Version 5.1 by superadmin on 2026/02/20, 15:26
Show last authors
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 (% style="text-align:center" %)
5 [[image:1.png||height="336" width="554"]]
6
7 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。
8
9
10 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。
11
12
13 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。
14
15
16
17 === 一、ITIL 第5版升级内容全景 ===
18
19
20 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。
21
22 ==== 1）定位升级：从服务管理走向数字产品与服务管理 ====
23
24 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。
25
26
27 ==== 2）生命周期模型升级：八个阶段覆盖从想法到退役 ====
28
29 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。
30
31
32 ==== 3）体验进入核心：价值不只看效率，更看旅程摩擦与结果 ====
33
34 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。
35
36
37 ==== 4）AI进入框架中心：从工具话题走向治理与能力边界 ====
38
39 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。
40
41
42 ==== 5）实践使用方式变化：从清单背诵走向情境化组合 ====
43
44 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。
45
46 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。
47
48
49
50 === 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” ===
51
52
53 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：
54
55 • 这件事值不值得做
56
57 • 它改善的是端到端价值，还是只优化了局部指标
58
59 • 它带来的收益是否可度量、可持续
60
61 • 这件事能不能做稳
62
63 • 数据门槛是否满足准确性、完整性与一致性
64
65 • 风险边界是否清晰，是否具备可审计性与问责机制
66
67 • 这件事该怎么排顺序做
68
69 • 先做哪一个C，后做哪一个C
70
71 • 哪些能力不足会让用例“看起来能做、实际上做不稳”
72
73 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。
74
75
76 (% style="text-align:center" %)
77 [[image:2.jpg||height="305" width="311"]]
78
79 === ===
80
81 === 三、AI用例体检的标准流程：四步走，把热情变成可控决策 ===
82
83
84 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。
85
86 ==== 第一步：定义用例的端到端结果与边界 ====
87
88 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。
89
90 建议明确三条边界：
91
92 **业务结果边界**
93
94 • 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
95
96 **触点边界**
97
98 • AI介入哪些触点，改变谁的体验，影响哪些决策点
99
100 **执行边界**
101
102 • AI是只给建议，还是自动执行动作
103
104 • 哪些动作必须由授权人批准
105
106 边界不清，后面所有C都无从谈起。
107
108
109 ==== 第二步：用6C逐项扫描，找出收益来源与风险缺口 ====
110
111 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。
112
113
114 ==== 第三步：给出体检结论与优先级顺序 ====
115
116 体检不是写报告，而是为了决策。 结论建议分成三类：
117
118 **立即可做**
119
120 • 数据质量过门槛，治理边界清晰，收益可度量
121
122 **需要先补能力再做**
123
124 • 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）
125
126 **暂缓或收缩范围**
127
128 • 收益不大、风险很高、或边界难以治理
129
130
131 ==== 第四步：把体检结果嵌入价值流与持续改进节奏 ====
132
133 AI用例不是一次性上线，而是持续演进。 体检结论要落到：
134
135 • 价值流的哪个环节试点
136
137 • 用什么最小度量集验证收益
138
139 • 用什么复盘节奏识别偏差并持续改进
140
141 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。
142
143
144
145 === 四、6C体检清单：每个C问这几件事，就能快速识别缺口 ===
146
147
148 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。
149
150
151 ==== C1：Creation（生成）——AI产出的内容与建议到底用来干什么 ====
152
153 这一类能力关心“AI产出什么、产出是否可用”。 体检要问：
154
155 **产出类型是什么**
156
157 • 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）
158
159 **产出使用场景是什么**
160
161 • 面向内部员工，还是面向外部客户
162
163 • 产出一旦错误，会带来什么后果
164
165 **产出验收标准是什么**
166
167 • 什么叫正确、可用、合规
168
169 • 如何验证，谁负责验证
170
171 • 是否存在“看起来很好、实际上不可用”的风险
172
173 • 例如语气自然但事实错误
174
175 • 例如回答完整但不符合组织政策
176
177 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。
178
179
180 ==== C2：Curation（筛选与治理）——知识与数据是否干净，是否可追溯 ====
181
182 这一类能力关心“输入与知识资产是否可靠”。 体检要问：•
183
184 **输入与知识从哪里来**
185
186 * (((
187 数据与知识来源是什么
188 )))
189 * (((
190 来自工单、变更记录、监控告警、知识库，还是外部文档
191 )))
192 * (((
193 是否区分人工沉淀、系统记录、外部引入、AI 生成内容
194 )))
195
196 **输入是否满足质量门槛**
197
198 * (((
199 数据质量是否达标
200 )))
201 * (((
202 准确性、完整性、一致性是否满足要求
203 )))
204 * (((
205 关键字段是否缺失
206 )))
207 * (((
208 指标口径、术语定义是否统一
209 )))
210
211 **输入是否可追溯、可审计**
212
213 * (((
214 是否可以追溯到具体来源
215 )))
216 * (((
217 是否有版本信息与更新时间
218 )))
219 * (((
220 是否支持审计与事后核查
221 )))
222
223 **输出是否“有据可查”**
224
225 * (((
226 能否证明某次输出基于哪些数据或知识
227 )))
228 * (((
229 是否能回答“你凭什么这么说”
230 )))
231
232 **知识是否存在污染风险**
233
234 * (((
235 是否混入未经验证或低可信内容
236 )))
237 * (((
238 AI 生成内容是否会回流到知识库
239 )))
240 * (((
241 回流前是否有审核机制与明确责任人
242 )))
243
244 **错误输入的风险评估**
245
246 * (((
247 如果输入本身是错的，AI 是否会放大错误
248 )))
249 * (((
250 是否存在“越用越脏”的风险
251 )))
252
253 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。
254
255
256 ==== C3：Communication（沟通）——AI如何与人协作，如何避免误导与信任损耗 ====
257
258 这一类能力关心“AI输出如何被理解与使用”。 体检要问：
259
260 **输出是否足够透明**
261
262 * (((
263 AI 的关键假设是否明确说明
264 )))
265 * (((
266 使用了哪些前提条件或默认判断
267 )))
268 * (((
269 是否清楚区分事实、推断与建议
270 )))
271
272 **不确定性是否被显式表达**
273
274 * (((
275 是否提示置信度、适用范围或不确定性
276 )))
277 * (((
278 是否说明哪些地方可能是猜测、近似或补全
279 )))
280
281 **人机协作关系是否清晰**
282
283 * (((
284 人在这个环节中扮演什么角色
285
286 审核者、执行者，还是最终决策者
287 )))
288 * (((
289 哪些情况下必须人工介入
290 )))
291 * (((
292 哪些输出只能作为参考而不能直接执行
293 )))
294
295 **对用户体验的真实影响**
296
297 * (((
298 输出更快是否真的带来更好的体验
299 )))
300 * (((
301 是否引入新的摩擦
302
303 反复确认
304
305 表达含糊、解释成本上升
306 )))
307 * (((
308 用户是否更容易理解和行动
309 )))
310
311 **误导与权威错觉风险**
312
313 * (((
314 错误输出是否容易被当成“权威结论”
315 )))
316 * (((
317 是否存在“说得很像专家但其实是错的”风险
318 )))
319 * (((
320 是否通过措辞、展示方式降低误导性
321 )))
322
323 **纠错与升级机制是否存在**
324
325 * (((
326 用户是否有明确的纠错入口
327 )))
328 * (((
329 是否支持升级到人工处理
330 )))
331 * (((
332 错误被发现后是否能被修正、反馈、闭环
333 )))
334
335 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。
336
337
338 ==== C4：Coordination（协同与编排）——AI如何触发行动，如何把工作编排起来 ====
339
340 这一类能力关心“从建议到行动”的链路是否可控。 体检要问：
341
342 **AI 输出会触发哪些动作**
343
344 * (((
345 自动分派、自动升级、自动通知、自动补救等
346 )))
347 * (((
348 是建议型输出，还是直接触发执行
349 )))
350
351 **自动执行的触发条件**
352
353 * (((
354 触发条件与安全阈值是什么
355 )))
356 * (((
357 哪些条件满足才能自动执行
358 )))
359 * (((
360 是否区分高风险 / 低风险动作
361 )))
362
363 **异常与失控时的处理机制**
364
365 * (((
366 触发异常时如何停止与降级
367 )))
368 * (((
369 是否支持人工中断
370 )))
371 * (((
372 是否有兜底路径
373 )))
374
375 **与现有工作流的对齐程度**
376
377 * (((
378 与现有工作流如何对齐
379 )))
380 * (((
381 是否会制造新的交接与等待
382 )))
383 * (((
384 是否引入隐形瓶颈
385 )))
386
387 **与现有工具链的兼容性**
388
389 * (((
390 是否与现有工具链冲突
391 )))
392 * (((
393 是否绕过原有控制点
394 )))
395
396 **问责与授权机制**
397
398 * (((
399 自动执行动作的授权人是谁
400 )))
401 * (((
402 授权是一次性的，还是持续有效的
403 )))
404 * (((
405 出错时责任链路是否清晰
406 )))
407
408 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。
409
410
411 ==== C5：Control（控制与治理）——风险边界、授权、问责、可审计性是否完整 ====
412
413 这一类能力关心“在可控范围内获得收益”。 体检要问：
414
415 **风险边界是否明确**
416
417 * (((
418 哪些决策可自动化
419 )))
420 * (((
421 哪些必须人工批准
422 )))
423
424 **授权与权限控制**
425
426 * (((
427 授权机制是否清楚
428 )))
429 * (((
430 谁是授权人
431 )))
432 * (((
433 授权条件是什么
434 )))
435
436 **问责机制是否可执行**
437
438 * (((
439 谁承担问责
440 )))
441 * (((
442 如何追溯到决策链路
443 )))
444 * (((
445 是否存在“无人负责区”
446 )))
447
448 **可审计性是否满足要求**
449
450 * (((
451 输入、决策、执行证据是否完整
452 )))
453 * (((
454 是否支持事后审计与复盘
455 )))
456
457 **违规与异常处理机制**
458
459 * (((
460 违规与异常如何处理
461 )))
462 * (((
463 触发器是否明确
464 )))
465 * (((
466 升级路径是否清晰
467 )))
468 * (((
469 是否具备纠偏机制
470 )))
471
472 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。
473
474
475 ==== C6：持续改进（持续改进）——上线之后如何变得更好，而不是更乱 ====
476
477 这一类能力关心“长期可持续”。 体检要问：
478
479 **度量体系是什么**
480
481 * (((
482 端到端周期时间、等待占比、返工次数、满意度是否纳入
483 )))
484 * (((
485 指标口径是否明确、能否长期稳定采集
486 )))
487
488 **误差与偏差如何被捕捉**
489
490 * (((
491 误差与偏差如何被捕捉
492 )))
493 * (((
494 是靠抽检、反馈、对照实验，还是自动监测
495 )))
496
497 **哪些场景最容易出错**
498
499 * (((
500 哪些场景最容易出错
501 )))
502 * (((
503 是否识别高风险/高复杂度场景并单独监控
504 )))
505
506 **错误类型如何分类与统计**
507
508 * (((
509 错误类型如何分类与统计
510 )))
511 * (((
512 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
513 )))
514
515 **复盘节奏是什么**
516
517 * (((
518 复盘频率
519 )))
520 * (((
521 参与角色
522 )))
523 * (((
524 输出物是什么（结论、行动项、变更清单等）
525 )))
526
527 **迭代策略如何制定**
528
529 * (((
530 迭代策略如何制定
531 )))
532 * (((
533 先修数据还是先调策略
534 )))
535 * (((
536 先收缩边界还是先增加控制点
537 )))
538
539 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。
540
541
542
543 === 五、体检结论怎么写才有用：给出“能做、怎么做、先做什么” ===
544
545
546 体检结果要能直接驱动行动。 建议把结论写成三层：
547
548 **能做什么**
549
550 • 哪些场景适合先做，哪些要暂缓
551
552
553 **怎么做**
554
555 • 先在哪条价值流试点，AI角色是建议还是执行
556
557 • 关键控制点与授权机制如何配置
558
559
560 **先做什么**
561
562 • 六个C里最短板的是哪一个
563
564 • 先补数据治理与证据链，还是先补编排与自动化闭环
565
566
567 为了更易落地，可以把行动项按优先级写成：
568
569 **• 第一优先：补Curation与Control**
570
571 • 先把数据门槛、证据链、授权与问责补齐
572
573 **• 第二优先：补Coordination**
574
575 • 在可控边界内做自动化编排，形成闭环
576
577 **• 第三优先：优化Communication与持续改进**
578
579 • 降低误导风险，建立复盘节奏，让用例长期变好
580
581 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。
582
583
584
585 === 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” ===
586
587
588 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：
589
590 **• 误判一：把Creation当全部**
591
592 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。
593
594
595 **• 误判二：把自动化闭环当作越快越好**
596
597 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。
598
599
600 **• 误判三：把上线当终点**
601
602 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。
603
604 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。
605
606
607 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。
608
609
610 欢迎加长河老师微信achotsao，深入交流ITIL 第5版最新资讯。
深圳市艾拓先锋企业管理咨询有限公司