Chapter 09 - AI and Automation

本章目標

看完本章後，你應該可以回答：

• AI 在 ITIL V5 裡的定位是什麼？
• Automation、AI assistance、AI-enabled decision support、AI autonomy 差在哪裡？
• AI 如何支援 chatbot、AIOps、incident triage、knowledge management、continual improvement？
• 為什麼 AI 不會取代 governance、risk management 和 human accountability？
• PM 如何用 ITIL 評估 AI 專案是否真的創造 value？
• 考試遇到 AI / automation 情境題時怎麼判斷？

一句話

AI 和 automation 可以提升 product and service management 的速度、品質和可擴展性，但它們必須被 value、risk、governance、transparency、human accountability 和 continual improvement 約束。

核心概念

AI 在 ITIL V5 的定位

ITIL V5 把 AI 當成現代 digital product and service management 的正常環境，不是外掛話題。

AI 可以支援：

• knowledge search
• chatbot support
• incident triage
• alert correlation
• change risk analysis
• user experience analysis
• service desk routing
• continual improvement insights
• automation recommendation

但 ITIL 的重點不是「用 AI 取代人」，而是「用清楚的治理、責任、風險控制和回饋機制，把 AI 變成可持續創造 value 的能力」。

Automation vs AI Assistance vs AI Decision Support

這三個常被混在一起，但 PM 要分清楚。

Automation:
照規則自動執行已知工作。
例：核心 API deploy 後自動跑 smoke test。

AI Assistance:
AI 協助人更快完成工作，但人仍然判斷。
例：AI 幫客服整理服務問題摘要。

AI-enabled Decision Support:
AI 提供分析、建議、風險提示，但人負責決策。
例：AI 根據 recent changes、logs、metrics 建議 incident 可能原因。

AI Autonomy:
AI 在特定範圍內自動決策或行動。
例：AI 自動調整 traffic routing 或自動回覆資料修正請求問題。

越接近 autonomy，越需要明確 governance、guardrails、auditability 和 rollback。

AI Governance

AI Governance 是確保 AI 使用符合 value、risk、ethics、security、privacy、compliance 和 accountability 的治理能力。

要問：

• AI 用來解決什麼 outcome？
• 使用哪些資料？
• 誰負責 AI 的結果？
• 錯誤回答如何偵測和修正？
• 使用者是否知道正在和 AI 互動？
• 需要 human review 嗎？
• 模型或 vendor 變更時怎麼控管？
• 是否能 audit AI 的輸入、輸出和決策理由？

AI governance 不是拖慢創新，而是避免 AI 從 augmentation 變成 abdication：人把責任交出去，但沒有控制。

Human Accountability

即使 AI 參與分析或行動，組織仍然需要明確的人負責 outcome、risk 和 decision。

例子：

• AI 可以建議 hotfix 方向，但 on-call engineer / incident commander 要決定是否執行
• AI 可以自動草擬客服回覆，但客服或 service owner 要負責準確性與政策合規
• AI 可以分析 change risk，但 change authority 仍需定義誰接受風險

考試看到「完全交給 AI，不需要人監督」通常要小心。

Trust, Transparency, and Control

AI 對 service value 的影響不只在效率，也在信任。

要檢查：

• 使用者是否知道 AI 的限制？
• 回答是否可解釋或可追溯？
• 錯誤時是否能 escalate 給人？
• AI 是否會暴露敏感資料？
• AI 是否會產生 hallucination 或不一致建議？
• 是否有 mechanism 可以停用、rollback、限制範圍？

AI 很快不代表 value 高。錯得很快，只會讓 risk 更快擴散。

Optimize and Automate

Chapter 05 已經提過：先 optimize，再 automate。

AI 也是 automation 的一種強化版，所以更需要先理解現況。

錯誤做法：

客服流程混亂
FAQ 過期
交易資料不一致
轉人工規則不清楚
        ↓
直接導入 AI chatbot

比較好的做法：

整理高頻問題
清理 knowledge base
定義資料權限
設計轉人工流程
先小範圍試行
監控錯誤率與 resolution rate
逐步擴大

PM 視角

PM 評估 AI 專案時，不要從「我們要不要用 AI」開始，而要從 service value 開始。

AI 專案檢查問題

1. 這個 AI 解決哪個 outcome？
2. 哪些 cost 或 risk 會下降？
3. 哪些 new risk 會出現？
4. 哪些 stakeholder 會被影響？
5. 哪個 lifecycle activity 會被 AI 支援？
6. 哪個 practice 會被 AI 改善？
7. 人的責任分工是什麼？
8. AI 錯誤時怎麼 fallback？

AI Chatbot 例子

不夠好的目標：

導入 AI chatbot。

比較好的目標：

把支援相關重複客服問題的人工處理量降低 30%，
同時維持正確率、CSAT、handoff 成功率和資料安全。

PM 要追蹤的不只是 usage，也要追蹤：

• resolution rate
• handoff rate
• wrong answer rate
• CSAT
• average handling time
• escalated incident count
• knowledge update cycle time
• sensitive data exposure incidents

Developer / DevOps 視角

AI 可以支援 engineering 和 operations，但不能讓團隊失去可控性。

Incident Triage

AI 可以：

• summarize logs
• correlate recent deploys
• highlight abnormal metrics
• suggest likely affected services
• draft incident update

但仍要有人判斷：

• 是否 rollback
• 是否 declare major incident
• 是否通知 客戶
• 是否執行 risky mitigation

AIOps

AIOps 可以用 AI / ML 處理大量 monitoring data，例如：

• alert deduplication
• anomaly detection
• root cause suggestion
• capacity trend prediction
• auto-remediation recommendation

風險是：

• false positive
• false negative
• over-automation
• unclear ownership
• model drift
• hidden dependency

所以 AIOps 要接上 Incident Management、Problem Management、Change Enablement 和 Continual Improvement。

AI in CI/CD

AI 可以協助：

• review code risk
• summarize PR
• generate tests
• detect deployment anomaly
• suggest rollback trigger

但 production change 仍需要 change enablement。AI 產生的 test、code、config 不能直接等於 trustworthy。

AWS 對照

在 AWS 環境裡，AI / automation 可以出現在多個地方：

• CloudWatch anomaly detection
• automated incident notification
• AI-assisted log analysis
• chatbot for service desk
• runbook automation
• predictive scaling analysis
• deployment risk scoring

但 ITIL 會要求你問：

• 這個 automation 支援哪個 outcome？
• 它降低哪個 cost / risk？
• 它是否增加新 risk？
• 它的 failure mode 是什麼？
• 誰可以 override？
• 是否有 audit trail？
• 是否接上 incident / problem / change / continual improvement？

例子：自動 rollback

好處:
降低 MTTR，減少使用者影響。

風險:
錯誤 trigger 造成不必要 rollback。
rollback 後資料狀態不一致。
團隊不知道 AI / automation 做了什麼。

治理:
定義 trigger、scope、approval threshold、notification、audit log、manual override。

實務對照

團隊導入 AI chatbot 處理服務問題，可以用 ITIL 這樣設計。

Value:
降低重複客服量，讓使用者更快知道服務狀態。

Lifecycle:
Discover: 分析高頻服務問題與客服成本
Design: 設計回答範圍、轉人工、權限、fallback
Acquire: 選擇 LLM provider，取得資料存取與法務資安確認
Build: knowledge base、prompt、API integration、handoff
Transition: 小流量試行，客服訓練，監控錯誤回答
Operate: 監控 resolution rate、latency、cost、wrong answer
Deliver: 使用者真的解決服務問題
Support: 轉人工與 feedback 進 knowledge improvement

Practices:
Service Desk
Knowledge Management
Incident Management
Information Security Management
Continual Improvement

Governance:
誰負責回答正確性？
哪些資料不能給 AI？
錯誤回答如何修正？
什麼情況必須轉人工？

如果這些沒設計好，AI chatbot 只是新的風險入口。

常見誤解

誤解 1：AI 上線就代表 value 增加

AI 只是 capability。Value 要看 outcome、cost、risk、experience、sustainability 是否改善。

誤解 2：AI 可以取代 governance

AI 讓 governance 更重要。資料、權限、責任、風險、audit、ethics 都需要被明確管理。

誤解 3：自動化越多越好

不一定。自動化前要先 optimize。錯誤流程自動化後，只會更快產生錯誤結果。

誤解 4：Human-in-the-loop 就一定安全

不一定。如果人只是形式上按 approve，沒有足夠資訊、時間或責任，human review 只是橡皮章。

誤解 5：AI 只屬於 Information and Technology

AI 同時影響 Four Dimensions：人與責任、資料與技術、供應商、value streams and processes。

Interview Angle

可能被問：

• How would you evaluate an AI chatbot from an ITIL perspective?
• How should AI be governed in service management?
• What is the risk of automating incident response?
• How do you apply optimize and automate to AI adoption?
• How can AI support continual improvement?

回答方向：

• 先講 value 和 outcome
• 再講 risk、governance、human accountability
• 用 lifecycle 和 practices 連回實務
• 不要把 AI 當魔法，要說清楚 metrics、fallback、audit、feedback loop

Exam Tips

AI / automation 題目常見關鍵字：

題目線索	判斷方向
AI 要直接取代所有人工判斷	小心，通常需要 governance / human accountability
現有流程混亂但想自動化	Optimize and automate
AI 回答錯誤或不透明	Trust, transparency, control
AI 處理 sensitive data	Governance, security, privacy, risk
AI chatbot 無法解決問題	Focus on value / outcome
AI 自動處理 incident	Incident Management + Change Enablement + control
AI 分析 support tickets	Continual Improvement / Knowledge Management

考試陷阱：

• 選項說「AI 自動決定一切，不需要人」。通常不是好答案。
• 選項只看模型能力，不看 outcome / risk / governance。通常不是好答案。
• 選項先自動化混亂流程。通常不是好答案。
• 選項有小範圍試行、feedback、guardrails、human accountability，通常更符合 ITIL。

Summary

AI and Automation 是 ITIL V5 的核心現代化主題，但它不是要你追逐工具，而是要把 AI 放進 value system、lifecycle、four dimensions 和 practices 裡管理。對 Technical PM 來說，最重要的不是「能不能用 AI」，而是 AI 是否真的改善 outcome、降低合理的 cost / risk、維持 trust 和 experience，並且有明確 governance、責任分工、fallback 和 continual improvement。

References

• PeopleCert - ITIL Foundation (Version 5)
• PeopleCert - ITIL Version 5 Explained
• ITIL - AI-enabled service management
• ITIL - ITIL Version 5 AI risks and rewards

Quiz

請見 Chapter 09 Quiz。