Jak umělá inteligence může transformovat ITSM: Případová studie zavedení ServiceNow

Zavádění umělé inteligence (AI) do oblasti řízení IT služeb (ITSM) není jen o implementaci technologického nástroje, ale o transformaci celkové organizace. Využití umělé inteligence, konkrétně nástrojů jako ServiceNow, přináší mnoho výzev, které se netýkají pouze technické stránky věci, ale také změny ve firemní kultuře, procesech a způsobu, jakým se přistupuje k podpoře uživatelů.

Začněme u klíčového faktoru této transformace – efektivity. GenAI schopnosti v ServiceNow jsou navrženy tak, aby urychlily a zautomatizovaly základní pracovní toky ITSM, přičemž si zachovávají nezbytnou kontrolu a kontext. Díky schopnostem jako je sumarizace chatů, návrhy řešení a generování znalostních článků dochází k výraznému snížení objemu tiketů a únavy agentů. Tento přínos není pouze technologický, ale má také významný dopad na pracovní morálku a efektivitu týmu.

Velkou roli v tomto procesu hrají IT manažeři, kteří musí nejen nasadit technologii, ale také ji správně implementovat v kontextu organizace. IT manažer je klíčovým aktérem při přechodu na tuto novou technologii – musí být schopný vytvořit strategii, podporovat přijetí technologie a zajistit její správné fungování v každodenní praxi.

V tomto kontextu je důležité si uvědomit, že AI v oblasti ITSM není pouze o automatizaci jednoduchých úkolů, ale o změně paradigmatu, které umožní prediktivní řešení problémů. Systémy AI mohou například detekovat vzory v chybách a navrhovat opravy ještě předtím, než se problémy projeví, což je krok směrem k proaktivní podpoře. Tato změna se týká i generování dokumentace na základě historii incidentů, což šetří čas agentů a zvyšuje kvalitu poskytovaných služeb.

Mimo technických aspektů je však důležitý i faktor přijetí a důvěry uživatelů. Customizace a lokalizace obsahu, jak v případě generování dokumentace, tak při nastavení tone of voice AI agentů, má přímý vliv na to, jak uživatelé vnímají službu. Přítomnost relevantního, správně formulovaného a jazykově přizpůsobeného obsahu je klíčová pro udržení vysoké úrovně důvěry ve službu.

Je také důležité si uvědomit, že i když implementace AI přináší spoustu přínosů, může být provázena výzvami v podobě změny pracovních postupů a adaptace zaměstnanců na nové technologie. Role IT manažera jako architekta přijetí AI se neomezuje pouze na technické nasazení, ale zahrnuje i řízení organizačních změn, zajištění souladu s obchodními cíli a podporu efektivní komunikace mezi týmy. Jen tak lze dosáhnout toho, že AI bude skutečně přínosná a že její implementace nebude pouze jednorázovou změnou, ale součástí kontinuálního zlepšování procesů v organizaci.

Tento transformační proces není pouze technický; je to cesta, která si vyžaduje vedení, vizi a schopnost přizpůsobit se novým výzvám a příležitostem, které AI nabízí. Je třeba nejen implementovat technologii, ale i vést organizaci k její efektivní adaptaci, čímž se zajistí dlouhodobý úspěch.

Jak změřit skutečný přínos AI v IT službách a proč je dlouhodobý pohled klíčový?

Michael věděl, že to, co se měří, se i řídí. Ale ještě důležitější bylo to, co se skutečně naslouchá – to se totiž zlepšuje. Aby zajistili, že implementace AI v rámci ServiceNow nebude jen efektní novinkou, ale skutečně přinese hodnotu, zavedli se svým týmem lehké, ale pravidelné zpětnovazební smyčky. Po každém vyřešení incidentu byly rozesílány krátké průzkumy, uživatelé mohli hlasovat pomocí rychlých anket ve Slacku nebo MS Teams a tým pravidelně organizoval retrospektivy po hlavních nasazeních.

Ale krátkodobé úspěchy nestačí. Michael a David pochopili, že opravdová hodnota se projeví až v dlouhodobém horizontu. Rozhodli se proto setkávat každé čtvrtletí a systematicky vyhodnocovat hlubší dopady: snižuje se fluktuace zaměstnanců? Zvyšuje se dlouhodobě spokojenost uživatelů? Má IT tým konečně prostor věnovat se strategickým projektům, místo neustálého hašení požárů?

Jejich cílem nebylo jen ukázat první vlnu dopadů, ale sledovat, jak se šíří jednotlivé vlnky – kumulativní efekty, které vytvářejí skutečnou transformaci.

Míra vyřešení při prvním kontaktu ukazuje, zda AI skutečně řeší problémy bez nutnosti eskalace. Pokud virtuální agent odpoví správně hned napoprvé, ušetří čas jak uživateli, tak IT týmu. Redukce objemu incidentů ukazuje, do jaké míry se daří automatizaci převzít opakující se požadavky – a které oblasti ještě zaostávají. Sledují se podle kategorií (např. hardware, software, aplikace), což umožňuje přesně identifikovat, kde je prostor ke zlepšení.

Rychlost řešení incidentů – další klíčová metrika – není jen otázkou efektivity. V digitálním světě je čas novou měnou loajality. Zkrácení doby na vyřešení žádostí znamená nejen vyšší spokojenost, ale i lepší pověst IT oddělení jako partnera, ne jen podpůrného servisu.

Snížení nákladů je měřítkem, které rozhoduje o tom, zda AI implementace není jen drahým experimentem. Automatizace rutinních procesů šetří čas i náklady a tyto úspory je třeba aktivně reinvestovat – například do inovačních projektů.

Zvýšení produktivity zaměstnanců je přirozeným důsledkem odstranění zbytečné práce. AI má tým posilovat, ne přetěžovat. Stejně tak spokojenost uživatelů – měřená například skóre CSAT nebo NPS – je zrcadlem úspěšnosti celé iniciativy. Nestačí však jen sledovat čísla, důležité jsou i komentáře a sentiment uživatelů.

Když jsou metriky stanoveny, přichází na řadu nástroje. ServiceNow nabízí vlastní Performance Analytics – centrum řízení KPI s možností vlastních dashboardů pro sledování vývoje v čase. Predictive Intelligence pak umožňuje nejen reagovat, ale i předvídat – od vzorců požadavků až po identifikaci úzkých hrdel dřív, než se projeví

Jak maximalizovat návratnost investic (ROI) při implementaci AI funkcí v ServiceNow

• 80% míra automatizace požadavků na služby: Virtuální agent automatizoval odpovědi na rutinní požadavky, což umožnilo agentům zaměřit se na složitější problémy.

• Zvýšená spokojenost zaměstnanců: Průměrná doba odezvy na požadavky na služby se výrazně zkrátila, což zlepšilo celkový zážitek zaměstnanců.

• Významné úspory nákladů: Automatizace běžných úkolů vedla k úsporám na mzdových nákladech, což přispělo k pozitivnímu návratu investic.

Přestože potenciální přínosy těchto technologií jsou jasné, organizace se mohou setkat s několika výzvami při maximalizaci ROI. Klíčovými překážkami bývá odpor ke změnám, problémy s kvalitou dat a složitost integrace. Aby bylo možné tyto výzvy překonat, je důležité postupovat strategicky a systematicky.

Pro zajištění maximálního ROI při implementaci AI funkcí v ServiceNow je nutné dodržovat několik osvědčených praktik:

1. Stanovení jasných cílů a očekávání: Před zahájením implementace by měly být cíle přesně definovány a měřitelné. Například místo nejasného cíle, jako je zlepšení správy incidentů, by měl být stanoven konkrétní cíl, například „snížení doby třídění tiketů o 10 % během následujících 60 dnů“.

2. Zapojení klíčových stakeholderů: Při plánování a realizaci AI implementace je nezbytné zapojit všechny klíčové zúčastněné strany. Čím více lidí je součástí procesu, tím větší je pravděpodobnost úspěchu a přijetí technologie. To zahrnuje nejen interní týmy, ale i koncové uživatele, kteří mohou poskytnout cennou zpětnou vazbu pro optimalizaci nasazených řešení.

3. Začít v malém a postupně škálovat: Mnoho IT manažerů je na začátku v pokušení zavést AI řešení napříč celou organizací najednou. Místo toho je lepší začít s malými pilotními projekty, testovat jejich účinnost a následně je postupně rozšiřovat.

4. Pravidelně hodnotit a optimalizovat: AI technologie se rychle vyvíjejí, a proto je důležité pravidelně hodnotit jejich efektivitu. Vyhodnocování výkonnostních metrik a zpětné vazby od uživatelů může pomoci identifikovat oblasti pro zlepšení a optimalizaci.

5. Zajistit efektivní řízení změn: Implementace nových technologií často znamená změny v pracovních procesech a zvyklostech zaměstnanců. Solidní strategie řízení změn je klíčová pro hladkou adopci AI nástrojů a maximalizaci jejich hodnoty.

Kromě těchto zásadních kroků je důležité si uvědomit, že výkonnost AI systémů není statická. Neustálé školení a zlepšování modelů je nezbytné pro udržení jejich efektivity. Průběžná aktualizace a optimalizace těchto nástrojů zaručují, že budou nadále plnit své úkoly na vysoké úrovni.

V neposlední řadě je nutné pravidelně hodnotit a vylepšovat strategie implementace AI. Sledování KPI a měření efektivity iniciativ pomáhá lépe porozumět tomu, co funguje, a co je potřeba upravit.

Je třeba mít na paměti, že i když implementace těchto technologií může být na papíře považována za úspěšnou, v praxi může dojít k tomu, že organizace nevyužije plný potenciál těchto nástrojů. To se často stává, když jsou nerealistická očekávání, zanedbané přípravy, nebo když se nepodaří efektivně zapojit uživatele. Takové situace se označují jako „value traps“ – pasti na hodnotu, kdy organizace selže v dosažení očekávaných přínosů navzdory investici do těchto nástrojů. Proto je důležité neustále diagnostikovat a napravovat chyby v implementaci, aby se zajistil skutečný a udržitelný přínos.

Jak může Agentic AI revolučně změnit správu IT služeb: Připravenost na budoucnost

Ve světě IT správy, kde každodenní operace vyžadují maximální efektivitu a minimalizaci prostojů, se stále více prosazuje prediktivní umělá inteligence (AI). Inovace v oblasti ITSM (správa IT služeb) spočívá v zavádění prediktivních modelů, které dokážou předvídat problémy, než se stanou vážnými incidenty. Příklad z praxe ukazuje, že implementace prediktivní inteligence, například prostřednictvím modulu ServiceNow Predictive Intelligence, vedla k poklesu počtu incidentů o 38 %, přičemž dříve se systém potýkal s více než 500 tikety týdně. Tato technologie je klíčem k optimalizaci služeb a minimalizaci ztrát, protože umožňuje včasné zjištění problémů ještě před tím, než dojde k jejich eskalaci.

Jako IT manažer je nutné začít s implementací AI na konkrétní, vysoce objemné typy CI (Configuration Items), jako jsou síťová zařízení či ERP systémy. Důležitou součástí je i integrace nástrojů pro analýzu logů, jako jsou Splunk nebo Datadog, které mohou být napojeny na vaši AI vrstvu. Definování prahových hodnot pro automatická upozornění a aktivaci mechanismů pro samoopravování je dalším krokem, který umožní analyzovat a později vyhodnocovat provozní data.

Self-Healing IT systémy

Rozšířená automatizace servisních desk

Významným krokem vpřed je také automatizace servisních desk díky integraci s velkými jazykovými modely (LLM), což umožňuje rychlý vývoj virtuálních agentů. Tato technologie, která rozumí záměru uživatele s vysokou přesností, zjednodušuje operace a podporuje efektivní vyřizování složitějších dotazů. Například generování souhrnů incidentů prostřednictvím kontextuálně citlivé generativní AI může každému agentovi ušetřit tři až pět minut na jeden tiket. V praxi to znamená výrazné zjednodušení každodenní práce na úrovni servisní desky.

Agentic AI: Autonomní budoucnost ITSM

Významným skokem v oblasti ITSM je přechod na agentní AI (Agentic AI), která se od tradičního AI liší tím, že se odstraňuje potřeba lidského zásahu pro rozhodování nebo korekce. Agentic AI, implementovaná například v systému ServiceNow, má schopnost převzít plnou zodpovědnost za určité úkoly, jednat autonomně a proaktivně dosahovat stanovených cílů. Tento typ AI využívá generativní umělou inteligenci, prediktivní analytiku a modely strojového učení k transformaci ITSM a dalších podnikových procesů.

Agentic AI není jen statický skript nebo rozhodovací strom, ale adaptivní, kontextuálně informovaná technologie, která dokáže rozumět datům, interagovat s pracovními toky a vykonávat složité operace s minimálním dohledem. Představte si, že zaměstnanec výrazně zvyšuje svou produktivitu tím, že dohlíží na autonomní agenty, kteří vykonávají úkoly za něj.

Proč by měl být Agentic AI relevantní pro manažery IT dnes?

Pokud máte agenta, který ne jen klasifikuje incidenty na základě historických údajů, ale také hodnotí současné obchodní priority, analyzuje závislosti na službách a navrhuje eskalaci problému ještě před tím, než dojde k vážné poruše, stává se to skutečností. To není hypotetické — podle zprávy AI Innovation Report 2024, firmy, které testovaly AI agenty, zaznamenaly zlepšení ve vyřizování incidentů a dodržování SLA již během prvních tří měsíců implementace.

Role Agentic AI v ITSM

Hodnota Agentic AI se rozkrývá prostřednictvím vícevrstvých schopností, a pro manažery IT je každá z těchto vrstev příležitostí přehodnotit způsob poskytování služeb. Automatizací rutinních a opakujících se úkolů mohou AI agenty uvolnit kapacity pro složitější úkoly, zjednodušit pracovní procesy a zlepšit produktivitu. Hlavní výhody, které přináší, zahrnují:

• Automatizace složitých rozhodování: Agentic AI dokáže řídit složité pracovní toky, jako je prioritizace incidentů na základě obchodního dopadu, automatické přidělování zdrojů a doporučování dalších služeb. To vede k rychlejším a přesnějším reakcím, zejména v prostředích s vysokým objemem incidentů.

• Akce v reálném čase a s ohledem na kontext: Na rozdíl od předchozích automatizovaných systémů, které čekaly na externí spouštěče, jsou AI agenty proaktivní. Na základě dat z celé organizace mohou reagovat na změny v podnikových podmínkách, například eskalovat vysoce prioritní incident ještě před jeho rozšířením.

• Přizpůsobení AI agentů specifickým potřebám: Služby je možné přizpůsobit pomocí vlastních AI agentů, které budou spolupracovat s vašimi týmy a efektivně spravovat pracovní toky od začátku až do konce.

Agentic AI může pracovat vedle vašich týmů a poskytovat lepší podporu, aniž by narušovala lidskou kontrolu. Implementace tohoto systému v rámci ITSM přináší revoluční změny v efektivitě, produktivitě a spolehlivosti, což je klíčem k budoucnosti IT správy.

Jak umělá inteligence transformuje procesy řízení změn a problémy v ITSM?

Jednou z klíčových funkcí AI v rámci změnového managementu je predikce dopadů změn. Pomocí historických dat dokáže AI odhadnout potenciální rizika spojená s navrhovanými změnami a poskytne týmům nástroje k lepší přípravě a plánování pro možné komplikace. Tento přístup značně zvyšuje přesnost hodnocení rizik a minimalizuje negativní důsledky, které mohou vzniknout při zavádění nových technologií. Automatizované schvalování změn je dalším příkladem, kde AI zjednodušuje proces schvalování změn na základě předem definovaných pravidel a vzorců, čímž urychluje celý proces a zvyšuje agilitu organizace.

V případě neúspěchu změny, například v důsledku chyby při nasazení nové verze softwaru, může AI spustit automatizované rollback procedury, což znamená okamžité vrácení systému do předchozího stavu na základě stanovených parametrů. Tento krok nejen minimalizuje dobu výpadku, ale i snižuje riziko dlouhotrvajících problémů s dostupností služeb. Tento typ přístupu je pro tradiční IT projekty složitý, ale v rámci AI projektů, kde jsou změny častější a jejich dopad hlubší, je nezbytný pro udržení kontinuity služeb a minimalizaci negativních vlivů na operace.

Nicméně v prostředí AI projektů čelí změnový management i specifickým výzvám. Tyto projekty často vyžadují komplexní změny v podnikových procesech, pracovních postupech a dokonce i ve firemní kultuře, což činí samotný proces změn složitější a rozsáhlejší než u tradičních IT projektů. Iterativní a experimentální povaha vývoje AI vyžaduje rychlé přizpůsobování, časté úpravy a vysokou toleranci k nejistotám, což představuje výzvu pro zavedené postupy řízení změn, které bývají více lineární a předvídatelné.

AI projekty jsou vysoce závislé na datech, což znamená, že organizace musí disponovat robustním systémem pro správu dat a novými technickými dovednostmi, aby dokázaly efektivně koordinovat IT, datovou vědu a obchodní týmy. Komunikace a koordinace napříč těmito funkcemi je složitější a klade větší důraz na týmovou spolupráci, což může být výzvou pro efektivní řízení změn. K tomu se přidává odpor k změnám, který je v prostředí AI ještě intenzivnější díky strachu z nahrazení pracovních míst, nedostatečné informovanosti a obavám o transparentnost a etické aspekty AI.

Dalším důležitým faktorem je správa governance, compliance a etických aspektů v rámci AI projektů. Tento problém se prohlubuje, protože je třeba zajistit odpovědné využívání technologií, ochranu soukromí a odpovědnost za rozhodnutí, což u tradičních IT projektů není tak akutní. Rychlý vývoj AI technologií znamená, že organizace musí neustále přizpůsobovat své procesy, aktualizovat dovednosti svých zaměstnanců a vyvíjet nové metody řízení změn, což činí řízení změn dlouhodobým úsilím, nikoliv jednorázovým procesem.

Telenor, známá telekomunikační společnost, čelila častým výpadkům služeb v důsledku změn při nasazování nových technologií. Využití modelů AI k predikci dopadů změn a implementaci automatizovaných hodnocení rizik jim pomohlo snížit incidenty způsobené změnami o 70 % a zkrátit schvalovací cykly o 40 %. Tento přístup nejen zlepšil agilitu nasazování změn, ale zároveň umožnil dodržet stanovené normy a regulace.

Proaktivní správa problémů, v rámci které se AI zaměřuje na analýzu incidentů, aby zjistila jejich příčiny, je dalším klíčovým bodem. AI technologie, jako je analýza velkých dat, strojové učení a zpracování přirozeného jazyka, umožňují odhalit skryté vzorce, které by tradiční metody nezachytily. To nejen zrychluje identifikaci a opravu problémů, ale i pomáhá organizacím vytvářet odolné a samouzdravující systémy. Příkladem je implementace AI-driven analytiky u Telstra, největší australské telekomunikační společnosti, která vedla k poklesu opakovaných incidentů o 35 % a zlepšení doby řešení základních příčin o 50 %.

Další významnou oblastí, kde se AI projevuje, je v virtuálních agentech a chatbotech. Tyto nástroje se stávají nedílnou součástí ITSM, protože umožňují uživatelům řešit problémy bez nutnosti přímé interakce s lidskými agenty. AI virtuální agenti jsou k dispozici 24/7 a mohou automaticky řešit běžné incidenty, což zrychluje celý proces a šetří čas jak uživatelům, tak IT specialistům. S každou interakcí se zlepšuje jejich schopnost porozumět složitým dotazům a poskytovat personalizované odpovědi.

Virtualizace těchto agentů je v AI projektech neocenitelná, protože kromě běžné technické podpory dokážou detekovat vzory v datech, předpovědět potenciální problémy a aktivně upozornit uživatele na možné výpadky nebo údržbu. Jakmile agent není schopen vyřešit problém, automaticky přesměruje požadavek na lidského agenta, což usnadňuje a zrychluje přechod mezi automatizovaným a lidským řešením. Tento přístup nejen zlepšuje efektivitu ITSM, ale i snižuje provozní náklady a zároveň zajišťuje vysokou kvalitu služby.