ITIL v5：数据质量不是口号，AI时代逼着你重做数据治理

一、ITIL 第5版已发布，数据治理从“最好有”变成“必须先有”

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。

ITIL v5（中文语境下通常称为ITIL 第5版）已经正式发布。 很多人把这次升级理解为“框架更大了、覆盖更广了、AI也写进去了”，这些都对，但站在数据与平台负责人的角度，最值得重视的其实是一个更朴素的变化：数据质量不再是“做得好会加分”，而是“做不好会直接让AI与自动化失效”。

过去几年，很多组织都经历过类似场景：AI试点做了，演示很好看；上线后效果开始漂移，误判越来越多，最后不得不把关键步骤退回人工，把所谓的自动化变成“半自动化”，效率收益被反复纠错消耗掉。 问题往往不在算法（algorithm，算法）不够强，也不在算力不够，而在最基础的三件事没过门槛：数据不完整、口径不一致、证据链不可追溯。 你把AI塞进这种底座里，得到的不是更聪明的系统，而是更快扩散偏差的系统。

ITIL 第5版把AI治理推到核心语境之后，数据治理的地位自然被抬高。 因为一旦AI参与决策链路，组织就必须回答：凭什么相信它、错了怎么纠偏、出了事谁承担问责、如何证明可审计性。 这些问题听起来像治理问题，最终都会落回数据问题：没有稳定的数据资产与治理机制，你无法持续获得收益，更无法把风险关进边界里。

二、ITIL 第5版升级内容全景

把“数据质量为什么变成硬门槛”讲清楚，必须先把ITIL 第5版的更新内容要点完整交代，因为数据治理不是孤立话题，它与管理对象、生命周期、体验与AI治理强耦合。

1）定位升级：从服务管理走向数字产品与服务管理

ITIL 第5版把管理对象扩展为数字产品与数字化服务的整体，强调端到端价值交付。 数据不再只是运维侧的日志与告警，也不只是BI报表，而是贯穿产品与服务全生命周期的共同资产：上游用于洞察与设计，中段用于风险控制与转换，下游用于运营、交付与支持闭环。

2）生命周期模型升级：八个阶段覆盖从想法到退役

ITIL 第5版提出产品与服务生命周期的八个阶段：发现（Discover，发现）、设计（Design，设计）、获取（Acquire，获取）、构建（Build，构建）、转换（Transition，转换）、运营（Operate，运营）、交付（Deliver，交付）、支持（Support，支持）。 每一阶段都会产生数据与记录：洞察记录、验收标准、配置、发布说明、变更记录、事件与工单、知识条目、度量与报告。 生命周期拉长后，数据质量差带来的后果也会从局部放大到端到端。

3）体验进入核心：体验的好坏需要证据，而证据来自数据

ITIL 第5版强调体验进入核心，意味着组织要能度量触点摩擦、旅程质量与客户满意度。 体验不可能靠感觉管理，最终一定要落到数据：触点停留、等待、反复确认、返工、升级失败、一次解决率等都需要可靠记录，否则体验就只能停留在口头争论。

4）AI进入框架中心：从工具话题走向治理与能力边界

ITIL 第5版强调AI带来效率机会，也带来治理挑战。 想在可接受风险之内使用AI，必须有数据准确性、完整性、一致性，以及明确的责任、授权与问责机制，还要具备可审计性。 没有这些条件，AI输出再“像人”，也只是不可控建议。

5）实践使用方式变化：实践不是清单，而是围绕价值流的组合

在ITIL 第5版语境里，实践更像组件库。 数据治理要和度量与报告、知识管理、风险管理、信息安全、监控与事态管理、事件管理、变更实施等实践组合，嵌入价值流形成闭环。 数据治理不再是“单独一条线”，而是“所有实践的底座”。

这五点决定了本篇的核心判断：ITIL 第5版之所以让数据质量变成硬门槛，不是因为框架偏爱数据，而是因为端到端价值交付、体验度量与AI治理都离不开可用的数据资产。

三、AI时代为什么逼着你重做数据治理：真正的痛点不是“数据少”，而是“数据不可信”

数据治理最容易被误解成“建个数据湖、打通接口、上个主数据”。 这些当然重要，但在AI与自动化场景里，最致命的问题往往不是数据量不够，而是数据不可信、不稳定、不可追溯。 所谓“重做”，不是推倒重来，而是把治理从“工程项目”变成“运行机制”。

从落地经验看，AI时代逼着你重做数据治理，通常来自三股压力同时到来：

• 压力一：决策链路被拉长，错误传播速度更快

以前数据错了，可能只影响一张报表；现在数据错了，可能影响分类、分派、优先级、自动触发行动，最后变成事故或投诉。 风险传播速度变了，容错空间就小了。

• 压力二：跨系统协作更频繁，口径不一致会制造系统性摩擦

同一个“事件”在A系统叫事件，在B系统叫故障，在C系统叫告警；同一个“服务”在不同团队有不同边界；同一个“优先级”在不同部门有不同含义。 口径不一致会直接制造等待与返工，端到端价值流会不断绕路。

• 压力三：治理要求更现实，问责与可审计性必须落到证据链

当AI参与决策，组织必须回答“为什么这样做”“依据是什么”“谁批准的”。 如果证据链缺失，问责就会变成吵架，治理就会变成形式，最后只能退回“多审批、多人工”，效率收益被抵消。

这三股压力叠加在一起，会把数据治理从“最好做”变成“必须先做”。 你可以不追求一步到位，但不能没有最小闭环。

四、最常见的三类根因：不完整、不一致、不可追溯

把问题说得再大，落地时仍然要回到根因。 数据质量之所以成为硬门槛，通常不是因为某个系统崩了，而是因为这三类根因长期存在、却被当成“正常现象”。

1）记录不完整：缺字段、缺链路、缺上下文

最常见的情况是：工单有标题没影响范围，变更有描述没回滚，告警有时间没关联服务，事件有结论没证据。 看起来都“记录了”，实际上无法支撑决策与复盘。

在AI与自动化场景里，不完整会造成两类后果：

• 误判：模型只能基于残缺事实给出貌似合理的结论

• 失控：自动化无法验证前置条件与后置结果，触发错误行动

需要特别警惕的是：不完整不是偶发问题，它往往来自流程与工具的默认设计。 你不改机制，它不会自己变好。

2）口径不一致：同名不同义、同义不同名

口径不一致最容易制造“指标漂亮但问题不见”的幻觉。 不同团队各自优化各自的数字，端到端却没有改善。 更严重的是，AI把这些口径混在一起，会把噪声当信号，把例外当规则。

典型表现包括：

• 优先级定义不同，导致分派与升级混乱

• 服务边界不同，导致责任不清、交接增多

• 状态字段不同，导致生命周期追踪断裂

• 指标计算方法不同，导致报告无法对齐

口径不一致不是靠“开会对齐一次”解决的，它需要制度化：统一定义、统一字典、统一校验规则、统一数据契约。

3）不可追溯：缺版本、缺来源、缺审批链

可追溯不仅是合规要求，更是工程与治理的基本能力。 不可追溯会让组织陷入一种低效状态：问题发生时只能靠猜，猜不到就加审批，加了审批又更慢，最后变成组织性的内耗。

不可追溯常见于：

• 关键字段被覆盖却无历史版本

• 知识条目回流缺少来源与审核人

• 变更与发布记录缺少证据与批准链

• 事件复盘缺少输入数据与关联记录

当AI参与决策，缺证据链会直接让治理失效：既无法证明合理性，也无法快速纠偏。

五、别急着做大：数据治理的最小闭环应该先解决“能用、可信、可审计”

很多平台团队一谈治理就想“一次性做全”。 结果往往是项目很大、周期很长、落地很慢，最后被业务节奏打断。 更稳的做法，是先建立最小治理闭环，把“能用、可信、可审计”做出来，再扩面。

建议把最小闭环拆成五个抓手，每个抓手都能直接对应到ITIL 第5版的端到端价值与AI治理要求。

抓手一：先定口径，再谈打通

先选一条价值流或一个关键场景，把必要口径统一起来。 不要从全域开始，从“高价值、高频、高风险”的对象开始。

可优先统一的口径通常包括：

• 服务与产品边界

• 事件与请求的分类与状态

• 优先级与影响范围

• 关键时间点：创建、响应、升级、恢复、关闭

• 验收标准与结果定义

口径先统一，打通才有意义；否则你只是把不一致搬到同一张表里。

抓手二：定义“必须字段”与校验规则，把不完整堵在入口

数据质量不是靠事后清洗，而是靠入口控制。 把关键记录的必须字段定义清楚，并用工具做校验。

例如：

• 事件记录必须包含影响范围、证据链接、恢复验证方式

• 变更记录必须包含风险评估、回滚计划、批准链

• 工单必须包含服务/组件映射、优先级依据、用户环境信息

把“必须字段”做成默认机制，比事后追责有效得多。

抓手三：建立证据链与版本机制，确保可追溯与可审计

证据链不必一开始就做得很重，但必须存在。 至少要能回答：输入是什么、决策是什么、执行了什么、结果怎样。

建议优先覆盖：

• 变更与发布：输入证据、批准链、执行记录、回滚记录

• 事件处理：关联告警、关键日志、处置步骤、恢复验证

• 知识回流：来源、审核人、版本、适用范围与失效条件

证据链一旦建立，复盘质量会立刻提高，治理也会从“拍脑袋”变成“有证据”。

抓手四：把责任边界讲清楚：谁维护口径，谁维护数据质量，谁对结果问责

数据治理失败的常见原因不是没工具，而是没人负责。 责任要分清三层：

• 定义责任：谁定义口径与字段标准

• 维护责任：谁维护映射关系与字典

• 结果问责：数据质量影响决策与体验时，谁承担问责

责任一清，治理才会变成日常经营，而不是临时运动。

抓手五：用最小度量集驱动持续改进，让治理能“自己变好”

没有度量，治理就只能靠感觉推进。 建议用最小度量集把治理变成可管理对象：

• 完整性指标：关键记录必须字段的缺失率

• 一致性指标：口径冲突与映射失败次数

• 追溯性指标：关键链路证据缺失率

• 使用性指标：知识条目复用率、一线一次解决率变化

• 影响指标：端到端周期时间、等待占比、返工次数变化

度量不是为了报表好看，而是为了持续改进。 你能量化，才能迭代。

六、把治理嵌入价值流：三类场景优先做，收益最稳

如果要在有限资源下优先选择治理切口，更建议从“能直接提升端到端价值交付与体验，并且能支撑AI治理”的场景入手。

场景一：支持与运营数据

• 工单、事件、告警、知识库

• 直接影响一次解决率、升级效率与满意度

场景二：转换阶段数据

• 变更、发布、风险评估、回滚与批准链

• 直接影响风险曲线与可审计性

场景三：体验与度量数据

• 端到端周期时间、等待占比、旅程摩擦点

• 直接把“体验进入核心”落地为可度量对象

先把这三块做稳，AI与自动化的收益会更可持续，也更可控。

七、最容易踩的三种坑：一旦出现，就要果断纠偏

数据治理一旦走偏，成本会越来越高。 以下三种坑最常见，也最致命。

• 坑一：只做“打通”，不做“口径与入口控制”

打通之后问题更大，因为你把不一致规模化了。 纠偏的关键是先统一定义与校验规则。

• 坑二：把治理当项目，不把责任与节奏固化到BAU

项目结束就回到老样子。 纠偏的关键是把责任、度量与复盘节奏固化为日常经营。

• 坑三：急着上AI，把数据质量当后续再补

AI效果漂移、误判增多，最后退回人工。 纠偏的关键是先建最小闭环：必须字段、证据链、问责机制、可审计性。

这些坑背后共同点是：忽略了“治理是运行机制”。 ITIL 第5版强调的正是这种机制化能力，而不是一次性工程。

我个人的体会：ITIL v5之所以把数据质量推成硬门槛，是因为ITIL 第5版把端到端数字产品与服务管理、体验度量与AI治理放进同一条主轴：没有完整、一致、可追溯的数据资产与证据链，AI与自动化就无法在可接受风险之内稳定释放收益；与其追求一次性做大，不如先用口径统一、入口校验、证据链可审计、责任边界清晰和最小度量集建立治理闭环，让数据治理成为可持续的日常经营能力。

欢迎加长河老师微信achotsao，深入交流ITIL 第5版最新资讯。