原创|生成式AI重塑ITSM:前沿架构与工程实践

随着数字化转型纵深推进，IT服务管理（ITSM）已成为保障业务连续性、提升运营效率的核心支撑。传统IT服务管理系统面临海量非结构化数据难利用、流程自动化局限于单点、知识沉淀滞后等痛点。美国咨询机构高德纳（Gartner）提出的智能IT服务管理（AITSM）为行业转型指明方向，2022年以来，大模型凭借生成式能力、端到端自动化与动态知识进化特性，为AITSM注入了新能力。

智能IT服务管理（AITSM）是美国IT咨询机构高德纳（Gartner）在提出的面向IT服务管理领域的一个新概念，它是指在ITSM工具和实践中综合应用人工智能、自动化和大数据技术，以提高IT服务管理人员的整体效率和减少错误。

高德纳进一步解释了AITSM的意义：随着对I&O组织需求的增加，他们将越来越多地寻找新的机会，利用人工智能和大数据来实现自动化和更主动的管理，将人和大型机器产生的结构化与非结构化数据集输入到工具中，优化ITSM实践和数据处理。这对于具有优化流程和数据处理实践的更大和更高级的I&O组织来说尤为重要。利用各种数据提供支持事件和问题管理流程的智能建议、自动化可重复操作和执行任务的能力是AITSM的基本特征。

当下，虽然已经有些中国企业机构拥有较强的AI和自动化技术能力，但基于小模型的AITSM工具在能力与实践方面还存在较大提升空间。

传统的AITSM系统虽能自动收转跟踪，但仍有明显局限：复杂问题需人工判断，效率低且易出错；缺乏预测性维护能力，难以提前排查潜在问题，增加业务中断风险；资源配置与个性化服务不足，难以满足用户需求。

近年来，人工智能领域迎来爆发式增长，以DeepSeek为代表的大模型技术表现尤为亮眼。凭借强大的数据解析能力、多场景协作能力、低代码适配能力、国产自主可控能力等快速获得市场认可，更是通过与多行业的深度融合，推动行业智能升级。

大模型的引入，为AITSM系统注入了新能力，其强大的数据处理能力、深度学习和自然语言处理技术，能够更加智能地处理工单，提高运维效率和服务质量。相比之下，基于大模型的AITSM，在传统判别式小模型“识别问题”的基础上，新增生成方案、自主执行、持续进化三大核心能力，实现从被动响应到主动解决的价值链重塑。

传统小模型仅能完成故障分类、异常检测等判别式任务，比如判定服务器告警属于内存溢出类故障，但无法提供具体解决方案。

大模型具备生成能力，可基于故障场景、设备配置、历史案例等，直接输出可执行的操作步骤，例如“关闭冗余进程→清理缓存→调整内存分配参数→重启应用”，还能生成自动化脚本、工单处理摘要等实用内容，直接回答“应该怎么做”，实现“随问随答、即查即用”的智能体验。

传统小模型的自动化依赖固定规则，仅能处理单一环节的简单操作，跨系统、复杂流程仍需人工衔接。大模型结合智能Agent技术，可自主拆解复杂任务、调用ITSM 工具接口、跨系统协同，实现从问题发起（如用户咨询系统无法登录）到解决方案执行（如密码重置、权限校验、日志排查）的全链路自动化，无需人工介入即可完成服务闭环。

传统小模型的知识依赖人工标注的训练数据，更新周期长，难以适配IT系统的动态变化，容易出现知识过期现象。大模型支持从工单对话、故障处理记录、技术文档等多源数据中自动提取知识，生成标准化知识文章并更新知识库；同时通过自然语言交互实现精准知识检索与个性化推送，形成“使用—沉淀—优化—复用”的动态循环，让知识体系随业务场景持续进化。

基于大模型的智能IT服务管理体系采用“四层架构 + 大模型核心引擎”的设计逻辑，以数据为基础、大模型为核心、能力为支撑、应用为落地，形成“数据—智能—服务”的全链路闭环。其中数据层通过标准化治理整合多源异构数据，保障数据质量与安全；技术底座层中大模型作为核心引擎，搭配RAG、智能Agent等技术，提供基础智能能力；核心能力层中，将大模型能力封装为可复用的服务，支撑上层场景落地；应用层聚焦实际业务场景，输出针对性服务，覆盖IT服务全流程（见图1）。

基于大模型的智能IT服务管理体系采用“四层架构+大模型核心引擎”的设计逻辑，以数据为基础、大模型为核心、能力为支撑、应用为落地，形成“数据—智能—服务”的全链路闭环。

新一代人工智能技术，特别是大模型、多模态、RAG等能力，正推动IT治理从数字化走向智能化，构建起IT服务智能治理体系。大模型贯穿架构全层级，并非单一环节的技术叠加，而是通过“理解—生成—执行—进化”的逻辑，重塑IT服务管理的核心流程。

数据层：激活非结构化数据价值。传统ITSM数据层以结构化数据为主，非结构化数据（日志文本、工单描述）难以利用。大模型通过自然语言处理技术，自动解析非结构化数据，提取关键信息（故障类型、设备型号、影响范围），将数据孤岛转化为标准化、可关联的可用数据，为上层智能能力提供支撑。

技术底座层：构建核心智能引擎。大模型作为核心引擎，通过通用大模型+行业微调模式，构建运维大模型，适配IT服务场景：接入运维语料库（工单历史、技术手册），优化专业术语理解与方案生成能力。搭配RAG技术，解决大模型知识过时问题，通过向量数据库检索权威知识，确保生成内容的准确性。结合智能Agent，赋予大模型自主执行能力，可调用ITSM工具API、跨系统协同，实现从生成方案”到落地执行的跨越。相关的关键技术包括：

一是运维知识治理技术。通过标准化整合工单历史、技术手册、故障案例等多源运维数据，进行去重、脱敏、结构化处理，构建高质量运维语料库。同时提炼运维专业术语、故障关联规则，形成专属词表与知识图谱，为大模型训练提供精准“养料”，确保模型能深度理解IT服务场景的专业逻辑，避免通用大模型的场景适配偏差。

二是RAG知识增强技术。针对大模型“知识过时” 与“幻觉”问题，将运维私有知识库转化为向量数据存储于向量数据库。当处理IT服务请求时，先通过向量检索匹配权威知识，再将检索结果与用户需求拼接输入大模型，确保生成的解决方案基于真实运维经验，大幅提升 AITSM系统输出内容的准确性与可靠性。

三是智能Agent协同技术。为大模型赋予自主执行能力，通过内置IT服务专属工具插件（工单系统接口、CMDB查询、远程运维工具等），实现复杂任务拆解与跨系统协同。例如接收“生产系统扩容”需求后，Agent自动拆解为资源查询、配置申请、部署执行等子任务，调用对应工具完成全流程操作，让大模型从 “生成方案” 落地为 “实际执行”，打通AITSM的自动化闭环。

四是多模态数据处理技术。适配IT服务中的多场景输入需求，如通过语音转文字解析语音咨询，通过图像识别分析设备故障指示灯、硬件损坏图片，将非文本数据转化为大模型可处理的格式。此举拓宽了AITSM的交互边界，让工程师、一线员工无需刻意转换数据格式即可发起服务请求，提升服务便捷性。

五是增量学习适配技术。针对IT系统动态迭代、运维知识持续更新的特点，采用增量学习与Prompt调优模式，无需对大模型进行全量重训。只需将新增的运维案例、技术文档等数据输入模型，即可快速更新模型知识储备，确保大模型能及时适配新的IT架构、业务系统与故障类型，保障AITSM系统长期适配企业IT服务的动态变化。

核心能力层：赋能全维度智能升级。核心能力层以大模型为核心支撑，整合智能决策（大模型融合多维度数据，如故障历史、资源负载、SLA要求等，生成工单优先级判定、工程师匹配、变更风险评估等决策建议）、流程自动化（基于大模型的意图识别与任务拆解能力，实现工单从创建、派单、处理到闭环的端到端自动化，无需人工衔接）、知识生成（自动从工单处理过程、专家经验中提取解决方案，生成标准化知识文章，动态更新知识库）与跨系统协同（通过大模型解析跨系统需求，自动调用 CMDB、监控平台、云管理工具的接口，实现数据互通与流程联动）四大关键能力，实现工单处理、决策支持、知识沉淀及跨工具联动的全维度智能升级，为体系高效运行筑牢核心支撑。

应用层：落地场景化智能服务。应用层聚焦场景化智能服务落地，覆盖智能客服、工单管理、变更管理等全流程场景。依托大模型的交互、解析、推理与生成能力，实现问题自助解决、流程高效运转、故障快速修复与变更风险可控，全方位适配IT服务需求。

本次实践案例源自一家拥有1.2万名员工、3个智能工厂、15个核心业务系统及5万+终端设备的大型制造企业，其此前面临诸多IT服务管理困境：如工业终端分散于各车间，上门运维成本高、响应慢；生产系统IT需求与生产节奏强绑定，传统服务响应滞后易影响产能；跨部门协作流程繁琐，复杂问题解决效率低；运维知识依赖人工沉淀，复用率低且新员工培养周期长。

为破解上述难题，企业构建了基于大模型的制造业专属AITSM系统，聚焦多个核心场景落地，实现IT服务从被动响应到主动支撑的转型，主要包括：

第一，工业终端智能运维与故障诊断场景。系统整合多种工业终端的运行数据与故障日志，构建大模型与工业设备知识图谱的诊断模型，覆盖60+常见故障类型，并集成工业网关实现远程控制。终端用户通过工业平板或企业微信提交故障描述，系统自动关联生产排班判定优先级，推送解决方案或远程自动化修复，远程修复率从28%提升至62%，核心生产线设备故障停机时间减少31%，年节约上门服务成本60余万元。

第二，生产系统IT服务闭环管理场景。围绕核心生产系统设计全流程IT服务，通过智能调度算法匹配工程师技能与当前负载，结合变更风险评估模型生成标准化流程与回滚预案。业务部门提交需求后，系统自动提取关键信息并分派任务，变更失败率从18%降至6%，生产系统因IT变更导致的中断次数清零，复杂需求平均解决时间从8小时缩短至3.2 小时。

第三，制造业专属智能客服与自助服务场景。系统整合车间员工认知的常见问题，支持企业微信、工业平板等多渠道交互，适配车间嘈杂环境的语音识别优化，并集成80+高频操作自助执行功能。常见问题自助解决率达82%，非工作时间IT 服务响应率从25%提升至100%，员工IT服务满意度从68分提升至92分。

第四，运维知识智能沉淀与复用场景。统从工单记录、操作日志中自动提取解决方案，构建包含6000条实体的IT知识图谱，并基于岗位与历史需求个性化推送知识。知识库月均新增知识450多篇，知识复用率从25%提升至70%，新工程师独立处理问题的培养周期从6个月缩短至2个月，核心技术经验沉淀率达90%。

多个大模型融合场景的落地，解决了该制造业企业IT服务管理的核心痛点，实现了效率、成本、体验与能力的多重提升，为各行业组织IT 服务管理模式变革提供了可落地的实践范本。

未来，大模型与AITSM的融合将向更深层次、更广范围演进。首先，在技术深化方面，将进一步强化大模型的自主决策与执行能力，结合强化学习、联邦学习技术，实现系统在无人工干预下的自我优化；多模态数据处理能力将持续升级，支持更多工业场景下的语音、图像、日志文件等异构数据的深度解析，拓宽服务交互边界。

其次，在场景拓展方面，将从 IT服务领域向业务服务领域延伸，实现IT与业务的进一步融合 —— 如制造业中，基于生产数据预测IT资源需求，通过智能调度提前适配业务高峰；预测性维护将进一步深化，结合物联网传感器数据，实现工业设备与IT组件的故障预判与提前修复，最大化降低非计划停机时间。

最后，在生态构建方面，国产化适配将成为重要方向，全面推进国产大模型、数据库、服务器的集成应用，保障系统安全自主可控；同时，将构建开放的AITSM生态平台，整合设备厂商、软件服务商、运维合作伙伴的资源，提供一站式智能IT服务解决方案，推动行业标准化与规模化发展。

大模型赋能的AITSM并非单纯技术升级，而是IT服务管理模式的根本性变革。随着技术持续迭代与实践不断深入，其将成为组织数字化转型核心支撑，助力实现IT服务效率、成本与体验的最优平衡，为业务持续创新注入持久动力。