 负责人和治理负责人来说，你现在面对的最大变化，不是系统更复杂了，而是“决策链条更长了”。 生成式 AI 与自动化一旦进入日常运营，它们不只是在替你做事，更在参与判断、参与沟通、参与分派、参与编排，甚至影响你对事实的认知。
11 +
12 +
13 +这意味着治理对象发生了变化：过去你主要治理“人怎么做”，现在你必须同时治理“系统怎么决定”。 如果你依旧用旧思路，把 AI 当成一个管理工具、一个效率插件，你很快就会被三件事反噬：
14 +
9 9  • 风险边界变模糊：同样一句建议，人说出来和模型说出来，责任归属完全不同。
10 10  
11 11  • 证据链变脆弱：模型输出看似合理，但依据不透明，回溯困难，可审计性下降。
... ... @@ -12,45 +12,62 @@
12 12  
13 13  • 组织行为变扭曲：一线开始把模型当盾牌，把“系统说的”当免责理由，责任被稀释。
14 14  
21 +
15 15  所以本篇只解决一个核心问题：你到底该怎么定义人与 AI 的能力边界，以及如何用 ITIL 第5版的语言把它管起来。
16 16  
17 17  
25 +
18 18  == 一、更新内容概述：为什么 ITIL 第5版会把 AI 推到方法论核心 ==
19 19  
28 +
20 20  我们先看看ITIL 第5版到底有哪些核心更新，我会用“AI 为什么迫使六个要点一起升级”来解释。
21 21  
31 +
22 22  **1、定位升级：数字化产品和服务管理**
23 23  
24 -AI 的价值不只在支持环节，它会进入发现、设计、构建、转换、运营、交付、支持的每个活动。你要治理的是端到端价值创造里的 AI 参与方式。
34 +AI 的价值不只在支持环节，它会进入发现、设计、构建、转换、运营、交付、支持的每个活动。 你要治理的是端到端价值创造里的 AI 参与方式。
25 25  
36 +
26 26  **2、生命周期模型升级：八个活动覆盖从发现到支持**
27 27  
28 -AI 会在不同活动承担不同角色：在发现阶段辅助洞察，在设计阶段生成方案，在构建阶段辅助开发，在支持阶段辅助分流与知识检索。不同活动的风险不同，能力边界必须差异化。
39 +AI 会在不同活动承担不同角色：在发现阶段辅助洞察，在设计阶段生成方案，在构建阶段辅助开发，在支持阶段辅助分流与知识检索。 不同活动的风险不同，能力边界必须差异化。
29 29  
41 +
30 30  **3、人工智能进入方法论核心：从应用走向治理与管理能力**
31 31  
32 32  这不是鼓励你“多上 AI”，而是要求你建立管理能力：明确授权与控制点，明确证据链，明确责任。
33 33  
46 +
34 34  **4、指导原则更强调取舍：尤其是优化和自动化**
35 35  
36 -AI 与自动化最容易造成“局部效率提高、系统风险上升”。指导原则提醒你：优化不是只看效率，自动化不是越多越好，必须在风险与价值之间做取舍。
49 +AI 与自动化最容易造成“局部效率提高、系统风险上升”。 指导原则提醒你：优化不是只看效率，自动化不是越多越好，必须在风险与价值之间做取舍。
37 37  
38 38  **5、实践从清单走向组件库：强调适用性与可裁剪**
39 39  
40 -AI 能力不可能一刀切。你必须按价值流裁剪：哪些实践适合引入 AI，哪些实践必须保留人工确认，哪些实践需要先补数据治理。
41 41  
54 +AI 能力不可能一刀切。 你必须按价值流裁剪：哪些实践适合引入 AI，哪些实践必须保留人工确认，哪些实践需要先补数据治理。
55 +
56 +
42 42  **6、迁移与学习路径更强调能力栈与路线图**
43 43  
44 -AI 不是一次性项目，而是能力栈演进。组织需要路线图：先做可控试点，再扩展到更多价值流，把治理与度量固化下来。
59 +AI 不是一次性项目，而是能力栈演进。 组织需要路线图：先做可控试点，再扩展到更多价值流，把治理与度量固化下来。
45 45  
46 46  你会发现，ITIL 第5版对 AI 的态度非常清晰：不是“推工具”，而是“推治理”。
47 47  
48 -[[image:https://my.feishu.cn/space/api/box/stream/download/asynccode/?code=YTYyYmQwNjMzYjQ1MzFjNmQ4ZGMyYTlmY2Y2NzdkYWNfODVoWUh1R2VSVFc0ajgwb2VVZENpbm10WFlHbmJCYXBfVG9rZW46WWhEVWJ3c3dQb0tCajl4RkJHWWMyZ2ZjbkNDXzE3NzAxOTI5MDI6MTc3MDE5NjUwMl9WNA]]
49 49  
64 +
65 +(% style="text-align:center" %)
66 +[[image:12.jpg||height="329" width="517"]]
67 +
68 +(% class="wikigeneratedid" %)
69 +== ==
70 +
50 50  == 二、先把分工说透：人擅长什么，AI 擅长什么 ==
51 51  
52 -治理的第一步，是把能力边界说清楚。你不需要写一篇哲学论文，你只需要把两类能力区分开：什么更适合人，什么更适合 AI。否则你会在上线后陷入无休止的争吵：到底是谁的错，到底该不该让模型做。
53 53  
74 +治理的第一步，是把能力边界说清楚。 你不需要写一篇哲学论文，你只需要把两类能力区分开：什么更适合人，什么更适合 AI。 否则你会在上线后陷入无休止的争吵：到底是谁的错，到底该不该让模型做。
75 +
76 +
54 54  **1、人更擅长的事情**
55 55  
56 56  • 价值判断：在冲突目标之间取舍，例如效率与风险、成本与体验的平衡
... ... @@ -63,6 +63,7 @@
63 63  
64 64  • 异常处置：在事故、重大事件、混乱情境中做快速决策与协调
65 65  
89 +
66 66  **2、AI 更擅长的事情**
67 67  
68 68  • 信息检索与聚合：在海量文档、日志、记录中快速找相关内容
... ... @@ -75,13 +75,16 @@
75 75  
76 76  • 编排建议：在确定规则下给出候选步骤，减少人为遗漏
77 77  
78 -你会看到，AI 的优势主要在“规模与速度”，人的优势主要在“责任与取舍”。治理的关键，就是让 AI 不越界，让人不偷懒。
102 +你会看到，AI 的优势主要在“规模与速度”，人的优势主要在“责任与取舍”。 治理的关键，就是让 AI 不越界，让人不偷懒。
79 79  
80 80  
105 +
81 81  == 三、能力边界怎么落到制度上：三条红线与三条绿线 ==
82 82  
83 -光说分工太虚。治理负责人需要的是可执行的边界。我通常会用“红线/绿线”的方式让组织快速达成共识：哪些决策必须人工确认，哪些可以让 AI 自动化，哪些属于灰区要试点。
84 84  
109 +光说分工太虚。 治理负责人需要的是可执行的边界。 我通常会用“红线/绿线”的方式让组织快速达成共识：哪些决策必须人工确认，哪些可以让 AI 自动化，哪些属于灰区要试点。
110 +
111 +
85 85  **1、三条红线：必须人工确认的决策**
86 86  
87 87  • 涉及高风险变更与不可逆操作的：例如影响关键业务功能、影响生产环境的操作，必须人工批准
... ... @@ -90,6 +90,7 @@
90 90  
91 91  • 涉及重大事件处置策略的：是否回滚、是否降级、是否停机、是否启动灾难恢复计划，必须由授权人决策
92 92  
120 +
93 93  **2、三条绿线：可以优先自动化或 AI 辅助的工作**
94 94  
95 95  • 标准化、可回滚、影响范围有限的：例如标准请求的履行、常见问题的知识检索与建议
... ... @@ -98,6 +98,7 @@
98 98  
99 99  • 初步分类、优先级排序与分派：尤其适用于服务台的高频重复工作
100 100  
129 +
101 101  **3、灰区：需要试点的能力**
102 102  
103 103  • AI 触发自动补救：如果补救动作可能引发连锁反应，先从“建议”做起，再逐步走向“自动执行”
... ... @@ -109,10 +109,13 @@
109 109  你会发现，这套边界不是“反 AI”，而是“让 AI 走在可控轨道上”。真正危险的不是 AI 做得少，而是 AI 做得快但不可控。
110 110  
111 111  
141 +
112 112  == 四、治理设计的核心：控制点、证据链与责任分配 ==
113 113  
114 -人与 AI 协作，最难的不是上线，而是“出了问题怎么追溯、怎么恢复、怎么改进”。这三件事离不开治理设计。
115 115  
145 +人与 AI 协作，最难的不是上线，而是“出了问题怎么追溯、怎么恢复、怎么改进”。 这三件事离不开治理设计。
146 +
147 +
116 116  **1、控制点怎么放**
117 117  
118 118  控制点不是审批越多越好，而是要放在高风险决策处：
... ... @@ -123,9 +123,10 @@
123 123  
124 124  • AI 输出用于对外沟通时，必须设置人工审核门槛
125 125  
158 +
126 126  **2、证据链怎么留**
127 127  
128 -可审计性不是附加项，而是 AI 时代的硬门槛。你至少要做到：
161 +可审计性不是附加项，而是 AI 时代的硬门槛。 你至少要做到：
129 129  
130 130  • 记录 AI 参考了哪些数据源或知识条目
131 131  
... ... @@ -135,6 +135,7 @@
135 135  
136 136  • 记录自动化执行了哪些步骤，失败时如何恢复
137 137  
171 +
138 138  **3、责任怎么分配**
139 139  
140 140  accountability 即“责任”楚：
... ... @@ -147,16 +147,19 @@
147 147  
148 148  • 改进责任：复盘后谁负责把问题转化为改进举措并验证有效
149 149  
150 -当责任被说清楚，AI 才不会变成“甩锅工具”。否则你会听到一句非常危险的话：系统自动的，不是我。
184 +当责任被说清楚，AI 才不会变成“甩锅工具”。 否则你会听到一句非常危险的话：系统自动的，不是我。
151 151  
152 152  
187 +
153 153  == 五、用三个典型场景讲透：服务台、变更实施、知识管理 ==
154 154  
190 +
155 155  为了让治理落到实处，我用三个最常见场景，把“人机协作”怎么做讲得更具体。
156 156  
193 +
157 157  **场景一：服务台引入生成式 AI**
158 158  
159 -你想要的结果通常是：减少人工处理、提升响应速度、提高用户满意度。但治理上你必须先回答：
196 +你想要的结果通常是：减少人工处理、提升响应速度、提高用户满意度。 但治理上你必须先回答：
160 160  
161 161  • AI 用于“建议”还是用于“直接回复”？
162 162  
... ... @@ -168,9 +168,10 @@
168 168  
169 169  • 可观测性如何做：错误率、升级率、回退率如何监控？
170 170  
208 +
171 171  **场景二：变更实施与发布管理中的 AI 辅助**
172 172  
173 -很多组织希望 AI 做风险评估、依赖关系识别、变更窗口建议。你可以让 AI 提升质量，但不能让它越界：
211 +很多组织希望 AI 做风险评估、依赖关系识别、变更窗口建议。 你可以让 AI 提升质量，但不能让它越界：
174 174  
175 175  • 风险提示与依赖分析可以自动化
176 176  
... ... @@ -178,6 +178,7 @@
178 178  
179 179  • 如果 AI 推荐了错误窗口导致中断，证据链必须能追溯：推荐依据是什么，谁批准了，谁执行了
180 180  
219 +
181 181  **场景三：知识管理与文档生成**
182 182  
183 183  这是 AI 最适合切入的地方之一，但也最容易埋雷：
... ... @@ -191,7 +191,7 @@
191 191  你会发现，AI 真正有价值的切入点，往往在“信息整理、建议生成、辅助决策”这些环节，而不是一上来就把它推到“替你拍板”的位置。
192 192  
193 193  
194 -ITIL 第5版谈人与 AI 协作，核心不是让你选更聪明的模型，而是让你建立更可靠的治理：把能力边界说清，把控制点放在高风险决策处，把证据链做成可审计，把责任分配落到人身上。你只要把这四件事做扎实，AI 才会成为组织能力的放大器，而不是风险的放大器。
233 +ITIL 第5版谈人与 AI 协作，核心不是让你选更聪明的模型，而是让你建立更可靠的治理：把能力边界说清，把控制点放在高风险决策处，把证据链做成可审计，把责任分配落到人身上。 你只要把这四件事做扎实，AI 才会成为组织能力的放大器，而不是风险的放大器。
195 195  
196 196  
197 -我是AI+ITIL教练长河achotsao，欢迎交流。关注我，即可第一时间获得ITIL 第5版最新动态及官方特邀中国区大使的深度解析，全网同名。
236 +我是AI+ITIL教练长河achotsao，欢迎添加长河老师微信 achotsao 深入交流，即可第一时间获得ITIL 第5版最新动态及官方特邀中国区大使的深度解析，全网同名。
Icon 11.png
Author
... ... @@ -1,0 +1,1 @@
1 +XWiki.superadmin
Size
... ... @@ -1,0 +1,1 @@
1 +335.1 KB
Content Icon
Icon 12.jpg
Author
... ... @@ -1,0 +1,1 @@
1 +XWiki.superadmin
Size
... ... @@ -1,0 +1,1 @@
1 +848.4 KB
Content Icon
深圳市艾拓先锋企业管理咨询有限公司