Last modified by superadmin on 2026/02/09, 09:04
From version 1.1 >
edited by superadmin
on 2026/02/09, 15:52
To version < 3.1 >
edited by superadmin
on 2026/02/09, 17:04
>
Change comment: Uploaded new attachment "3.jpg", version {1}

Summary

Details

Icon Page properties
Title
... ... @@ -1,0 +1,1 @@
1 +AI 治理：为什么 ITIL 第5版把 AI 治理单拎出来讲
Parent
... ... @@ -1,0 +1,1 @@
1 + 长河 ITIL 第5版 最新解读和落地方法专栏文章.WebHome
Content
... ... @@ -1,0 +1,188 @@
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 +(% style="text-align:center" %)
6 +[[image:1.png||height="346" width="571"]]
7 +
8 +
9 +很多组织在推动 AI 时，最常见的表达是“我们要上一个大模型”“我们要做智能服务台”“我们要让 AI 自动化运维”。这些话都不算错，但它们刻意忽略了一个更关键的问题：
10 +
11 +• 谁来承担决策责任
12 +
13 +• 出错时怎么追溯
14 +
15 +• 风险边界在哪里
16 +
17 +• 数据如何被使用与保护
18 +
19 +
20 +从治理角度看，你要治理的不是模型本身，而是 AI 进入管理体系后带来的新型风险结构。AI 让建议与动作可以规模化，也让错误、偏见与幻觉可以规模化；AI 让决策链条更长，也让责任更容易被稀释。正因为如此，ITIL 第5版才会把 AI 治理单独拎出来：它不是一个“选修话题”，而是一条必须补齐的主干能力。
21 +
22 +
23 +== 一、更新内容概述：六个核心要点为什么最终都指向“AI 治理必须前置” ==
24 +
25 +按照惯例，本篇依然完整覆盖 ITIL 第5版更新内容要点概述。我会从合规与风险负责人的角度解释：这六个变化为什么让 AI 治理成为必修。
26 +
27 +**1、定位升级：数字产品和服务管理**
28 +
29 +当管理对象扩展到端到端数字产品与服务，AI 不再只影响后台效率，而会直接影响客户体验与业务结果。风险因此从“内部失误”升级为“外部影响”。
30 +
31 +**2、生命周期模型升级：八个活动覆盖从发现到支持**
32 +
33 +AI 会出现在多个活动中：发现、设计、构建、转换、运营、交付、支持。治理不能只盯某个部门，而要覆盖全生命周期。
34 +
35 +**3、人工智能进入方法论核心**
36 +
37 +这意味着 AI 不是项目，而是管理体系的一部分。只要进入体系，就必须有治理结构、可审计性与持续改进机制。
38 +
39 +**4、指导原则强调取舍**
40 +
41 +AI 治理的难点不在“禁止”，而在“取舍”：哪里可以自动化，哪里必须人工确认；哪里允许试点，哪里必须严格控制。
42 +
43 +**5、实践从清单走向组件库**
44 +
45 +AI 能力会作为组件被组合到不同实践中。没有统一治理规则，组件组合会把风险扩散到全系统。
46 +
47 +**6、持续改进对象扩大**
48 +
49 +AI 的表现会随数据、场景与环境变化。治理必须可更新，必须能通过持续改进不断修正边界与控制点。
50 +
51 +因此，AI 治理不是附加条款，而是 ITIL 第5版“AI 原生管理体系”的底座。
52 +
53 +
54 +== 二、AI 治理到底治理什么：三条主线，比“伦理口号”更重要 ==
55 +
56 +很多组织谈 AI 治理容易空泛。我建议你抓住三条主线，它们每一条都能落到制度与动作上。
57 +
58 +**1、风险边界：AI 可以做什么，不可以做什么**
59 +
60 +• 哪些场景允许 AI 直接对外沟通
61 +
62 +• 哪些场景 AI 只能给建议，不能自动执行
63 +
64 +• 哪些场景必须人工批准，必须保留人工确认点
65 +
66 +这条主线的本质是：把 AI 的作用域限定在可控范围内。
67 +
68 +**2、数据质量与数据治理：没有可靠数据，治理无从谈起**
69 +
70 +• 数据是否完整、准确、一致
71 +
72 +• 记录是否可追溯、可审计
73 +
74 +• 训练与推理用到的数据是否合规
75 +
76 +数据治理做不好，AI 治理就会退化成口号，因为你无法证明风险被控制。
77 +
78 +**3、决策责任：谁承担责任，谁被问责**
79 +
80 +• 谁批准 AI 建议被采纳
81 +
82 +• 谁批准自动化动作被执行
83 +
84 +• 出错时责任如何追溯到人
85 +
86 +AI 治理的核心，是防止责任被“算法”稀释。
87 +
88 +这三条主线加在一起，就是 AI 治理的骨架：边界、数据、责任。
89 +
90 +[[image:https://my.feishu.cn/space/api/box/stream/download/asynccode/?code=YjkzN2Q5YWM4ZGViZDNjY2YwZjQ3MmMwOGI3ZWIzNDlfWlNMVnR4SnBWWDJOZjRZcEIxenBEb25wWHhtaFZDbHdfVG9rZW46SE90NWJxbGZCbzdzd2R4UjBzTWNoSTNobjRlXzE3NzA2MjM1MjY6MTc3MDYyNzEyNl9WNA||height="294" width="514"]]
91 +
92 +
93 +== **三、为什么 AI 治理必须单独拎出来：因为 AI 改变了风险传播方式** ==
94 +
95 +传统管理体系里的错误传播通常是线性的：某个环节错了，影响逐步扩散。AI的风险传播更像指数级：
96 +
97 +• 一条错误知识被生成并复用，影响成百上千次回复
98 +
99 +• 一个错误分类规则被自动执行，错误分派规模化
100 +
101 +• 一个错误补救动作被自动触发，事故被自动放大
102 +
103 +因此，AI 治理必须回答一个新问题：如何在规模化之前截断风险传播。你需要的是“门禁与回滚”，而不是“事后追责”。
104 +
105 +
106 +== **四、AI 治理怎么做才可执行：四个机制，把治理落到系统里** ==
107 +
108 +治理如果只停在政策与宣导，就一定失败。可执行的 AI 治理至少要有四个机制。
109 +
110 +**1、场景分级与风险分级**
111 +
112 +• 对外沟通场景、关键业务功能场景、合规敏感场景，必须高等级控制
113 +
114 +• 内部辅助场景、低风险标准化场景，可以采用更轻量治理
115 +
116 +分级的意义是：把治理强度放在该放的位置。
117 +
118 +**2、人工确认点与授权边界**
119 +
120 +• 哪些 AI 建议必须人工批准
121 +
122 +• 哪些自动化动作必须由变更授权人批准
123 +
124 +• 谁拥有暂停权与回滚权
125 +
126 +没有人工确认点，治理就没有落点；没有授权边界，责任就会漂移。
127 +
128 +**3、证据链与可审计性默认开启**
129 +
130 +• AI 建议依据必须可追溯
131 +
132 +• 采纳与否必须留痕
133 +
134 +• 执行轨迹必须可回放
135 +
136 +这不是为了形式，而是为了在事故发生时能快速定位与纠偏。
137 +
138 +**4、持续监督与持续改进闭环**
139 +
140 +• 误导输出率、误分类率、自动化误触发率必须被度量
141 +
142 +• 超阈值必须触发暂停与复核
143 +
144 +• 有效修正必须固化为规则与门禁
145 +
146 +AI 会变，场景会变，治理也必须能跟着变。
147 +
148 +这四个机制一旦落到系统里，AI 治理就不再是抽象概念。
149 +
150 +
151 +== 五、你真正需要治理的风险类型：把风险说清楚，治理才会具体 ==
152 +
153 +为了避免泛泛而谈，我把 AI 相关风险按管理体系常见表现归成五类。你可以用来做治理清单，但更重要的是用来做“边界划分”。
154 +
155 +• **偏见**：某些类别用户被系统性误判或被忽视
156 +
157 +• **幻觉**：生成看似合理但实际错误的内容
158 +
159 +• **违规与泄露**：不当使用敏感数据，或对外泄露信息
160 +
161 +• **责任不清**：AI 建议被采纳后出错，却找不到责任人
162 +
163 +• **自动化误触发**：补救动作被错误触发，影响扩大
164 +
165 +治理不是把这些风险写在文档里，而是要给每类风险配置控制点：门禁、阈值、回滚与审计。
166 +
167 +
168 +== 六、AI 治理与价值系统如何联动：治理不是孤岛 ==
169 +
170 +ITIL 第5版讲价值系统五件套联动，AI 治理必须放在系统里理解，否则只能变成“合规部门的独角戏”。
171 +
172 +• **指导原则**：提供取舍语言，决定哪里可以快、哪里必须稳
173 +
174 +• **治理**：提供结构与责任，决定谁批准、谁监督、谁承担责任
175 +
176 +• **价值链**：提供落点，决定 AI 嵌入哪些活动、影响哪些价值流
177 +
178 +• **实践**：提供能力组件，决定控制点落在哪些流程与工具里
179 +
180 +• **持续改进**：提供更新机制，保证治理规则能随风险变化不断迭代
181 +
182 +当这五件套联动，AI 治理才会从“限制创新”变成“保障创新可持续”。
183 +
184 +
185 +ITIL 第5版把 AI 治理单独拎出来，是因为 AI 改变了风险传播方式，也改变了责任结构。你要治理的不是模型，而是风险边界、数据质量与决策责任。只要你建立场景分级、人工确认点、可审计性证据链与持续监督闭环，AI 才能成为放大组织能力的杠杆，而不是放大风险的放大器。
186 +
187 +
188 +我是AI+ITIL教练长河achotsao，欢迎+V：achotsao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。
Icon 3.jpg
Author
... ... @@ -1,0 +1,1 @@
1 +XWiki.superadmin
Size
... ... @@ -1,0 +1,1 @@
1 +61.8 KB
Content Icon
深圳市艾拓先锋企业管理咨询有限公司