由 superadmin 于 2026/05/27, 20:33 最后修改
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。
149
150
151 ==== ====
152
153 == 第一种能力：生成（Creation）—— 让AI"创造"新内容 ==
154
155 >**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。
156
157 **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。
158
159 **在ITSM场景中，Creation的典型用例：**
160
161 * 对用户的问题生成答案
162 * 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
163 * 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
164 * 起草服务描述或服务级别协议（SLA）
165 * 根据已定义的条件或业务规则生成工作流
166
167 **这一层的关键不是AI"能不能生成"，而是三件事：**
168
169 * 输入是否干净：记录是否完整、字段是否规范
170 * 输出是否可控：是否有人工审核与修改权
171 * 责任是否清晰：生成内容谁负责发布
172
173 如果没有这些控制，Creation很快会从"省时间"变成"制造错误"。
174
175 ----
176
177 == 第二种能力：整理（Curation）—— 让AI帮你"收拾烂摊子" ==
178
179 >**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。
180
181 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。
182
183 **Curation的典型用例：**
184
185 * 检测并标记过时的知识库文章
186 * 检测和清理产品和服务管理数据库中的重复记录
187 * 突出服务级别协议与供应商补充合同之间的差异
188 * 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
189
190 **在ITSM中，Curation的典型场景包括：**
191
192 * 知识条目去重与合并
193 * 将事件与问题、已知错误关联
194 * 把历史处理经验整理成可复用知识
195
196 **这一层的能力要求是：**
197
198 * 知识有生命周期
199 * 内容有版本与责任人
200 * AI的建议只是输入，不是最终裁决
201
202 没有Curation，生成式AI只会让知识库更"吵"。
203
204 ----
205
206 == 第三种能力：解释（Interpretation）—— 让AI帮你"看懂"信息 ==
207
208 >**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。
209
210 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）。
211
212 **Interpretation的典型用例：**
213
214 * 为管理报告总结复杂的事件工单
215 * 将知识文章重写以便更易理解
216 * 使用自然语言提示语，根据特定的上下文生成摘要报告
217 * 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
218
219 **在ITSM场景中，解释能力的价值：**
220
221 * 把海量的事件日志变成管理层能看懂的摘要
222 * 将技术语言翻译成业务语言
223 * 帮助非技术人员用自然语言查询数据
224
225 **这一层的边界：**
226
227 * AI做的是"翻译和提炼"，不是"下结论"
228 * 解释的准确性需要人来验证
229 * 过度依赖AI解释可能导致信息失真
230
231 ----
232
233 == 第四种能力：认知（Cognition）—— 让AI帮你"发现隐藏的模式" ==
234
235 >**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。
236
237 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。
238
239 **Cognition的典型用例：**
240
241 * 分析重大事件以更好地理解可能的原因和后果
242 * 检测反复出现的事件趋势，这表明存在更深层次的问题
243 * 识别流程或价值流中的瓶颈
244 * 识别复杂环境中因变化引起的潜在问题
245 * 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
246
247 **在ITSM中，认知能力对应的是：**
248
249 * 异常检测
250 * 根因推断候选路径
251 * 趋势预测
252 * 告警聚类与降噪
253
254 **这一层最容易被滥用：**
255
256 * AI给出的是"发现和建议"，不是"结论和判决"
257 * 误报率需要持续校正
258 * 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
259
260 ----
261
262 == 第五种能力：沟通（Communication）—— 让AI做"沟通界面" ==
263
264 >**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。
265
266 这是智能服务台最常被寄予厚望的一层能力。
267
268 **Communication的典型用例：**
269
270 * 聊天机器人帮助用户获得技术支持
271 * 虚拟智能体协助提交服务请求
272 * 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
273 * 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
274
275 **这一层的关键边界：**
276
277 * AI可以解释与引导
278 * AI不应做关键承诺
279 * 对外表达必须有模板与限制
280
281 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"。
282
283 ----
284
285 == 第六种能力：协调（Coordination）—— 让AI"执行和编排操作" ==
286
287 >**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。
288
289 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。
290
291 **Coordination的典型用例：**
292
293 * 对用户请求进行分类，并将其分配给最合适的团队
294 * 基于实时分析自动升级高影响事件
295 * 检测到特定错误、事态或趋势后触发补救工作流
296
297 **这一层的硬前提是：**
298
299 * 工作流清晰
300 * 权限与责任明确
301 * 所有动作可追溯、可回滚
302
303 没有清晰工作流，AI只会把混乱编排得更快。
304
305 ----
306
307 == 用6C做"AI用例体检"：一张真正实用的清单 ==
308
309 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：
310
311 **第一件：盘点现状——我们在哪几层已经有能力，哪些只是概念**
312
313 |=能力|=典型场景|=我们做到没有|=成熟度
314 |生成|自动生成事件摘要、变更说明|☐|低/中/高
315 |整理|知识条目去重与合并|☐|低/中/高
316 |解释|为管理报告总结事件工单|☐|低/中/高
317 |认知|检测事件趋势、识别瓶颈|☐|低/中/高
318 |沟通|聊天机器人技术支持|☐|低/中/高
319 |协调|自动分派、自动升级|☐|低/中/高
320
321 **第二件：排定顺序——下一步补哪一层最有价值、风险最可控**
322
323 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。
324
325 **第三件：对齐治理——哪些层级必须加强人工确认与审计**
326
327 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：
328
329 * **责任**：AI建议错了谁负责，自动操作错了谁负责
330 * **边界**：哪些场景允许自动，哪些必须人工确认
331 * **审计**：决策依据如何记录，事后如何追溯
332 * **纠偏**：模型如何被反馈、如何更新、如何防止旧错误复发
333
334
335
336 === 五、体检结论怎么写才有用：给出“能做、怎么做、先做什么” ===
337
338
339 体检结果要能直接驱动行动。 建议把结论写成三层：
340
341 **能做什么**
342
343 • 哪些场景适合先做，哪些要暂缓
344
345
346 **怎么做**
347
348 • 先在哪条价值流试点，AI角色是建议还是执行
349
350 • 关键控制点与授权机制如何配置
351
352
353 **先做什么**
354
355 • 六个C里最短板的是哪一个
356
357 • 先补数据治理与证据链，还是先补编排与自动化闭环
358
359
360 为了更易落地，可以把行动项按优先级写成：
361
362 **• 第一优先：补Curation与Control**
363
364 • 先把数据门槛、证据链、授权与问责补齐
365
366 **• 第二优先：补Coordination**
367
368 • 在可控边界内做自动化编排，形成闭环
369
370 **• 第三优先：优化Communication与持续改进**
371
372 • 降低误导风险，建立复盘节奏，让用例长期变好
373
374 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。
375
376
377
378 === 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” ===
379
380
381 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：
382
383 **• 误判一：把Creation当全部**
384
385 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。
386
387
388 **• 误判二：把自动化闭环当作越快越好**
389
390 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。
391
392
393 **• 误判三：把上线当终点**
394
395 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。
396
397 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。
398
399
400 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。
401
402
403 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