ITIL v5：6C AI能力模型先别背，用它做一次“AI用例体检”

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。对很多组织来说，真正的困惑不是“要不要上AI”，而是“上什么AI、先上哪里、怎么上才不翻车”。热度永远不缺，工具也永远不缺，缺的是一种能把AI从概念拉回到管理能力的框架：让组织在做决策之前，先看清用例的价值边界、风险边界与数据门槛。

这正是6C AI能力模型的意义。很多人第一次接触这类模型，习惯把它当成考试要点去记：六个C分别是什么、每个C的定义是什么。背下来当然没坏处，但真正有价值的用法，是把它当成“体检表”，在立项前把AI用例过一遍，避免两种典型悲剧：要么做了半天发现价值不大；要么做得很快却把风险放大，最后不得不回到人工兜底，效率收益被抵消。

ITIL 第5版把AI治理放进核心语境之后，6C更像是一张能力地图：它告诉你，AI不是单点工具，而是一组能力组合;你不是在买一个模型，而是在建设一套可持续、可审计、可问责的组织能力。把6C用对了，体检一次，就能少走几个月弯路。

一、ITIL 第5版升级内容全景

在进入6C体检方法之前，先把ITIL 第5版的更新内容概述完整交代，因为6C并不是孤立的，它必须嵌在ITIL 第5版的整体结构里才能发挥作用。

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服务的整体，强调端到端价值交付。这意味着AI用例不应被局限在服务台或运维工具层，而要放进端到端价值流中评估：它到底改善了哪段旅程、哪类结果、哪种体验。

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、设计、获取、构建、转换、运营、交付、支持。AI用例可能出现在任何阶段，体检也必须能回答：它落在哪个阶段，如何与上下游协作，风险在哪些阶段被放大或被控制。

3）体验进入核心：价值不只看效率，更看旅程摩擦与结果

AI让流程更快不一定让体验更好。ITIL 第5版强调体验进入核心，意味着体检必须问：AI减少了哪些摩擦、是否引入新的摩擦、客户满意度是否会被真实改善。

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带来的不仅是效率机会，也是治理挑战。数据质量、责任边界、授权与问责、可审计性是硬底座。体检必须明确：这个用例需要什么数据门槛、谁承担问责、如何确保可审计性。

5）实践使用方式变化：从清单背诵走向情境化组合

AI落地往往需要多实践组合：事件管理、请求履行、知识管理、度量与报告、风险管理、信息安全等要被按环境拼装。体检要能提示：哪些实践能力不足会成为瓶颈。

有了这张全景图，6C体检就不再是“AI团队自己的事”，而会变成数字产品与服务管理体系的一部分：从价值、到数据、到治理、到持续改进，形成闭环。

二、6C AI能力模型的正确打开方式：它不是分类表，而是“立项前的风险与收益扫描仪”

做AI用例体检，目标不是把用例打分打到漂亮，而是快速识别三件事：

• 这件事值不值得做

• 它改善的是端到端价值，还是只优化了局部指标

• 它带来的收益是否可度量、可持续

• 这件事能不能做稳

• 数据门槛是否满足准确性、完整性与一致性

• 风险边界是否清晰，是否具备可审计性与问责机制

• 这件事该怎么排顺序做

• 先做哪一个C，后做哪一个C

• 哪些能力不足会让用例“看起来能做、实际上做不稳”

把这三件事扫清，才是6C体检的价值。接下来进入方法本身：如何体检、体检什么、如何下结论。

三、AI用例体检的标准流程：四步走，把热情变成可控决策

不论你要做的是智能服务台、自动分派、告警聚合、知识生成，还是风险评估与变更建议，都建议按四步体检流程推进。它比“先PoC再说”更省成本，也更符合ITIL 第5版强调的治理与可持续性。

第一步：定义用例的端到端结果与边界

很多AI用例失败不是技术问题，而是边界问题：目标不清、范围膨胀、期望失控。体检的第一步要把用例钉在端到端价值上。

建议明确三条边界：

业务结果边界

• 目标是缩短端到端周期时间，还是减少等待，还是提升满意度

触点边界

• AI介入哪些触点，改变谁的体验，影响哪些决策点

执行边界

• AI是只给建议，还是自动执行动作

• 哪些动作必须由授权人批准

边界不清，后面所有C都无从谈起。

第二步：用6C逐项扫描，找出收益来源与风险缺口

这一步是核心。不要急着求全，先求“看见缺口”。6C的具体命名在不同材料中可能存在表述差异，但体检时更重要的是每个C对应的能力维度与检查问题。以下给出一套可直接落地的体检问法，把6C变成可用工具。

第三步：给出体检结论与优先级顺序

体检不是写报告，而是为了决策。结论建议分成三类：

立即可做

• 数据质量过门槛，治理边界清晰，收益可度量

需要先补能力再做

• 用例方向对，但存在关键能力缺口（例如数据记录不一致、问责不清）

暂缓或收缩范围

• 收益不大、风险很高、或边界难以治理

第四步：把体检结果嵌入价值流与持续改进节奏

AI用例不是一次性上线，而是持续演进。体检结论要落到：

• 价值流的哪个环节试点

• 用什么最小度量集验证收益

• 用什么复盘节奏识别偏差并持续改进

这一步做不到，AI用例就很容易变成“上线即巅峰”，后续被噪声与风险拖垮。

四、6C体检清单：每个C问这几件事，就能快速识别缺口

下面进入最关键的部分：把6C变成体检清单。为了可操作，这里用“每个C三到五个问题”的方式呈现，读者可以直接把自己的用例逐条过一遍。

C1：Creation（生成）——AI产出的内容与建议到底用来干什么

这一类能力关心“AI产出什么、产出是否可用”。体检要问：

产出类型是什么

• 是文本（例如工单回复、知识条目），还是结构化结论（例如分类、优先级），还是行动建议（例如排障步骤）

产出使用场景是什么

• 面向内部员工，还是面向外部客户

• 产出一旦错误，会带来什么后果

产出验收标准是什么

• 什么叫正确、可用、合规

• 如何验证，谁负责验证

• 是否存在“看起来很好、实际上不可用”的风险

• 例如语气自然但事实错误

• 例如回答完整但不符合组织政策

如果这一关说不清，后面就别谈自动化，因为你连“产出是否合格”都无法判断。

C2：Curation（筛选与治理）——知识与数据是否干净，是否可追溯

这一类能力关心“输入与知识资产是否可靠”。体检要问：•

输入与知识从哪里来

• 数据与知识来源是什么

• 来自工单、变更记录、监控告警、知识库，还是外部文档

• 是否区分人工沉淀、系统记录、外部引入、AI 生成内容

输入是否满足质量门槛

• 数据质量是否达标

• 准确性、完整性、一致性是否满足要求

• 关键字段是否缺失

• 指标口径、术语定义是否统一

输入是否可追溯、可审计

• 是否可以追溯到具体来源

• 是否有版本信息与更新时间

• 是否支持审计与事后核查

输出是否“有据可查”

• 能否证明某次输出基于哪些数据或知识

• 是否能回答“你凭什么这么说”

知识是否存在污染风险

• 是否混入未经验证或低可信内容

• AI 生成内容是否会回流到知识库

• 回流前是否有审核机制与明确责任人

错误输入的风险评估

• 如果输入本身是错的，AI 是否会放大错误

• 是否存在“越用越脏”的风险

这是AI用例最常见的“隐形瓶颈”。很多团队一上来就做Creation，结果被Curation卡死：数据不干净，输出自然不稳。

C3：Communication（沟通）——AI如何与人协作，如何避免误导与信任损耗

这一类能力关心“AI输出如何被理解与使用”。体检要问：

输出是否足够透明

• AI 的关键假设是否明确说明

• 使用了哪些前提条件或默认判断

• 是否清楚区分事实、推断与建议

不确定性是否被显式表达

• 是否提示置信度、适用范围或不确定性

• 是否说明哪些地方可能是猜测、近似或补全

人机协作关系是否清晰

• 人在这个环节中扮演什么角色

  审核者、执行者，还是最终决策者

• 哪些情况下必须人工介入

• 哪些输出只能作为参考而不能直接执行

对用户体验的真实影响

• 输出更快是否真的带来更好的体验

• 是否引入新的摩擦

  反复确认

  表达含糊、解释成本上升

• 用户是否更容易理解和行动

误导与权威错觉风险

• 错误输出是否容易被当成“权威结论”

• 是否存在“说得很像专家但其实是错的”风险

• 是否通过措辞、展示方式降低误导性

纠错与升级机制是否存在

• 用户是否有明确的纠错入口

• 是否支持升级到人工处理

• 错误被发现后是否能被修正、反馈、闭环

很多AI用例的失败不是因为“答错”，而是因为“让人误以为答对”。信任损耗一旦发生，恢复成本很高。

C4：Coordination（协同与编排）——AI如何触发行动，如何把工作编排起来

这一类能力关心“从建议到行动”的链路是否可控。体检要问：

AI 输出会触发哪些动作

• 自动分派、自动升级、自动通知、自动补救等

• 是建议型输出，还是直接触发执行

自动执行的触发条件

• 触发条件与安全阈值是什么

• 哪些条件满足才能自动执行

• 是否区分高风险 / 低风险动作

异常与失控时的处理机制

• 触发异常时如何停止与降级

• 是否支持人工中断

• 是否有兜底路径

与现有工作流的对齐程度

• 与现有工作流如何对齐

• 是否会制造新的交接与等待

• 是否引入隐形瓶颈

与现有工具链的兼容性

• 是否与现有工具链冲突

• 是否绕过原有控制点

问责与授权机制

• 自动执行动作的授权人是谁

• 授权是一次性的，还是持续有效的

• 出错时责任链路是否清晰

Coordination做不好，AI就只能停留在“聊天机器人”层，无法形成真正的效率闭环；但Coordination做得太快，又会把风险放大，所以治理边界必须同时到位。

C5：Control（控制与治理）——风险边界、授权、问责、可审计性是否完整

这一类能力关心“在可控范围内获得收益”。体检要问：

风险边界是否明确

• 哪些决策可自动化

• 哪些必须人工批准

授权与权限控制

• 授权机制是否清楚

• 谁是授权人

• 授权条件是什么

问责机制是否可执行

• 谁承担问责

• 如何追溯到决策链路

• 是否存在“无人负责区”

可审计性是否满足要求

• 输入、决策、执行证据是否完整

• 是否支持事后审计与复盘

违规与异常处理机制

• 违规与异常如何处理

• 触发器是否明确

• 升级路径是否清晰

• 是否具备纠偏机制

Control是“必修课”的核心。没有Control，前面四个C做得越好，风险放大得越快。

C6：持续改进（持续改进）——上线之后如何变得更好，而不是更乱

这一类能力关心“长期可持续”。体检要问：

度量体系是什么

• 端到端周期时间、等待占比、返工次数、满意度是否纳入

• 指标口径是否明确、能否长期稳定采集

误差与偏差如何被捕捉

• 误差与偏差如何被捕捉

• 是靠抽检、反馈、对照实验，还是自动监测

哪些场景最容易出错

• 哪些场景最容易出错

• 是否识别高风险/高复杂度场景并单独监控

错误类型如何分类与统计

• 错误类型如何分类与统计

• 是否能区分“事实错误、策略不符、流程不匹配、体验误导”等类别

复盘节奏是什么

• 复盘频率

• 参与角色

• 输出物是什么（结论、行动项、变更清单等）

迭代策略如何制定

• 迭代策略如何制定

• 先修数据还是先调策略

• 先收缩边界还是先增加控制点

持续改进缺失时，AI用例常见路径是：上线初期看起来很强，三个月后被噪声与例外打垮，最后回到人工兜底，组织对AI产生疲劳与不信任。

五、体检结论怎么写才有用：给出“能做、怎么做、先做什么”

体检结果要能直接驱动行动。建议把结论写成三层：

能做什么

• 哪些场景适合先做，哪些要暂缓

怎么做

• 先在哪条价值流试点，AI角色是建议还是执行

• 关键控制点与授权机制如何配置

先做什么

• 六个C里最短板的是哪一个

• 先补数据治理与证据链，还是先补编排与自动化闭环

为了更易落地，可以把行动项按优先级写成：

• 第一优先：补Curation与Control

• 先把数据门槛、证据链、授权与问责补齐

• 第二优先：补Coordination

• 在可控边界内做自动化编排，形成闭环

• 第三优先：优化Communication与持续改进

• 降低误导风险，建立复盘节奏，让用例长期变好

这个顺序不是绝对，但在多数ITSM与平台场景里非常实用：数据与治理是地基，编排是骨架，沟通与改进是肌肉与神经。

六、常见误判与纠偏：为什么很多AI用例“看起来能做，最后做不稳”

用6C体检，最值钱的往往是提前识别误判。以下三类误判最常见：

• 误判一：把Creation当全部

只盯生成效果，不看数据质量与治理边界。纠偏方式是先补Curation与Control，把证据链与问责机制落地。

• 误判二：把自动化闭环当作越快越好

Coordination推进过快，触发条件与异常降级不清晰，导致误作扩大影响。纠偏方式是明确执行边界：先建议、后执行；先低风险、后高风险。

• 误判三：把上线当终点

没有持续改进节奏，偏差积累成噪声，最终回到人工兜底。纠偏方式是把度量与复盘固化为BAU，让用例持续演进。

这些误判背后其实只有一句话：AI用例不是模型问题，而是管理能力问题。6C体检的价值，就是把管理能力的缺口提前照出来。

ITIL v5时代用6C AI能力模型做“AI用例体检”的正确姿势，是把它当成一张能力地图而不是背诵清单：先用端到端价值与边界定义把用例钉住，再用Creation到持续改进逐项扫描识别收益与缺口，尤其优先补齐数据筛选与治理控制这两块硬底座，最后把试点嵌入价值流与复盘节奏;体检做得好，AI用例就能在可接受风险之内稳定释放效率与体验收益，而不是上线越快、翻车越快。

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。