Ostatnio obserwujemy boom na AI – sztuczna inteligencja wdrażana jest wszędzie, spotkać ją możemy zarówno w organizacjach (np. Copilot), na stronach (np. streszczenia artykułów, sugestie odpowiedzi) czy w centrach obsługi klientów albo sklepach internetowych (np. boty do obsługi zapytań).
Problem nie polega jednak na tym, że firmy wdrażają AI, bo wielu przypadkach AI rzeczywiście ułatwia życie, automatyzuje, redukuje koszty i przyspiesza wiele procesów. Problem w tym, że wiele z nich robi to na bałaganie procesowym i słabych danych licząc, że technologia i sztuczna inteligencja naprawią brak dyscypliny operacyjnej i wynikające z tego problemy.
AI stała się zatem synonimem transformacji cyfrowej, o której wszyscy mówią, niewielu rozumie, a wielu wdraża „bo inni mają i nie można zostać w tyle”.
Jeżeli nie wiadomo o co chodzi, to chodzi o pieniądze
Decyzja o wdrożeniu AI najczęściej podyktowana jest optymalizacją kosztów, w obiektywnie krótkim czasie pozwala na redukcję kosztów dzięki automatyzacji i wdrożeniu botów (chatboty zamiast kosztownego wsparcia 24/7, automatyzacja raportów i analiz, monitoring systemów i przewidywanie zdarzeń).
Poza tym AI łatwiej się skaluje wraz z rozrostem organizacji, a automatyczne i szybkie analizy wielu danych pozwalają na – przynajmniej w założeniach – poprawę doświadczenia i jakości obsługi klienta. W praktyce jednak skuteczność takich rozwiązań bywa przedmiotem dyskusji, szczególnie w sytuacjach wymagających indywidualnego podejścia, gdzie część klientów nadal wyraźnie preferuje bezpośredni kontakt z konsultantem (piszę to na podstawie doświadczeń własnych i wielu rozmów z innymi na ten temat). Organizacje są tego świadome, jednak decyzje o wdrażaniu AI często wynikają z konieczności zachowania efektywności kosztowej i skalowalności operacyjnej. Bo nawet jeśli nie mówi się o tym otwarcie, AI po prostu pozwala robić więcej (albo przynajmniej tyle samo) bez zwiększania zatrudnienia (o działaniach redukcyjnych nie będę mówić, bo to drażliwy temat).
Bałagan operacyjny i proceduralny
Czasami jednak nie chodzi o koszty, a przynajmniej nie jest to priorytetowy temat. Organizacje po wyczerpaniu pomysłów na usprawnienie swojego ekosystemu IT postanawiają wdrożyć AI celem poprawy wydajności (choć jak wiadomo – lepsza wydajność = większe zyski). I tu pojawia się zgrzyt – bo bez dobrych danych wejściowych AI w Twojej organizacji nie przyniesie korzyści. Innymi słowy – jeżeli masz bałagan w organizacji i brakuje Ci podstaw, powstanie luka w uczeniu się AI i będziesz nadal mało wydajny i nieuporządkowany, tylko szybciej i automatycznie.
Jak działa AI?
AI działa poprzez uczenie się na danych wejściowych, rozpoznawanie wzorców i przewidywanie kolejnych elementów. W procesie trenowania model analizuje ogromne wolumeny danych i uczy się zależności pomiędzy elementami informacji: słowami, strukturami zdań, sekwencjami zdarzeń oraz kontekstem ich występowania. Efektem tego procesu nie jest „wiedza” w ludzkim rozumieniu, lecz model matematyczny opisujący prawdopodobieństwo wystąpienia kolejnych elementów na podstawie danych wejściowych.
W czasie działania model nie wyszukuje jednej „poprawnej” odpowiedzi ani nie weryfikuje jej zgodności z rzeczywistością i kontekstem organizacji. Modele językowe nie sprawdzają faktów i nie weryfikują odpowiedzi z rzeczywistością. Ich zadaniem jest przewidzieć najbardziej prawdopodobną kolejną sekwencję tokenów (słów) na podstawie: danych treningowych, kontekstu dostarczonego w zapytaniu i dodatkowych danych (np. z bazy wiedzy, jeśli jest podłączona). Jeżeli danych brakuje, są sprzeczne lub nieaktualne, albo pytanie wykracza poza dostępny kontekst, model i tak wygeneruje odpowiedź, bo do tego został zaprojektowany. I wtedy właśnie pojawiają się halucynacje.
A jak to przełożyć na ITSM?
W przypadku wdrożenia AI do ITSM, model uczy się na zbiorach danych: tekstach, zgłoszeniach (m.in. wnioski [requests] incydenty [incidents], problemy [problems] i inne), dokumentacji, logach systemowych, bazach wiedzy, konfiguracji CMDB. Jeżeli nie masz odpowiedniej dyscypliny w organizacji, danych dobrej jakości, tj. uporządkowanych i aktualnych, AI nauczy się chaosu i będzie produkować bezwartościowe, nieaktualne i nieadekwatne wyniki.
W praktyce jakość działania AI jest więc bezpośrednio uzależniona od jakości danych wejściowych. Jeżeli są niekompletne, niespójne, nieaktualne lub zawierają błędy, model nauczy się tych błędów i będzie je powielał – co więcej, często w bardzo przekonującej formie.
Brak odpowiedniego zarządzania ITSM, kultury uzupełniania danych w zgłoszeniach, spójności w klasyfikacji zgłoszeń, nazewnictwie lub strukturze rekordów bezpośrednio przekłada się na jakość rekomendacji, kategoryzacji, automatyzacji i tworzonych treści.
Ale ja chcę AI w mojej organizacji dla poprawy ITSM!
AI może usprawnić Twój system zarządzania usługami IT, ale pod warunkiem zachowania odpowiedniej kontroli i weryfikacji. Wdrażaj rozwiązania stopniowo, sprawdzając dane tworzone przez sztuczną inteligencję.
Zanim jednak zaczniesz to robić, sprawdź co masz „pod maską”. Upewnij się, że masz odpowiednio zbudowany system zarządzania usługami IT, właściwie zdefiniowane procesy oraz odpowiedzialności.
Sprawdź istniejące artykuły, wzmocnij bazę wiedzy i usuń nieaktualne dane, wdróż kulturę odpowiedniego opisywania zgłoszeń i ich rozwiązań. Po prostu upewnij się, że AI nie będzie uczyć się niewłaściwych informacji, bo potem będzie trudniej – zarówno posprzątać bałagan, jak i odzyskać utracone zaufanie użytkowników. Pamiętaj – garbage in, garbage out (śmieci na wejściu – śmieci na wyjściu).
Jeżeli na początku zaprezentujesz użytkownikom rozwiązanie AI, które zamiast wspierać – wprowadzi chaos, przy kolejnym wdrożeniu dużo trudniej będzie odbudować zaufanie.
A nie mogę stworzyć agenta, który będzie pisał mi artykuły?
Jest to możliwe, ale ryzykowne – wracamy do tematu danych wejściowych i działania samej AI, w tym ryzyka halucynacji. Generalnie technicznie jest to wykonalne. Agent może generować artykuły w bazie wiedzy na podstawie:
- ticketów (incydenty, requesty),
- runbooków / SOP,
- Known Errors,
- logów i post-incident reviews.
i tworzyć pierwsze wersje How-to, FAQ, streszczenia rozwiązań, drafty artykułów po incydentach. Rzecz w tym, że AI potrafi brzmieć bardzo pewnie, nawet gdy się myli i dodać krok, którego nie było, pominąć jakiś warunek, uprościć coś, co jest krytyczne, nie uwzględnić kontekstu organizacji. Dlatego bardzo ważna jest wspomniana już weryfikacja.
Możesz jednak zdecydować, by AI pomogło Ci pisać szkice, wstępne wersje, streszczenia, które będą podlegały weryfikacji przez SME (Subject Matter Expert – specjalista w danej tematyce).
To może agent, który będzie sprawdzał poprawność?
To jest opcja, od której warto zacząć, bo dzięki temu łatwiej zweryfikujesz istniejące rekordy. Możesz zdefiniować agentów, którzy będą sprawdzali kompletność danych i tworzyli rekomendacje – ale nie treści i rozwiązań technicznych, a jedynie jakość stworzonego artykułu na podstawie ustalonych kryteriów. Zatem agent może sprawdzić:
- zgodność z szablonem i standardami, i wskazać gdzie tego brakuje,
- zweryfikować kompletność, np. brak sekcji, brak jakiegoś kroku,
- zidentyfikować braki i ryzyka, np. brak właściciela artykułu, brak aktualizacji/daty przeglądu,
- niespójności logiczne lub błędy gramatyczne/językowe.
Taki agent powinien wykazać, że czegoś brakuje, ale nie wypełniać ani poprawiać tego samodzielnie. Jest to bezpieczne rozwiązanie, w dużym stopniu odciążające zespoły pracujące nad jakością danych, bo weryfikacja przebiega szybciej i pozwala skupić się na istotnej pracy, czyli poprawie merytorycznej treści.
Jak jeszcze bezpiecznie mogę wykorzystać AI w ITSM?
Wielu dostawców oferuje proste rozwiązania, które można wdrożyć szybciej, np. tworzenie podsumowań czatów, zgłoszeń i innych rekordów czy wsparcie w pisaniu treści (o czym wspomniałam już wyżej). To są najbezpieczniejsze rozwiązania, do których na początku nie trzeba dobrych jakościowo treści.
Z czasem, po weryfikacji treści i zapewnieniu dobrych jakościowo danych w istniejących rekordach, możesz wykorzystać AI jako chatboty, które będą wspierać użytkowników końcowych rekomendując kroki do samodzielnego rozwiązania problemu albo odpowiednie artykuły z bazy wiedzy.
Kolejnym krokiem, dla automatyzacji i wydajności może być wdrożenie agentów, którzy będą sortowali, kategoryzowali, przekierowywali oraz rozwiązywali najczęstsze zgłoszenia, co pozwoli na skupienie się na trudniejszych i bardziej krytycznych sprawach. Co jednak jest w tym wszystkim niezmiennie najważniejsze – dane, na których pracuje AI, muszą być dobrej jakości, a procesy muszą być uporządkowane, by nie wprowadzić większego chaosu i nie proponować rozwiązań, które nie mają racji bytu.
Co teraz?
AI nie jest strategią ani lekarstwem na problemy operacyjne. Jest narzędziem, które wzmacnia to, co już istnieje – zarówno dobre praktyki, jak i chaos. Jeżeli Twoje procesy są niejasne, dane niekompletne, a baza wiedzy przestarzała, AI nie uporządkuje tego za Ciebie za jednym kliknięciem. Sprawi jedynie, że błędy będą skalować się szybciej i szerzej.
Dlatego zanim podejmiesz decyzję o wdrożeniu AI, najpierw odpowiedz sobie na pytanie „na czym ma się ona uczyć”. W ITSM fundamentem nadal pozostają procesy, odpowiedzialność i jakość danych. AI może być kolejnym krokiem – ale nie pierwszym. Najbezpieczniejszym podejściem jest rozpoczęcie od weryfikacji kompletności danych, spójności artykułów i standaryzacji treści. Dopiero na tej bazie warto myśleć o chatbotach, agentach rozwiązujących zgłoszenia czy automatyzacji decyzji.
A jeśli nie wiesz w jakim stanie są Twoje dane i czy Twoja organizacja jest gotowa na wdrożenie sztucznej inteligencji – zapraszam do kontaktu.