Last modified by superadmin on 2026/02/20, 07:37
Show last authors
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
3
4
5
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
15 • 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。
16
17 • 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。
18
19 • 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。
20
21
22 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。
23
24
25
26 == 一、更新内容概述：为什么 ITIL 第5版会把 AI 推到方法论核心 ==
27
28
29 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。
30
31
32 **1、定位升级：数字化产品和服务管理**
33
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。
35
36
37 **2、生命周期模型升级：八个活动覆盖从发现到支持**
38
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。
40
41
42 **3、人工智能进入方法论核心：从应用走向治理与管理能力**
43
44 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。
45
46
47 **4、指导原则更强调取舍：尤其是优化和自动化**
48
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。
50
51 **5、实践从清单走向组件库：强调适用性与可裁剪**
52
53
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
57 **6、迁移与学习路径更强调能力栈与路线图**
58
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。
60
61 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”。
62
63
64
65 (% style="text-align:center" %)
66 [[image:12.jpg||height="329" width="517"]]
67
68 (% class="wikigeneratedid" %)
69 == ==
70
71 == 二、先把分工说透：人擅长什么，AI 擅长什么 ==
72
73
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
77 **1、人更擅长的事情**
78
79 • 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
80
81 • 责任承担：对结果负责、对外部承诺负责、对重大风险负责
82
83 • 情境理解：识别隐含假设、理解组织情境、理解客户组织的敏感点
84
85 • 伦理与合规判断：当规则不清晰、边界模糊时，做保守选择
86
87 • 异常处置：在事故、重大事件、混乱情境中做快速决策与协调
88
89
90 **2、AI 更擅长的事情**
91
92 • 信息检索与聚合：在海量文档、日志、记录中快速找相关内容
93
94 • 模式识别：从历史数据中发现相关性与异常信号，辅助预测与预警
95
96 • 文本生成与改写：生成草稿、摘要、知识条目、沟通模板
97
98 • 初步分类与分派：把简单问题快速分流，把重复工作自动化
99
100 • 编排建议：在确定规则下给出候选步骤，减少人为遗漏
101
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。
103
104
105
106 == 三、能力边界怎么落到制度上：三条红线与三条绿线 ==
107
108
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
112 **1、三条红线：必须人工确认的决策**
113
114 • 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
115
116 • 涉及合规、隐私、财务、客户承诺的：任何对外承诺、对客户组织的关键沟通，必须人工审核
117
118 • 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
119
120
121 **2、三条绿线：可以优先自动化或 AI 辅助的工作**
122
123 • 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
124
125 • 信息整理与证据收集：例如把日志、告警、工单历史汇总成可读摘要
126
127 • 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
128
129
130 **3、灰区：需要试点的能力**
131
132 • 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”
133
134 • AI 参与变更评审：先让 AI 提供风险提示与依赖关系分析，再决定是否让它参与推荐批准
135
136 • AI 生成面向客户的回复：先做内部草稿与人工审核，再逐步扩大范围
137
138 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。
139
140
141
142 == 四、治理设计的核心：控制点、证据链与责任分配 ==
143
144
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
148 **1、控制点怎么放**
149
150 控制点不是审批越多越好，而是要放在高风险决策处：
151
152 • AI 给出建议时，哪些建议必须触发人工批准
153
154 • AI 触发自动化动作时，哪些动作必须有安全阈值与回滚机制
155
156 • AI 输出用于对外沟通时，必须设置人工审核门槛
157
158
159 **2、证据链怎么留**
160
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：
162
163 • 记录 AI 参考了哪些数据源或知识条目
164
165 • 记录关键输入与关键输出
166
167 • 记录是谁批准了哪些动作，批准依据是什么
168
169 • 记录自动化执行了哪些步骤，失败时如何恢复
170
171
172 **3、责任怎么分配**
173
174 accountability 即“责任”楚：
175
176 • 决策责任：谁批准 AI 建议被采纳，谁就承担决策责任
177
178 • 执行责任：自动化执行由谁维护规则与脚本，谁承担执行责任
179
180 • 恢复责任：出现事故时谁负责恢复与协调
181
182 • 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
183
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。
185
186
187
188 == 五、用三个典型场景讲透：服务台、变更实施、知识管理 ==
189
190
191 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。
192
193
194 **场景一：服务台引入生成式 AI**
195
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：
197
198 • AI 用于“建议”还是用于“直接回复”？
199
200 • 对外回复是否必须人工审核？哪些类型的请求可以自动回复？
201
202 • 如果 AI 给出错误建议导致事故，升级路径是什么？谁有暂停权？
203
204 • 知识库与记录是否足够完整、准确、一致？数据治理是否到位？
205
206 • 可观测性如何做：错误率、升级率、回退率如何监控？
207
208
209 **场景二：变更实施与发布管理中的 AI 辅助**
210
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：
212
213 • 风险提示与依赖分析可以自动化
214
215 • 批准与最终决策必须由授权人承担责任
216
217 • 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
218
219
220 **场景三：知识管理与文档生成**
221
222 这是 AI 最适合切入的地方之一，但也最容易埋雷：
223
224 • AI 可以生成草稿与摘要，但必须有人工审核机制
225
226 • 知识条目必须具备来源与版本控制，否则错误会被规模化复制
227
228 • 你要建立反馈回路：哪些条目被引用、哪些条目导致误导、如何持续改进
229
230 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。
231
232
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。
234
235
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。
深圳市艾拓先锋企业管理咨询有限公司