Если вы сегодня откроете брошюру любой ITSM‑платформы, то почти наверняка увидите один и тот же набор AI*‑терминов: AI‑агенты, RAG, agentic AI, AIOps, MCP. Язык AI в ITSM уже сформировал собственный словарь — и он меняется быстрее, чем большинство ИТ‑команд успевает за ним следить.
*Искусственный интеллект (Artificial intelligence, AI).
AI уже давно присутствует в ITSM. Большинство современных ITSM‑платформ используют функции вроде автоматической классификации обращений с помощью машинного обучения, виртуальных агентов, которые обрабатывают типовые запросы — например, на доступ к ПО или оформление онбординга — через обработку естественного языка, а также рекомендации по знаниям на основе деталей входящего тикета. Некоторые вендоры предлагают и более продвинутые возможности, например анализ тональности, дающий представление об опыте сотрудников, а также предиктивные модели, которые группируют похожие инциденты и выявляют потенциальные проблемы и крупные инциденты.
Почему AI‑термины важны в современном ITSM
Однако AI‑стек большинства ITSM‑платформ строится на трёх базовых технологиях: машинном обучении для распознавания закономерностей в масштабе, обработке естественного языка (natural language processing, NLP), которая делает запросы пользователей машинно‑читаемыми, и больших языковых моделях (large language models, LLM), которые генерируют текст, код и многое другое.
По мере развития AI‑возможностей в сфере ITSM развивается и связанный с ними словарь. Но пять терминов особенно часто встречаются в продуктовых дорожных картах и обзорах аналитиков. Если вы хотите расширять AI‑инициативы или выбирать следующую ITSM‑платформу, на эти возможности стоит обращать особое внимание.
1. Агентный ИИ (Agentic AI)
Что такое Agentic AI и почему ITSM внедряет его одним из первых?
Agentic AI — это термин, обозначающий AI‑системы, способные принимать решения и выполнять многошаговые действия для достижения заданной цели при минимальном участии человека. Если традиционная автоматизация следует фиксированному сценарию («если категория заявки = запрос на ПО, то запустить процесс предоставления доступа»), то agentic AI рассуждает о проблеме, планирует последовательность действий и адаптируется, если возникают неожиданные события.
В ITSM это переход от AI, который помогает, к AI, который решает. Система agentic AI не просто предлагает специалисту решение инцидента; она анализирует инцидент, определяет путь устранения, выполняет его и фиксирует результат — всё это в рамках управляемых ограничений.
Эта модель рассматривается как следующая эволюция AI и «AISM» (AI service management), поскольку она делает восстановление и предоставление сервиса настолько эффективными, насколько это позволяет современная технология.
2. AI agents
Как AI‑агенты меняют сервис-деск
AI‑агент — это AI‑технология, которая способна воспринимать окружающую среду, принимать решения и автономно действовать. Если agentic AI — это подход, то AI‑агент — это исполнитель этого подхода. В большинстве корпоративных реализаций используется несколько специализированных агентов: каждый отвечает за свою функцию, а центральный AI‑агент решает, какого специализированного агента вызвать и в какой последовательности.
ITSM‑платформы всё чаще предлагают библиотеки агентов или конструкторы, позволяющие разворачивать специализированных агентов под конкретные задачи: knowledge‑agent, который формирует заметки по решению на основе прошлых инцидентов; remediation‑agent, который диагностирует и исправляет проблемы на конечных устройствах; provisioning‑agent, который от начала до конца обрабатывает запросы на доступ к ПО. Gartner прогнозирует, что к концу 2026 года 40% корпоративных приложений будут встроено содержать AI‑агентов.
Создание специализированных агентов важно ещё и потому, что каждого AI‑агента можно отдельно управлять и аудитировать, задавая собственные права доступа, ограничения и уровни допустимого риска.
3. Retrieval‑Augmented Generation (RAG)
Что такое RAG и почему он улучшает ответы AI в ITSM?
Генерация с дополненной выборкой (Retrieval‑augmented generation, RAG) — это архитектура, которая повышает точность AI‑ответов за счёт подбора релевантной информации из подключённых источников до генерации ответа на запрос пользователя. RAG извлекает конкретные документы, статьи базы знаний или историю тикетов, чтобы расширить контекст LLM за пределы того, чему модель была обучена. Такое добавление контекста помогает выдавать более релевантные и ситуационно точные ответы, основанные на данных вашей ITSM‑среды, а не на общих тренировочных данных.
Именно этот механизм лежит в основе большинства AI‑подсказок по знаниям в современных ITSM‑решениях. Он же позволяет AI‑агентам ссылаться на прошлые инциденты или формировать ответ, учитывающий политики вашей организации, а не просто общие лучшие практики.
4. AIOps
Как AIOps модернизирует управление инцидентами
AIOps применяет машинное обучение и аналитику к телеметрии ИТ‑операций, чтобы выявлять закономерности, снижать объём шума и предсказывать инциденты до того, как они попадут в сервис-деск. Gartner ввёл термин artificial intelligence for IT operations (AIOps) в 2016 году, и сегодня он уже прочно закрепился в отрасли. Если ITSM сосредоточен на управлении услугами и их непрерывностью, то AIOps фокусируется на ИТ‑инфраструктуре и сигналах, которые она производит и которые указывают на аномалии.
Сейчас эти две области всё сильнее сближаются. Современные ITSM‑платформы получают AIOps‑оповещения и запускают на их основе проактивные процессы управления инцидентами. Это позволяет обогащать тикеты инфраструктурным контекстом и связывать пользовательские обращения с лежащими в основе техническими проблемами. Вместо того чтобы специалист вручную сверял мониторинговые панели и очереди инцидентов, платформа уже определила вероятную причину и приложила к карточке нужную телеметрию.
5. Model Context Protocol (MCP)
Что такое MCP и почему он важен для enterprise AI?
Протокол контекста модели (Model Context Protocol, MCP) — это открытый протокол, который стандартизирует подключение AI‑моделей к внешним инструментам, источникам данных и системам. Без MCP каждую интеграцию между LLM или AI‑агентом и корпоративным приложением пришлось бы делать через собственный кастомный коннектор. MCP предоставляет стандартный интерфейс, который позволяет LLM и AI‑агентам обнаруживать доступные инструменты, понимать их возможности и взаимодействовать с ними единообразно.
Для ITSM это важно, потому что от этого зависит, насколько бесшовно AI сможет работать в вашей экосистеме инструментов. LLM или агент полезен только тогда, когда он может обратиться в ITSM‑систему, обновить тикет, запросить данные из CMDB или запустить workflow в инструменте управления конечными устройствами (end point management, EPM). MCP делает такое межсистемное взаимодействие практичным, без необходимости писать отдельные интеграции для каждой пары систем.
Пример: AI‑агент должен обработать запрос на предоставление доступа. Через MCP он:
- запрашивает детали заявки в ITSM‑платформе;
- проверяет в системе управления идентификацией соответствие требованиям и уровень доступа;
- сверяет политики соответствия и предоставляет доступ;
- обновляет сервисный запрос.
Каждая система публикует свои возможности через MCP, поэтому подключение новой системы к такому сценарию превращается из проекта разработки в конфигурационное изменение.
Оценка AI в ITSM
Как оценивать AI‑возможности в вашей ITSM‑платформе
Эти AI‑термины почти наверняка будут появляться в каждом предложении вендора и в каждом отраслевом обзоре в этом году. Риск в том, чтобы воспринимать их как чек‑лист: есть ли на платформе agentic AI? Поддерживает ли она MCP? Использует ли RAG? Но это неправильные вопросы. Правильный вопрос — решают ли эти возможности ваши реальные задачи.
Если от вашей команды ожидают, что она будет обслуживать больше сервисов и обрабатывать больше тикетов при том же штате, ответом могут быть AI‑агенты. Если текущая схема автоматизации не успевает за целями зрелости или сложностью инфраструктуры, agentic AI может закрыть этот разрыв. Если виртуальный агент даёт слишком общие ответы без учёта контекста, не хватает RAG. Если команда по‑прежнему тратит много времени на ручную корреляцию алертов и инцидентов, нужен AIOps. А если инвестиции в AI застряли в изолированных островках, потому что каждая интеграция создаётся заново, MCP помогает снять это ограничение.
Оценивайте AI‑возможность по тому, какую операционную проблему она решает, а не по тому, насколько модно звучит термин.
Часто задаваемые вопросы
Агентный ИИ vs. Генеративный ИИ: в чём разница в ITSM?
Генеративный ИИ (Generative AI, GenAI) генерирует контент в ответ на запрос на основе обучения, пользовательского ввода и инструкций: например, может написать краткое описание тикета, предложить ответ или сгенерировать статью базы знаний. Agentic AI идёт дальше: он планирует и выполняет многошаговые действия автономно. В контексте ITSM GenAI может подготовить заметку по решению, а agentic AI — диагностировать инцидент, выполнить устранение, подтвердить удовлетворённость пользователя и закрыть тикет.
AI‑агенты vs. чатботы: в чём разница в ITSM?
Виртуальный агент или чатбот следует заранее определённому сценарию диалога и отвечает в рамках заданной области. AI‑агент обладает большей автономией: он может рассуждать о проблеме, решать, какие системы и инструменты использовать, выполнять действия на разных платформах и корректировать поведение на основе полученных результатов. Виртуальные агенты автономно ведут разговор. AI‑агенты автономно выполняют workflow.
Может ли RAG снизить галлюцинации AI в ITSM?
Да, он значительно снижает число AI‑галлюцинаций — то есть неверной, вводящей в заблуждение или вымышленной информации. Но полностью их не устраняет. RAG «привязывает» ответ AI к релевантному бизнес‑контексту — базе знаний, истории тикетов или конфигурационным данным, — что делает результат гораздо более точным и уместным. Однако качество всё равно зависит от полноты и актуальности извлекаемых данных. Плохие или устаревшие статьи будут давать плохие подсказки независимо от того, насколько модель современна.
Нужен ли AIOps, если уже есть инструменты мониторинга?
Да. Мониторинг сообщает, что что‑то произошло. AIOps показывает, каковы возможные последствия и что это значит для сервисов. Ценность AIOps в контексте ITSM — в корреляции и снижении шума: он позволяет группировать связанные алерты в один инцидент, определять вероятные первопричины между системами и выявлять проблемы до того, как о них сообщат пользователи. Если ваша команда тратит много времени на ручную сортировку алертов или на поиск связи между тикетами, AIOps закрывает именно этот разрыв.
Можно ли интегрировать современные AI‑возможности с существующими ITSM‑платформами?
В большинстве случаев — да. RAG и AIOps уже встроены во многие ITSM‑платформы нового поколения. Большинство вендоров предлагают AI как дополнение или как встроенную функцию. MCP — более новый стандарт, но он быстро набирает популярность как способ подключения AI‑моделей к корпоративным инструментам. Вопрос не в том, существуют ли эти возможности, а в том, насколько хорошо они интегрируются в ваши текущие процессы, источники данных и требования к управлению. AI‑возможности должны быть либо встроенными, либо понимающими бизнес‑контекст, а не просто «прикрученными сверху».
По материалам статьи
