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。 

第一种能力：生成（Creation）—— 让AI"创造"新内容

官方定义：AI根据提示或触发器生成全新的输出。包括制作内容、代码、文档或任何其他之前不存在的工件。

Creation是大多数组织最先接触到的能力。生成文本、摘要、说明、草稿，这是生成式AI最直接的应用方式。

在ITSM场景中，Creation的典型用例：

• 对用户的问题生成答案
• 为沟通生成个性化文本，调整信息以适应利益相关方的语言、角色和偏好
• 根据结构化的发布数据，自动生成发布说明、变更公告和部署计划
• 起草服务描述或服务级别协议（SLA）
• 根据已定义的条件或业务规则生成工作流

这一层的关键不是AI"能不能生成"，而是三件事：

• 输入是否干净：记录是否完整、字段是否规范
• 输出是否可控：是否有人工审核与修改权
• 责任是否清晰：生成内容谁负责发布

如果没有这些控制，Creation很快会从"省时间"变成"制造错误"。

第二种能力：整理（Curation）—— 让AI帮你"收拾烂摊子"

官方定义：AI通过识别冗余、过时信息、不一致或不合规之处来改善现有数据或知识的质量、组织结构和相关性。

很多组织跳过这一层直接冲别的，但如果你不整理数据底座，后面的能力就都是空中楼阁。

Curation的典型用例：

• 检测并标记过时的知识库文章
• 检测和清理产品和服务管理数据库中的重复记录
• 突出服务级别协议与供应商补充合同之间的差异
• 通过检查与已批准的公司政策和规则的一致性来验证文件

在ITSM中，Curation的典型场景包括：

• 知识条目去重与合并
• 将事件与问题、已知错误关联
• 把历史处理经验整理成可复用知识

这一层的能力要求是：

• 知识有生命周期
• 内容有版本与责任人
• AI的建议只是输入，不是最终裁决

没有Curation，生成式AI只会让知识库更"吵"。

第三种能力：解释（Interpretation）—— 让AI帮你"看懂"信息

官方定义：AI通过总结、改写、重组或翻译，帮助用户查找、理解、定位或改进现有内容。

这是教材中6C模型的第三种能力（注意：不少文章把这一层误写为"Classification分类"，这是不准确的）。

Interpretation的典型用例：

• 为管理报告总结复杂的事件工单
• 将知识文章重写以便更易理解
• 使用自然语言提示语，根据特定的上下文生成摘要报告
• AI增强的IT成本分类和归因，以实现准确的成本分配、分析和报告

在ITSM场景中，解释能力的价值：

• 把海量的事件日志变成管理层能看懂的摘要
• 将技术语言翻译成业务语言
• 帮助非技术人员用自然语言查询数据

这一层的边界：

• AI做的是"翻译和提炼"，不是"下结论"
• 解释的准确性需要人来验证
• 过度依赖AI解释可能导致信息失真

第四种能力：认知（Cognition）—— 让AI帮你"发现隐藏的模式"

官方定义：AI识别数据中的模式、异常或隐藏的见解，从而实现主动检测、预测和分析。

注意：不少文章把这一层写成"Calculation计算"，这也是偏差。教材原文是Cognition（认知），它不是做数学运算，而是发现数据中人类不容易察觉的模式。

Cognition的典型用例：

• 分析重大事件以更好地理解可能的原因和后果
• 检测反复出现的事件趋势，这表明存在更深层次的问题
• 识别流程或价值流中的瓶颈
• 识别复杂环境中因变化引起的潜在问题
• 根据历史使用模式和季节性趋势，预测系统工作负载的增加情况

在ITSM中，认知能力对应的是：

• 异常检测
• 根因推断候选路径
• 趋势预测
• 告警聚类与降噪

这一层最容易被滥用：

• AI给出的是"发现和建议"，不是"结论和判决"
• 误报率需要持续校正
• 如果直接让AI自动执行基于认知的决策，而没有质量门槛与回滚机制，风险会被迅速放大

第五种能力：沟通（Communication）—— 让AI做"沟通界面"

官方定义：AI作为一种沟通性界面，帮助用户与服务和系统自然地互动。

这是智能服务台最常被寄予厚望的一层能力。

Communication的典型用例：

• 聊天机器人帮助用户获得技术支持
• 虚拟智能体协助提交服务请求
• 为终端用户提供个性化的重大事件沟通，调整信息以适应他们的语言、角色和偏好
• AI智能体进行调查、收集反馈，并应用情感分析来评估和报告利益相关方的满意度

这一层的关键边界：

• AI可以解释与引导
• AI不应做关键承诺
• 对外表达必须有模板与限制

成熟组织往往先让AI"解释系统在发生什么"，而不是"代表组织承诺结果"。

第六种能力：协调（Coordination）—— 让AI"执行和编排操作"

官方定义：AI自主在系统间执行、协调或触发操作，通常是响应事件、请求或模式。

这是很多组织真正开始感受到AI价值的层级，也是风险最高的一层。

Coordination的典型用例：

• 对用户请求进行分类，并将其分配给最合适的团队
• 基于实时分析自动升级高影响事件
• 检测到特定错误、事态或趋势后触发补救工作流

这一层的硬前提是：

• 工作流清晰
• 权限与责任明确
• 所有动作可追溯、可回滚

没有清晰工作流，AI只会把混乱编排得更快。

用6C做"AI用例体检"：一张真正实用的清单

作为ITSM或平台负责人，你可以用6C模型做三件非常现实的事：

第一件：盘点现状——我们在哪几层已经有能力，哪些只是概念

第二件：排定顺序——下一步补哪一层最有价值、风险最可控

6C模型的价值在于：它给你一个很合理的推进顺序。不是"先上哪个技术"，而是"先建哪类能力"。先夯实数据与责任（生成→整理→解释），再引入认知与协调，AI才会成为放大组织能力的杠杆，而不是放大风险的放大器。

第三件：对齐治理——哪些层级必须加强人工确认与审计

ITIL第5版强调治理，不是为了给你加审批，而是为了让AI能力可控、可追溯、可纠偏。对AI能力来说，治理至少要回答四个问题：

• 责任：AI建议错了谁负责，自动操作错了谁负责
• 边界：哪些场景允许自动，哪些必须人工确认
• 审计：决策依据如何记录，事后如何追溯
• 纠偏：模型如何被反馈、如何更新、如何防止旧错误复发

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。

欢迎加长河老师微信achotsao，深入交流ITIL 第5版最新资讯。