Ivanti Blog: Beiträge von

Wie Agentic AI Infrastruktur und Betrieb transformiert

Thu, 11 Jun 2026 13:35:47 Z

Teams für Infrastructure and Operations (I&O) arbeiten seit Langem unter einem vertrauten Paradoxon: Je schneller das Unternehmen skaliert, desto größer wird der Druck, den I&O auffangen muss. Jede neue Anwendungsbereitstellung, jeder hinzugefügte Endpoint und jeder neu gestartete Cloud-Workload erzeugen mehr Komplexität, mehr Risiken und mehr Tickets.

Die traditionellen Antworten auf diesen Druck – mehr Personal, mehr Tools, mehr Skripte, mehr APIs – haben bestenfalls schrittweise Entlastung gebracht. Doch das zentrale strukturelle Problem, die zugrunde liegende Architektur reaktiver Betriebsabläufe, blieb hartnäckig bestehen. Bis jetzt.

Agentic AI erfindet diese Architektur vollständig neu.

KI in IT und Operations (I&O) hat die Phase des Unterstützens und Vorschlagens hinter sich gelassen. Autonome Agenten, die schlussfolgern, planen, ausführen und lernen können, sind heute bereits im Einsatz – und nicht nur Punkte auf einer künftigen Roadmap. Unternehmen, die Agentic AI gezielt einsetzen, verzeichnen bereits deutliche Vorteile. Unser Forschungsbericht zur KI-Reife 2026 zeigt, dass 57 % der IT-Organisationen Agentic AI für mehrere wichtige IT-Workflows nutzen; 17 % verlassen sich dabei auf umfassende End-to-End-Prozesse. Dieser Einsatz führt dazu, dass Lösungszeiten von Stunden auf Minuten verkürzt und Tausende manuelle Tickets pro Quartal vermieden werden.

Darüber hinaus berichteten 89 % der Unternehmen, die KI breit oder für geschäftskritische Bereiche skaliert haben, dass KI ihre Teams häufig dabei unterstützt, Probleme zu erkennen, bevor Endbenutzer sie überhaupt bemerken – gegenüber 43 % in der frühen Experimentierphase. Dieser Wandel verändert I&O von einer reaktiven hin zu einer proaktiven und intelligenten Ausrichtung.

Die verbleibende Frage lautet: Wie schnell kann Ihr Unternehmen den Übergang zur Implementierung von Agentic AI in Ihrer I&O-Umgebung im großen Maßstab vollziehen?

Mehr erfahren:IT mit Agentic AI transformieren: der Beginn eines beschleunigten, autonomen Service

Warum wir die Grenzen traditioneller Automatisierung erreicht haben

Um die Bedeutung von Agentic AI zu verstehen, lohnt sich ein Blick darauf, was davor kam – und warum es nie ausgereicht hat.

Traditionelle Automatisierung in I&O war enorm wertvoll. Runbooks kodifizierten institutionelles Wissen. Skripte standardisierten wiederkehrende Prozesse. Bots für Robotic Process Automation (RPA) übernehmen strukturierte, regelbasierte Workflows. Diese Tools reduzierten den manuellen Aufwand in Teilbereichen und ermöglichten Teams, mit gleicher Personalstärke mehr zu leisten. Doch sie waren stets grundsätzlich unflexibel – abhängig von expliziten Anweisungen, unfähig, sich an neue Situationen anzupassen, und nicht in der Lage, ohne menschliche Steuerung zu handeln.

Betrachten wir ein klassisches Szenario: Eine Patch-Bereitstellung schlägt um 2 Uhr morgens auf einer Teilmenge von Endpoints fehl. Eine regelbasierte Automatisierung könnte den Fehler protokollieren und ein Ticket erstellen. Ein komplexeres Skript könnte einen erneuten Versuch starten. Aber keines von beiden kann diagnostizieren, ob die Ursache in einer in Konflikt stehenden Anwendung, einem beschädigten Agenten, einem Problem mit der Netzwerksegmentierung oder einer Drift in der Richtlinienkonfiguration liegt. Keines kann seine Behebungsstrategie in Echtzeit anpassen. Keines kann Kontext an den Service Desk übermitteln, die CMDB aktualisieren oder basierend auf der Kritikalität der betroffenen Assets intelligent eskalieren. Ein menschlicher Engineer wird alarmiert. Der Kreislauf setzt sich fort.

Das ist die Grenze traditioneller Automatisierung: Sie führt Anweisungen aus, aber sie denkt nicht. Sie automatisiert Aufgaben, kann aber keine Ergebnisse orchestrieren. Und da Infrastrukturumgebungen exponentiell komplexer geworden sind – über On-Premises-, Multi-Cloud-, Edge- und Hybrid-Architekturen hinweg – ist die Lücke zwischen dem, was regelbasierte Automatisierung bewältigen kann, und dem, was I&O-Teams benötigen, zu einer Kluft geworden.

Agentic AI ist die Antwort, um diese Lücke zu schließen.

Was Agentic AI für I&O bedeutet

Agentic-AI-Systeme können eigenständig Ziele festlegen, Pläne zu deren Erreichung entwickeln, mehrstufige Aktionen über Tools und Systeme hinweg ausführen, Ergebnisse bewerten und ihren Ansatz anpassen – ohne dass bei jedem Schritt menschliches Eingreifen erforderlich ist. Im Gegensatz zu einem Chatbot, der eine Frage beantwortet, oder einem Skript, das einen vordefinierten Workflow ausführt, ist ein agentisches System zielorientiert und anpassungsfähig. Es arbeitet über den gesamten Lebenszyklus einer Aufgabe hinweg – von der Identifikation bis zur Lösung.

Im I&O-Kontext bedeutet dies, dass ein autonomer Agent das tun kann, wofür bisher entweder ein erfahrener Engineer oder eine komplexe, fragile Kette von Automatisierungsskripten erforderlich war: Signale aus unterschiedlichen Monitoring-Systemen korrelieren, die Ursache eines Vorfalls identifizieren, die geeignete Behebung ausführen, überprüfen, ob die Korrektur erfolgreich war, die relevanten Datensätze aktualisieren und den Vorgang abschließen – und das in der Zeit, die ein Mensch benötigen würde, um ein Ticket zu öffnen.

Der Wandel ist nicht nur operativ, sondern auch konzeptionell. Wir bewegen uns von einem Modell, in dem Menschen Aktionen initiieren und Automatisierung sie ausführt, hin zu einem Modell, in dem intelligente Agenten Aktionen starten, ausführen und verifizieren – während Menschen Aufsicht und Governance übernehmen. Für I&O-Verantwortliche ist dies keine Bedrohung für das Team. Es ist der größte Multiplikator, den Ihr Team je hatte.

Agentic AI unterstützt I&O im großen Maßstab

Die Service-Desk-Ticketwarteschlange ist das sichtbarste Symptom einer I&O-Funktion unter Druck. Passwortzurücksetzungen, Softwareinstallationen, Zugriffsbereitstellung, Fehlerbehebung bei Verbindungsproblemen – diese Anfragen mit hohem Volumen und geringer Komplexität beanspruchen einen großen Teil der Zeit von Analysten und treiben die Betriebskosten in die Höhe. Gleichzeitig sind sie für Mitarbeitende äußerst frustrierend, die eine Lösung sofort benötigen – nicht erst nach einem SLA-Fenster von 48 Stunden.

Mehr erfahren:Vom Ticketbearbeiter zur Teamleitung: Management einer agentischen IT-Belegschaft

Die Ticketwarteschlange als Engpass beseitigen

Agentic AI beseitigt die Warteschlange als Engpass. Stellen Sie sich einen dialogorientierten KI-Agenten vor, wie den Ivanti Neurons AI Self Service Agent, der nicht nur eine Antwort aus einer Wissensdatenbank abruft, sondern auch die Identität validiert, die Compliance-Richtlinie prüft, den Provisioning-Workflow ausführt, die Änderung im System of Record bestätigt und den Anfragenden benachrichtigt – alles innerhalb weniger Minuten. Das Ticket erreicht nie einen menschlichen Analysten. Die Zeit des Analysten wird für Arbeit frei, die menschliches Urteilsvermögen erfordert.

Stellen Sie sich nun vor, ein Analyst hätte mehr Zeit für komplexe Aufgaben. Ein digitaler Teamkollege auf Basis von Agentic AI arbeitet mit einem menschlichen Agenten zusammen, unterstützt mit proaktiven Erkenntnissen, berät zum besten Lösungsweg für das Problem und automatisiert mithilfe intelligenter Aktionen.

Unternehmen, die Agentic AI in ihrem Service Desk einsetzen, berichten durchweg von deutlichen Reduzierungen des Ticketvolumens – oft bereits im ersten Jahr der Bereitstellung und mit weiter zunehmender Wirkung, während das System reift und lernt. Das ist keine Automatisierung im traditionellen Sinne. Das ist intelligente Orchestrierung im großen Maßstab.

Proaktive Behebung, bevor Benutzer die Auswirkungen spüren

Die teuersten Vorfälle in I&O sind diejenigen, die hätten verhindert werden können. Festplattenkapazität, die erst bemerkt wurde, als sie 100 % erreichte. Abgelaufene Zertifikate, die erst verfolgt wurden, als Services ausfielen. Software-Schwachstellen, die erst gepatcht wurden, nachdem sie ausgenutzt worden waren. Diese Ausfälle waren im Rückblick fast immer vorhersehbar – die Signale waren vorhanden. Das Problem war, dass niemand alles jederzeit im Blick hatte.

Autonomous Endpoint Management mit Agentic AI überwacht kontinuierlich Telemetriedaten über Endpoints, Netzwerke, Anwendungen und Cloud-Infrastruktur hinweg. Die Agenten erkennen Anomalien, korrelieren schwache Signale und beginnen mit der Behebung, bevor ein Problem als Ausfall oder Sicherheitsvorfall sichtbar wird. Eine Festplatte, die sich der Kapazitätsgrenze nähert, wird erweitert. Ein bald ablaufendes Zertifikat wird erneuert. Ein anfälliger Endpoint wird während des nächsten Wartungsfensters gepatcht, bevor eine Ausnutzung zum Risiko wird.

Dieser Wandel von reaktiv zu proaktiv ist die wertvollste Fähigkeit, die Agentic AI für I&O bietet. Sie reduziert nicht nur die Kosten von Vorfällen – sie verhindert die Vorfälle, die Ausfallzeiten, die Geschäftsunterbrechungen und die Reputationsschäden, die damit einhergehen. Für I&O-Verantwortliche definiert dieser Wandel neu, wie operativer Erfolg aussieht. Der Maßstab verschiebt sich von der mittleren Lösungszeit – einer reaktiven Kennzahl – hin zur mittleren Vermeidungszeit: wie häufig Ihre Umgebung erkennt und korrigiert, bevor Auswirkungen auf das Geschäft entstehen.

Skalieren, ohne den Personalbestand zu skalieren

Enterprise-IT-Umgebungen wachsen schneller als IT-Budgets. Das Verhältnis von Endpoints zu Engineers vergrößert sich weiter. Cloud-Workloads vervielfachen sich. Sicherheitsanforderungen nehmen zu. In diesem Umfeld ist der traditionelle Hebel „mehr Personal einstellen“ weder finanziell tragfähig noch operativ ausreichend – der Arbeitsmarkt kann schlicht nicht die benötigte Anzahl qualifizierter Engineers bereitstellen.

Agentic AI definiert die Skalierungsgleichung neu. Ein autonomer Agent hat keine regulären Arbeitszeiten, keine Grenzen der kognitiven Bandbreite und keine Onboarding-Zeiten. Er kann Hunderte gleichzeitige Aufgaben über Tausende von Endpoints hinweg bearbeiten, ohne dass Leistung oder Qualität nachlassen. Wenn die Umgebung wächst, skaliert der Agent mit – nicht linear, sondern exponentiell. Ein gut konfigurierter autonomer Agent kann die Arbeitslast übernehmen, die zuvor auf mehrere Junior-Analysten verteilt war, und Senior Engineers dadurch Freiraum verschaffen, sich auf Architektur, Innovation und strategische Initiativen statt auf routinemäßige Behebung zu konzentrieren.

Es geht nicht darum, Menschen zu ersetzen. Es geht darum, sie in die Lage zu versetzen, auf dem Niveau zu arbeiten, das ihren Fähigkeiten entspricht.

Das System of Record als Grundlage für Erfolg

Der effektive Einsatz von Agentic AI erfordert mehr als eine leistungsfähige KI-Engine. Er erfordert eine vertrauenswürdige, umfassende Datengrundlage – und diese Grundlage ist Ihr in die Ivanti Neurons Foundation integriertes System of Record, das eine autoritative Datenquelle mit Geräteintelligenz, Schwachstellen und Exposures, Softwareinventar sowie Service-Management-Informationen enthält. Ein System of Record, das weiß, welche Assets existieren, wem sie gehören und ob sie compliant sind.

Ein System of Record im I&O-Kontext ist die autoritative Quelle der Wahrheit für Ihre IT-Umgebung: jedes Hardware- und Software-Asset, jede Konfiguration, jede Beziehung, jede Richtlinie, jede Änderung. Es ist die Intelligenzschicht, die es einem autonomen Agenten ermöglicht, Entscheidungen mit Vertrauen zu treffen. Ohne sie rät ein Agent, der in Ihrer Umgebung arbeitet. Mit ihr schlussfolgert er auf Basis von Fakten.

Das effektivste System of Record für Agentic AI in I&O führt mehrere kritische Elemente zusammen. Daten der Configuration Management Database (CMDB) müssen korrekt, aktuell und angereichert sein – nicht das veraltete, manuell aktualisierte Repository, das die meisten Unternehmen geerbt haben, sondern ein dynamisch gepflegter Datensatz Ihrer tatsächlichen Umgebung. IT Asset Management (ITAM) dient dazu, Assets von der Erstellung bis zur Ausmusterung zu verwalten und sicherzustellen, dass die Eigentümerschaft korrekt gepflegt wird.

Service-Management-Workflows müssen vollständig integriert sein, damit Agenten Tickets im Rahmen ihres Ausführungsablaufs erstellen, aktualisieren und lösen können. Identitäts- und Zugriffsdaten müssen zugänglich sein, damit Agenten richtlinienkonforme Entscheidungen zu Provisioning und Berechtigungen treffen können. Und Telemetrieströme aus Monitoring-, Schwachstellen- und Performance-Tools müssen in einen einheitlichen Kontext einfließen, den Agenten in Echtzeit abfragen können.

Wenn diese Elemente vorhanden sind, arbeiten autonome Agenten präzise. Sie wissen, welche Assets kritisch sind und welche nicht. Sie wissen, welche Änderungen eine Genehmigung erfordern und welche innerhalb definierter Automatisierungsgrenzen liegen. Sie kennen die Historie eines Assets – frühere Ausfälle, ausstehende Patches, installierte Software, aktive Schwachstellen – und wenden diesen Kontext auf jede Entscheidung an.

Unternehmen, die versuchen, Agentic AI ohne Investitionen in ihr System of Record einzusetzen, stellen in der Regel fest, dass ihre Agenten inkonsistente Ergebnisse liefern oder ständig menschliche Korrekturen erfordern. KI ist nur so intelligent wie die Daten, auf die sie zugreifen kann. Investitionen in Datenqualität und Integration sind keine Voraussetzung, die sich aufschieben lässt – sie bestimmen, ob Agentic AI transformativen Mehrwert oder nur marginale Verbesserungen liefert.

Geschäftlicher Mehrwert: über Effizienzkennzahlen hinaus

Die operativen Vorteile von Agentic AI in I&O sind bereits für sich genommen überzeugend. Schnellere Lösungszeiten. Geringere Ticketvolumen. Verkürzte mittlere Zeit bis zur Erkennung und Behebung. Das sind Kennzahlen, die bei I&O-Verantwortlichen Anklang finden und die Investition rein auf Basis von Kosteneffizienz rechtfertigen.

Doch der geschäftliche Mehrwert reicht weit über das Service-Desk-Dashboard hinaus.

Wenn I&O-Teams von reaktiver, repetitiver Arbeit befreit werden, können sie ihre Kapazitäten auf Initiativen ausrichten, die wettbewerbliche Differenzierung schaffen: die Anwendungsbereitstellung beschleunigen, die Sicherheitslage stärken, Programme zur digitalen Transformation ermöglichen und die resiliente, skalierbare Infrastruktur aufbauen, die das Unternehmen für Wachstum benötigt. Die I&O-Funktion entwickelt sich von einer Kostenstelle, die operatives Rauschen auffängt, zu einem strategischen Enabler, der Geschäftsergebnisse gestaltet.

Employee Experience ist eine häufig unterschätzte Dimension dieses Mehrwerts. Wenn Mitarbeitende sofortige, intelligente Antworten auf ihre Anfragen erhalten statt tagelang in Ticketwarteschlangen zu warten, steigt ihre Produktivität und ihre Frustration mit der IT sinkt. In einer Welt, in der Employee Experience ein Wettbewerbsfaktor für Talentgewinnung und -bindung ist, ist eine reibungslose, reaktionsschnelle IT-Funktion ein echter geschäftlicher Vermögenswert.

Agentic AI sorgt außerdem für eine spürbare Risikoreduzierung. In einer Umgebung, in der ein einzelner Ransomware-Vorfall Millionen an Ausfallzeiten und Behebungskosten verursachen kann und regulatorische Strafen für fehlende Sicherheits-Compliance zunehmen, bieten proaktives Schwachstellenmanagement und automatisierte Richtliniendurchsetzung eine quantifizierbare Risikominderung, die weit über die IT-Organisation hinaus auf Vorstandsebene und im CFO-Büro Resonanz findet.

Schließlich steigert Agentic AI ihren Wert im Laufe der Zeit. Jede Interaktion, jede Lösung, jede Eskalationsentscheidung generiert Daten, die die künftige Leistung des Agenten verbessern. Im Gegensatz zu statischer Automatisierung, die sich verschlechtert, wenn sich Umgebungen verändern, passen sich agentische Systeme an und verbessern sich – und liefern so wachsende Erträge auf die anfängliche Investition.

Der Weg nach vorn

Infrastruktur und Betrieb durchlaufen einen entscheidenden Wandel. Die Systeme, die wir heute überwachen, sind im Bereich der Enterprise IT komplexer, verteilter und geschäftskritischer als je zuvor. Die Anforderungen an I&O sind so hoch wie nie. Das herkömmliche Betriebsmodell, das auf reaktive manuelle Eingriffe und fragile regelbasierte Automatisierung setzt, hat jedoch sein maximales Potenzial erreicht.

Agentic AI bietet ein grundlegend besseres Modell: eines, in dem intelligente, autonome Agenten die umfangreiche, zeitkritische und zunehmend komplexe Arbeit des Infrastrukturmanagements übernehmen – kontinuierlich, präzise und im großen Maßstab –, während Ihre Engineers sich auf die strategische Arbeit konzentrieren, die Ihr Unternehmen wettbewerbsfähiger und resilienter macht.

Unternehmen, die heute in diese Fähigkeit investieren, verbessern nicht einfach nur ihren IT-Betrieb. Sie bauen eine I&O-Funktion auf, die den Anforderungen des nächsten Jahrzehnts der Enterprise-Technologie gewachsen ist. Wir sind überzeugt, dass dies der Standard ist, auf den jede I&O-Führungskraft hinarbeiten sollte – und dass Agentic AI das leistungsstärkste verfügbare Tool ist, um dorthin zu gelangen.

Erfahren Sie in Den Wandel zu Agentic AI im IT Service Management meistern, wie die Agentic-AI-Funktionen von Ivanti I&O-Teams dabei unterstützen, ihre Abläufe zu transformieren.

Transformieren Sie Ihre IT mit Agentic AI: Der Aufbruch in eine beschleunigte, autonome Servicewelt

Tue, 19 May 2026 14:50:08 Z

Die IT Service Management (ITSM)-Branche steht an einem echten Wendepunkt. Über Jahrzehnte haben Service Desks nach einem grundsätzlich reaktiven Modell gearbeitet – Mitarbeiter stoßen auf Probleme, erstellen Tickets und warten darauf, dass menschliche Analysten diese diagnostizieren, priorisieren und lösen. Automatisierung hat in diesem Rahmen die Bearbeitungskapazitäten zwar erhöht, stellte das zugrundeliegende Modell jedoch nie infrage.

Der Wendepunkt: Warum ITSM nie wieder wie zuvor sein wird

Agentic AI verändert diese Ausgangssituation grundlegend. Agentische Systeme beschleunigen nicht nur die Bearbeitungsgeschwindigkeit, sondern verstehen die Absichten der Anwender, holen sich kontextuelle Informationen, wählen Handlungswege, führen Aktionen über Unternehmens-Tools hinweg aus und bestätigen die Ergebnisse – ohne bei jedem Schritt auf eine menschliche Freigabe warten zu müssen. Wir erleben den Wandel vom IT Service Management zu IT Service Autonomy, mit weitreichenden Implikationen für jeden CIO, CISO und IT-Führungskraft.

Die Zahlen unterstreichen die Dringlichkeit. Gartner prognostiziert, dass bis Ende 2026 rund 40 % aller Enterprise-Anwendungen Task-spezifische AI Agenten integrieren werden, verglichen mit weniger als 5 % im Jahr 2025. Auch die Gartner-Studie prognostiziert, dass bis 2029 70 % der Unternehmen agentische AI Agenten einsetzen werden, um ihre IT-Infrastruktur simultan zu betreiben – gegenüber weniger als 5 % heute.

Dies sind keine inkrementellen Veränderungen, sondern eine grundlegende Neuerfindung in der Bereitstellung, Sicherung und Optimierung von Services durch Technologieorganisationen.

Von Script-basierten Bots zu autonomen Agenten: Die Evolution der Intelligenz im ITSM

Um zu verstehen, wohin sich die Branche entwickelt, ist es wichtig zu wissen, wo sie herkommt. Die Entwicklung von AI im ITSM folgt einem klaren Bogen von deterministischer, scriptbasierter Logik hin zu wahrhaft autonomem Entscheiden.

Phase Eins: Regelbasierte Automatisierung

Die erste Welle der ITSM-Automatisierung nutzte Script-Workflows – wenn ein Ticket bestimmte Schlüsselwörter enthielt, wurde es an eine vordefinierte Queue weitergeleitet; wenn ein Asset aus der Compliance fiel, wurde ein Remediation-Script automatisch ausgeführt. Diese Automatisierungen sorgten für Effizienzsteigerungen, indem sie kostenintensive manuelle Prozesse eliminierten und Betriebsabläufe sicherer sowie konformer machten. Dennoch blieben sie fragil: Für jede neue Situation musste eine neue Regel erstellt werden, das System konnte keine Mehrdeutigkeiten oder Lernerfahrungen aus eigenen Ergebnissen verarbeiten.

Phase Zwei: AI-unterstütztes Service Management

Mit dem Einzug von Machine Learning und generativer AI entstand eine adaptivere Schicht. AI begann damit, Tickets automatisch zu klassifizieren, Incidents für Analysten zusammenzufassen und aus historischen Lösungsdaten Knowledge-Artikel zu generieren. Rund 40 % der Organisationen nutzen mittlerweile AI, um effizientere Ticket-Resolutionen zu ermöglichen.

Chatbots und Virtual Assistants haben Conversational Interfaces in Unternehmensumgebungen eingeführt. Diese ermöglichen Mitarbeitern, per natürlicher Sprache mit dem IT-Support zu kommunizieren, statt strukturierte Formulare auszufüllen. Dies war ein bedeutender Sprung, dennoch blieb die Rolle von AI primär assistierend – sie unterstützte die menschliche Entscheidungsfindung, ohne sie zu ersetzen.

Phase Drei: Agentic AI und autonome Workflows

Hier steht die Branche heute: am Übergang zu einer dritten, deutlich transformierenden Ära. Agentic AI Systeme warten nicht auf Anweisungen, sondern beobachten, argumentieren, planen und handeln eigenständig.

Im ITSM-Kontext kann ein agentisches System etwa eine Anomalie auf einem Endpoint erkennen, diese mit bekannten Vulnerability-Mustern verknüpfen, einen Healing-Prozess starten, das Configuration Management Database (CMDB) aktualisieren und das entsprechende Ticket abschließen – alles, bevor der betroffene Mitarbeiter ein Problem bemerkt. Gartner prognostiziert, dass bis 2028 mindestens 15 % aller täglichen Arbeitsentscheidungen durch agentische AI autonom getroffen werden – ein Anstieg von 0 % im Jahr 2024 – und dass 33 % der Enterprise-Software bis dahin agentische AI enthalten wird.

Der entscheidende Unterschied ist die Agency. Frühere AI-Tools reagierten auf Prompts – agentische Systeme verfolgen echte Ziele. Sie behalten Gedächtnis über Interaktionen hinweg, evaluieren den optimalen Weg zum Ergebnis und führen mehrstufige Workflows über integrierte Systeme aus. Das markiert den architektonischen Sprung: ITSM fokussiert sich nicht mehr nur auf die Bearbeitung von Anfragen, sondern auf die Lieferung von Ergebnissen.

Anatomie agentischer ITSM-Systeme: Rollenbasierte und aufgabenbasierte Intelligenz

Mit zunehmender Reife agentischer AI kristallisiert sich der Einsatz im ITSM um zwei komplementäre Architekturen: rollenbasierte (persona-based) und aufgabenbasierte (task-based) Agenten. Zusammen bilden sie das, was viele Branchenbeobachter als das "conversational front door" zur IT bezeichnen – eine einheitliche, intelligente Schnittstelle, die fragmentierte Portale, Formulare und Call-Trees durch natürliche, adaptive Interaktionen ersetzt.

Persona-based Agents

Persona-based Agents sind an den Anforderungen spezifischer Nutzerrollen ausgerichtet. Ein Self-Service Agent fungiert etwa als erster Kontaktpunkt für Mitarbeiter. Statt Nutzer durch Service-Kataloge und strukturierte Formulare zu zwingen, nutzt ein conversational Self-Service Agent adaptive Intent-Erkennung und geführtes Data Capture, um eine Anfrage in natürlicher Sprache in ein vollständiges, umsetzbares Ticket zu transformieren. Das Ergebnis: Deutlich geringere Hürden für Mitarbeitende und verbesserte Datenqualität für die Service-Teams. Organisationen, die AI-basierte virtuelle Support-Agenten implementieren, berichten von 50 % bis 70 % weniger Anrufen und Adoptionsraten von 80 % bis 85 %.

Service Desk Agents

Im Gegensatz dazu unterstützen Service Desk Agents die menschlichen Analysten direkt. Sie bieten kontextbezogene Unterstützung im Ticketprozess, beschleunigen Triage und Klassifikation und liefern Echtzeit-Coaching, das auch weniger erfahrene Analysten auf das Niveau von Experten hebt.

AI-basierte Incident-Summarization spart Analysten erheblich Zeit, indem komplexe Ticket-Historien automatisch in handlungsorientierte Zusammenfassungen extrahiert werden. Die Analysten bleiben involviert, aber der Prozess ist schneller, enger geführt und besser informiert.

Task-based Agents

Task-based Agents übernehmen spezifische operative Aufgaben – wie Knowledge Search, Incident-Erstellung, Service Request-Fulfillment, Summarization und Q&A. Diese Agenten arbeiten innerhalb eines agentischen Frameworks, zu dem Zieldefinition, Umweltmodellierung, Memory, Reasoning und Action Execution gehören. Die aufkommenden Interoperabilitätsstandards wie Agent-to-Agent (A2A) und Model Context Protocol (MCP) sind hier besonders bedeutsam. Sie zeigen eine Branche, die sich auf Multi-Agent-Ökosysteme zubewegt, in denen spezialisierte Agenten als “Agent Squads” kooperieren, um komplexe, domänenübergreifende Herausforderungen zu bewältigen.

Die Roadmap von Gartner bestätigt diesen Weg: Bis 2027 werden bei einem Drittel der agentischen AI-Implementierungen Agenten mit unterschiedlichen Skills kombiniert, um komplexe Aufgaben in Applikations- und Datenumgebungen zu managen. Für ITSM bedeutet dies: Der Service Desk der Zukunft ist kein monolithisches System, sondern ein orchestriertes Ensemble spezialisierter Agenten, die gemeinsam eine nahtlose Service Experience liefern.

Self-Healing, Self-Securing, Self-Serving: Die drei Säulen autonomer IT

Die strategische Stärke agentischer AI im ITSM liegt in drei eng verbundenen Fähigkeiten, die zusammen ein echtes, autonomes Service Delivery definieren.

Self-Healing

Self-Healing steht für den sichtbarsten Bruch mit klassischem, reaktivem Support. Durch Anomaly Detection und automatisierte Diagnostik erkennen moderne Plattformen Endpunkt- und Security-Probleme, bevor Nutzer betroffen sind. Cloud-basierte Bots mit Hyper-Automation lösen nicht nur bekannte Probleme, sie identifizieren proaktiv bislang unerkannte Schwachstellen, beheben Vorfälle automatisch und verschaffen IT Zeit für Innovation. Je weiter sich Self-Healing etabliert, desto geringer wird das Volumen menschlicher Tickets, und die Rolle des Service Desk verschiebt sich in Richtung Governance und kontinuierliche Verbesserung.

Self-Securing

Self-Securing adressiert die Tatsache, dass Cybersecurity und IT-Betrieb nicht länger in Silos agieren können. AI-getriebene Visibility über Geräte, Organisationseinheiten und digitale Erlebnisse hinweg verbessert die Security-Position, indem sie potenzielle Schwachstellen anhand sozialer Trends und Vulnerability-Scoring proaktiv erkennt.

Eine konsistente Software-Inventarisierung hilft dabei, Risiken frühzeitig zu erkennen, bevor diese zu Breaches führen können. Das Zusammenwachsen von ITSM und Security Operations beschleunigt sich, da agentische AI als verbindendes Element zwischen Threat Detection, Vulnerability Management und Remediation Workflows fungiert.

Unternehmen, die IT und Security über eine AI-getriebene Plattform vereinen, sind in der Lage, das bereitzustellen, was die Branche als „unsichtbare, aber unvermeidbare Security“ bezeichnet – kontinuierlichen, nutzerfreundlichen Schutz ohne Hürden für Endanwender.

Self-Service wird komplett neu gedacht

Klassische Self-Service-Portale litten unter geringer Akzeptanz, da sie die Systemlogik den Nutzern aufzwangen, statt sich ihrer Intention anzupassen. Conversational AI kehrt dieses Verhältnis um.

Mitarbeiter kommunizieren per natürlicher Sprache, während das System die Komplexität von Routing, Klassifizierung und Fulfillment im Hintergrund übernimmt. AI-gestützte Virtual Assistants bringen Produktivitätsgewinne, steigern die Zufriedenheit und maximieren die Adoptionsquoten, indem sie die Einfachheit von Consumer-Virtual Assistants ins Unternehmen transferieren. In Zukunft wird Self-Service durch Voice Automation, Mobile-First-Interfaces und proaktive Benachrichtigungen weiterentwickelt – für eine Omnichannel-Support-Experience, die Mitarbeitende unabhängig von Arbeitsplatz oder Tätigkeit begleitet.

Strategische Konsequenzen: Was IT-Leitung beachten muss

Der Siegeszug agentischer AI im ITSM hat weitreichende Auswirkungen, die deutlich über den Service Desk hinausgehen. Für CIOs und IT-Leitungen stehen mehrere strategische Themen im Fokus.

Vom Cost Center zum Value Center

Wenn Routine-Incidents sich selbst beheben und AI das First-Line-Triage übernimmt, definiert sich der Service Desk nicht mehr über Ticketvolumen und Bearbeitungszeiten. IT-Teams können sich strategischen Initiativen zuwenden – Digitale Transformation, Employee Experience Innovation und Business Process Automation. Die neue Leitfrage lautet nicht mehr: "Wie bearbeiten wir mehr Tickets schneller?" sondern "Wie nutzen wir die durch autonome Services freiwerdenden Kapazitäten bestmöglich?".

Governance und Vertrauen als Imperativ

Die gleiche Gartner-Studie, die ein explosives Wachstum proklamiert, mahnt zur Vorsicht: Über 40 % agentischer AI-Projekte könnten bis Ende 2027 scheitern, wenn Kosten, Wertschöpfung oder Risikokontrolle nicht passen. Erfolgreiche Implementierungen brauchen Compliance, Sichtbarkeit und Policy-Konformität ab Tag eins. AI-Governance ist keine nachträgliche Ergänzung – sie ist ein Grundpfeiler im Design. Unternehmen, die von Beginn an Kontrollmechanismen, Approval-Workflows und Auditierbarkeit in ihre Architekturen integrieren, sichern sich nachhaltigen Mehrwert. Wer Governance als Randthema behandelt, riskiert teure Rückschritte.

Konvergenz von IT- und Security Operations

Datensilos zwischen IT und Security schwächen seit Jahren die Resilienz von Unternehmen. Agentische AI-Plattformen, die Service Management, Endpoint Management und Exposure Management vereinen, schaffen ein zentrales „System of Record“ – und ermöglichen koordinierte, intelligente Reaktionen zwischen ehemals getrennten Domänen. Diese Konvergenz ist kein reines Technologie-Thema: Sie verlangt auch organisatorische Abstimmung, gemeinsame KPIs und eine Kultur, die funktionale Barrieren auflöst.

Employee Experience als Wettbewerbsvorteil

Die Messbarkeit des Digital Employee Experience – über Devices, Service Management, Security und Applikationen hinweg mittels AI-basierter Sentiment-Analysen – macht Employee Experience zur datengetriebenen Disziplin. Organisationen, die nahtlose, Consumer-Grade IT-Experience bieten, binden und gewinnen Talente effektiver als jene, die IT-Support als reine Backoffice-Funktion betrachten. Der Digital Employee Experience (DEX) Score etabliert sich als kritischer KPI für den Service Desk, um skalierbare, personalisierte und empathische Unterstützung zu ermöglichen.

Enterprise Service Management außerhalb der IT

Ein oft unterschätzter Aspekt agentischer AI ist das Potenzial, intelligente Service-Bereitstellung auch auf Bereiche wie HR, Facility Management, Finance und weitere Fachbereiche auszuweiten. Wenn die Plattform No-Code, Workflow-Design und vorgefertigte Integrationen unterstützt, werden im ITSM bewährte Muster zu Blaupausen für unternehmensweite Transformation. Abteilungen, die noch mit E-Mails, veralteten Excel-Tabellen oder Papierdokumenten arbeiten, profitieren enorm von den agentischen Möglichkeiten, die aktuell IT neu definieren.

Die Notwendigkeit autonomer Services

Die Transformation des IT Service Managements durch agentische AI ist keine ferne Aussicht – sie findet bereits statt und gewinnt exponentiell an Fahrt. Die erfolgreichsten Unternehmen sind jene, die diesen Wandel als fundamentale Neudefinition von Service-Konzeption, Bereitstellung und Nutzererlebnis verstehen – nicht bloß als Technologie-Upgrade.

Die Rolle des Menschen verlagert sich, sie verschwindet nicht. Agentic AI wird IT-Profis nicht ersetzen – sondern aufwerten. Analysten werden sich zunehmend von Ticketbearbeitern zu AI-Supervisoren, Governance-Architekten und Experience Designern entwickeln. Für die nächste Dekade werden IT-Fachleute am meisten gefragt sein, die autonome Systeme gestalten, trainieren und steuern – nicht solche, die sie nur bedienen.

Der Weg nach vorn benötigt eine klare Strategie: Aufbau der Automatisierungsbasis – intelligente Workflows, AI-assistierte Klassifikation und Self-Service-Interfaces zur Reduzierung von Reibung und Verbesserung der Datenqualität. Weiterentwicklung zu autonomen Fähigkeiten – Self-Healing Endpunkte, Self-Securing Umgebungen und Conversational Agents, die Issues End-to-End lösen. Schließlich Investitionen in Governance, Unternehmenskultur und Talententwicklung, um autonome Operationen im Enterprise-Maßstab nachhaltig zu verankern.

Die Kernfrage für IT-Leitungen ist inzwischen nicht mehr, OB agentische AI das Service Management transformieren wird. Die entscheidenden Fragen sind: Wie schnell? Und wie strategisch operationalisiert Ihr Unternehmen diese Entwicklung? Das Zeitalter autonomer Services hat begonnen – der Wettbewerbsvorteil gehört den Mutigen, nicht den Zögernden.

Experience-Level Agreements (XLAs) in der Praxis: Ein detaillierter Blick auf die ITSM-Transformation

Fri, 21 Nov 2025 15:17:59 Z

Seit Jahrzehnten bildet das IT-Service-Management (ITSM) die Grundlage für Service-Level Agreements (SLAs). SLAs eignen sich zwar gut, um die technischen Details der IT-Bereitstellung nachzuverfolgen, haben jedoch einen entscheidenden blinden Fleck: Sie sagen wenig darüber aus, wie Nutzer ihre IT-Erlebnisse tatsächlich wahrnehmen.

Genau hier vervollständigen Experience-Level Agreements (XLAs) und Digital Employee Experience (DEX) das Bild. Sie schaffen ein neues Paradigma, das sich schnell durchsetzt und ITSM transformieren kann, indem es den Menschen hinter den Kennzahlen in den Mittelpunkt stellt.

Doch was genau sind XLAs und wie unterscheiden sie sich von herkömmlichen SLAs? Und welche Rolle spielt Digital Employee Experience für erfolgreiche XLAs?

Was sind XLAs?

Experience-Level Agreements sind eine Reihe von Kennzahlen und Zusagen, die sicherstellen sollen, dass das Endbenutzererlebnis durchgehend positiv ist und die Erwartungen erfüllt oder übertrifft.

XLAs und klassische SLAs sollten gemeinsam eingesetzt werden; letztere konzentrieren sich jedoch auf technische Performance und Verfügbarkeit. XLAs priorisieren das gesamte Nutzererlebnis, einschließlich Faktoren wie Benutzerfreundlichkeit, Reaktionsfähigkeit und emotionale Zufriedenheit.

Indem sie die Perspektive der Nutzer in den Fokus rücken, helfen XLAs Unternehmen dabei, ihre Services an den Bedürfnissen der Nutzer auszurichten und so Zufriedenheit und Loyalität zu stärken.

Wie SLA, XLA und DEX zusammenwirken

XLAs, SLAs und DEX wirken zusammen, um Ihnen eine 360-Grad-Sicht auf Ihre technischen Kennzahlen und Ihre Kennzahlen zum Nutzererlebnis zu bieten.

	Beschreibung	Beispielkennzahlen
Service-Level Agreements (SLAs)	Eine vertragliche Vereinbarung zwischen Serviceanbietern und Kunden, die die erwartete Servicequalität, Verfügbarkeit und Reaktionsfähigkeit definiert. SLAs konzentrieren sich auf technische Kennzahlen.	Verfügbarkeiten. Reaktionszeiten. Lösungsquoten. Usw.
Experience-Level Agreements (XLAs)	Eine vertragliche Vereinbarung zwischen Anbietern und Kunden, die sich auf das Endbenutzererlebnis konzentriert und die Servicequalität aus Sicht der Nutzer misst. XLAs umfassen nicht nur technische Performance, sondern auch Faktoren wie Benutzerfreundlichkeit, Barrierefreiheit und allgemeine Zufriedenheit.	Zufriedenheitswert der Endbenutzer. Net Promoter Score (NPS). Digital Experience Score (DEX).

Anders als SLAs und XLAs ist Digital Employee Experience (DEX) keine weitere Art von Vereinbarung. DEX bezeichnet die Qualität der digitalen Erlebnisse, die Mitarbeitende bei der Ausübung ihrer Aufgaben haben. Sie umfasst die Technologien, Tools und digitalen Umgebungen, mit denen sie täglich interagieren.

Auf Grundlage ihrer Erfahrungen mit diesen Tools und Umgebungen wird ein DEX-Score erstellt, der im Rahmen des XLA gemessen wird. Eine positive DEX ist entscheidend für Produktivität, Engagement und allgemeine Arbeitszufriedenheit der Mitarbeitenden.

Wie DEX erfolgreiche XLAs ermöglicht

Digital-Experience-Analysen sind eine wichtige Kennzahl für den Erfolg von XLAs. Indem Unternehmen sicherstellen, dass Mitarbeitende ein positives digitales Erlebnis haben, können sie:

Produktivität steigern — Wenn Mitarbeitende effizient und effektiv arbeiten können, erbringen sie mit größerer Wahrscheinlichkeit einen hervorragenden Service für Kunden.
Kundenerlebnis verbessern — Eine positive DEX führt häufig zu einem besseren Kundenerlebnis, da Mitarbeitende besser in der Lage sind, Kundenanforderungen zu erfüllen.
Geschäftsergebnisse verbessern — Durch die Fokussierung auf DEX können Unternehmen Geschäftsergebnisse verbessern, etwa durch höhere Umsätze, geringere Kosten und eine stärkere Wettbewerbsfähigkeit.

Best Practices für die Implementierung von XLAs

Die Implementierung von XLAs erfordert einen sorgfältigen, strategischen Ansatz, damit Sie die Nutzerzufriedenheit nicht nur wirksam messen, sondern auch spürbare Verbesserungen in der Servicebereitstellung erzielen.

Mit den folgenden Best Practices können Unternehmen XLAs erfolgreich in ihre Abläufe integrieren und eine Kultur fördern, die auf positive Nutzererlebnisse ausgerichtet ist.

Klare Kennzahlen für das Nutzererlebnis definieren: Identifizieren Sie die zentralen Kennzahlen, mit denen Sie das Nutzererlebnis messen. Diese sollten spezifisch, messbar und an den Geschäftszielen ausgerichtet sein.
Technologie nutzen: Nutzen Sie erweiterte Analysen, KI und maschinelles Lernen, um Nutzerdaten zu erfassen und auszuwerten. Diese Tools können helfen, Trends und Verbesserungspotenziale zu erkennen. DEX-Tools ermöglichen es Ihnen, Ihr IT-Erlebnis über Geräte, Nutzer und die gesamte Organisation hinweg zu erfassen und zu messen.
Nutzer einbeziehen: Sammeln Sie regelmäßig Feedback von Nutzern über Umfragen, Feedbackformulare und Tests. So erhalten Sie wertvolle Einblicke in deren Bedürfnisse und Präferenzen. Stellen Sie sicher, dass Umfragen KI nutzen, um Stimmungen zu erkennen und hervorzuheben.
IT-Teams schulen und befähigen: Schulen Sie Ihre IT-Teams in den Prinzipien des Nutzererlebnisses und geben Sie ihnen die Autonomie, Entscheidungen zu treffen, die das Nutzererlebnis verbessern.
Kontinuierliche Verbesserung: Behandeln Sie XLAs als lebendiges Dokument. Überprüfen Sie sie regelmäßig und aktualisieren Sie sie auf Grundlage von Nutzerfeedback und sich verändernden Geschäftsanforderungen.

Herausforderungen und Erkenntnisse

Bei der Implementierung von XLAs geht es nicht nur um neue Tools — sie erfordert einen Wandel in Denkweise und Kultur. Häufige Hürden sind:

Erlebnis definieren — Was gilt als „gutes“ Erlebnis? Das kann subjektiv sein und je nach Rolle variieren.
Kulturelle Akzeptanz — XLAs benötigen Unterstützung durch die Führungsebene und Akzeptanz bei den IT-Teams an vorderster Linie.
Kontinuierliche Verbesserung — XLAs sind nicht statisch. Sie erfordern regelmäßige Überprüfung und Neukalibrierung, wenn sich Nutzeranforderungen weiterentwickeln.
Mehr als Umfragen — Umfragen sind nur eine Messmethode. Stellen Sie sicher, dass DEX-Tools aktiviert sind, um echte Technologiekennzahlen zu erfassen.

Unternehmen, die bei XLAs vorangehen, investieren in regelmäßige Feedbackschleifen, gestalten Ziele gemeinsam mit Geschäftsbereichen und verknüpfen Experience-Ergebnisse direkt mit ITSM-Performance-Reviews.

Die Zukunft: Warum XLAs wichtig sind

In der Praxis sind XLAs und DEX mehr als Schlagworte — sie sind die nächste Entwicklungsstufe des Service Managements. Da Technologie immer enger mit dem Geschäftserfolg verknüpft ist, wird das Erlebnis zum Produkt. IT-Teams, die durch XLAs unterstützt werden, gehen über den reinen Betrieb hinaus und fördern Mitarbeiterengagement, Kundenloyalität und strategische Differenzierung.

Für jedes Unternehmen, das sich auf die ITSM-Transformation konzentriert, bedeutet die Einführung von XLAs, genauer zuzuhören, schneller zu handeln und den eigentlichen Zweck von Technologie größer zu denken: Menschen dabei zu unterstützen, ihre beste Arbeit zu leisten.

Lesen Sie den Digital Experience Report, um zu verstehen, wie DEX Produktivität, Zufriedenheit und Bindung beeinflusst.

KI-Wissensmanagement: So nutzen Sie generative KI für Wissensdatenbanken

Mon, 10 Jun 2024 20:33:57 Z

Das Interesse an generativer KI ist seit der Veröffentlichung von Tools wie ChatGPT, Google Gemini, Microsoft Copilot und anderen stark gestiegen. Neben dem Hype gibt es auch Bedenken hinsichtlich Datenschutz, personenbezogener identifizierbarer Informationen (PII), Sicherheit und Genauigkeit.

Unternehmen gehen trotz des großen Potenzials generativer KI-Tools mit Bedacht vor. Viele suchen nach der optimalen Balance: sofortige Vorteile nutzen und zugleich strategischere Einsatzmöglichkeiten für die Zukunft identifizieren – ohne dabei die Sicherheit zu beeinträchtigen.

Ein Bereich, in dem sich sofortige Verbesserungen erzielen lassen: Wissensmanagement, das für viele Unternehmen traditionell eine Herausforderung darstellt. KI-basiertes Wissensmanagement kann jedoch erhebliche Vorteile bieten – insbesondere für IT-Teams, die viel Zeit in die manuelle Pflege von Wissensdatenbanken investieren müssen.

Wie generative KI und Wissensmanagement zusammenwirken

Generative KI bezeichnet eine Form der künstlichen Intelligenz, die auf Basis vorhandener Daten neue Inhalte wie Bilder, Videos, Texte oder Musik erstellen kann. Sie nutzt Machine-Learning-Algorithmen, um große Datensätze zu analysieren und daraus zu lernen, und verwendet diese Erkenntnisse anschließend zur Generierung neuer Inhalte.

Wissensmanagement ist der Prozess, Wissen innerhalb eines Unternehmens zu erfassen, zu organisieren und zu teilen. Dazu werden Informationen aus verschiedenen Quellen gesammelt, in einer zentralen Datenbank gespeichert und Mitarbeitenden bei Bedarf leicht zugänglich gemacht.

Viele Unternehmen betreiben Wissensmanagement manuell, was zu veralteten oder unzureichend formulierten Inhalten führen kann. Durch die Automatisierung von Wissensmanagement-Prozessen kann generative KI deren Effizienz und Wirksamkeit verbessern.

Vorteile von generativer KI im Wissensmanagement

Hier sind einige konkrete Möglichkeiten, wie generative KI diese Ziele unterstützen kann:

Erstellung von Wissensartikeln automatisieren

Generative KI kann Wissensartikel automatisch aus vorhandenen Datenquellen wie Produktdokumentationen, Kundensupport-Tickets und Schulungsmaterialien für Mitarbeitende entwerfen. Dadurch gewinnen IT-Fachkräfte Zeit für strategischere Aufgaben, etwa die Entwicklung neuer Wissensmanagement-Initiativen und die Verbesserung bestehender Artikel.

Da 56 % der IT-Mitarbeitenden angeben, dass das Helpdesk-Ticketaufkommen gestiegen ist, und 78 % den Anstieg auf hybride bzw. Remote-Arbeit zurückführen, kann die Verbesserung einer Wissensdatenbank eine schnellere und effektivere Problemlösung ermöglichen und Teams entlasten, damit sie sich strategischeren Aufgaben widmen können.

Personalisiertere und ansprechendere Inhalte erstellen

Generative KI kann Inhalte für einzelne Benutzer personalisieren und so deren Erlebnis verbessern. Wissensartikel, insbesondere im HR-Bereich, können nach Region oder Sprache personalisiert werden. Die Möglichkeit, Inhalte passend zu einer bestimmten Mitarbeitenden-Persona zu generieren, verbessert Nutzung und Anwendererlebnis.

Qualität des Wissens verbessern

Generative KI kann Fehler erkennen und korrigieren, Wissensartikel um Kontext und zusätzliche Informationen ergänzen und veraltete Informationen archivieren. So greifen Mitarbeitende nur auf genaue und aktuelle Informationen zu.

Neue Ideen und Erkenntnisse gewinnen

Generative KI kann vorhandenes Wissen auf neue Weise kombinieren. Beispielsweise verfügen HR, Facility Management und IT möglicherweise jeweils über Artikel zum Onboarding und Offboarding von Mitarbeitenden. Generative KI kann daraus einen zusammengeführten Wissensartikel erstellen, der alle drei Abteilungen abdeckt, sodass Mitarbeitende nicht mehrere Artikel durchsuchen müssen.

Probleme schneller lösen

Generative KI kann Probleme schnell lösen, indem sie Datenmuster erkennt, um Entscheidungsfindung und Leistung zu verbessern. So könnte sie beispielsweise IT-Vorfälle über einen bestimmten Zeitraum untersuchen und eine gemeinsame Lösung für ähnliche Probleme identifizieren. Anschließend kann sie einen Wissensartikel für Service-Desk-Mitarbeitende generieren, der zeigt, wie sich Lösungen beschleunigen lassen – oder für Mitarbeitende, wie sie dies per Self-Service erreichen.

Suchgenauigkeit verbessern

Generative KI kann die Suchgenauigkeit verbessern, indem sie die Bereitstellung von Wissen an den Bedürfnissen und Präferenzen einzelner Mitarbeitender ausrichtet. Da durchschnittliche Mitarbeitende 3,6 Stunden pro Tag mit der Suche nach Informationen verbringen, ist jede hier eingesparte Zeit ein Gewinn, der ihr digitales Erlebnis verbessert.

Automatisierung ausbauen

Generative KI kann dabei helfen, Routineaufgaben zu automatisieren – auch solche, die nicht direkt mit der Erstellung von Wissensmanagement-Artikeln zusammenhängen. Steigende Arbeitslasten sind der Grund, warum 92 % der IT-Mitarbeitenden Automatisierung als „notwendig“ oder „sehr notwendig“ ansehen. Neue Möglichkeiten zur Prozessoptimierung zu identifizieren, kann sie daher von Routineaufgaben entlasten, ihnen mehr Zeit für andere Aufgaben verschaffen und zugleich Kosten senken.

Nachteile von generativer KI im Wissensmanagement

Generative KI im Wissensmanagement hat das Potenzial, viele Branchen und Bereiche grundlegend zu verändern – doch es gibt auch Herausforderungen, die bei der Implementierung berücksichtigt werden müssen.

Sicherheit und Datenschutz

KI-Wissensmanagement-Systeme können sensible oder vertrauliche Informationen enthalten. Daher ist es entscheidend, sicherzustellen, dass sie vor Cyberbedrohungen geschützt sind. Zudem können Datenschutzbedenken entstehen, wenn die KI Inhalte anhand personenbezogener oder identifizierender Informationen generiert.

Qualität und Genauigkeit

Generative KI-Modelle können zwar beeindruckende Ergebnisse liefern, doch Qualität und Genauigkeit können je nach Qualität der Eingabedaten und Komplexität der Aufgabe stark variieren.

Risiko von Fehlinformationen

Generative KI kann potenziell falsche oder irreführende Informationen erzeugen, was schwerwiegende Folgen für die IT haben kann – etwa durch das Einschleusen von Malware oder durch die fehlerhafte Empfehlung, Funktionen zu deaktivieren, die zum Schutz der IT-Umgebung vor böswilligen Akteuren dienen. Angenommen, ein Benutzer möchte einen Druckertreiber installieren und bittet KI um Hilfe. In ihren Anweisungen könnte die KI dem Benutzer empfehlen, Antivirensoftware oder eine Firewall zu deaktivieren – und damit ein Zeitfenster schaffen, in dem Malware installiert werden kann.

Abhängigkeit von KI-generierten Inhalten

Unternehmen, die sich zu stark darauf verlassen, priorisieren möglicherweise von Menschen erstellte Inhalte oder kritisches Denken nicht ausreichend, was zu einem Verlust von Fachwissen führen kann. Menschliche Kontrolle bleibt unerlässlich, um KI-generierte Ergebnisse zu validieren und freizugeben.

Datenverzerrung

Generative KI-Modelle können unbeabsichtigt Verzerrungen widerspiegeln, die in ihren Trainingsdaten vorhanden sind, und dadurch verzerrte oder ungenaue Ergebnisse liefern. Dies kann im Wissensmanagement problematisch sein, wo Genauigkeit entscheidend ist. Wenn ein KI-Wissensmanagement-Modell beispielsweise überwiegend mit Daten aus den Vereinigten Staaten trainiert wurde, kann es Ergebnisse generieren, die für Menschen in anderen Ländern weniger relevant sind.

Ethische Bedenken

Dazu gehören potenzielle Verzerrungen in den Trainingsdaten für KI-Wissensmanagement, die bestehende Ungleichheiten fortschreiben können.

Interaktiven Report abrufen: AITSM: Wie KI die IT-Service-Desk-Automatisierung neu definiert

KI-Wissensmanagement erfolgreich umsetzen

Trotz der Bedenken kann generatives KI-Wissensmanagement ein leistungsstarkes Werkzeug sein. Wenn Unternehmen potenzielle Nachteile sorgfältig berücksichtigen und Maßnahmen zu deren Minderung ergreifen, können sie generative KI im Wissensmanagement sinnvoll einsetzen.

Hier sind fünf Punkte, die Sie bei der Einführung von KI-Wissensmanagement berücksichtigen sollten:

Datentypen identifizieren, die zum Trainieren des generativen KI-Modells verwendet werden: Die Identifizierung der Datentypen trägt dazu bei, sicherzustellen, dass die verwendeten Daten genau und zuverlässig sind. Werden Sie vorhandene Wissensartikel, Vorfalldaten, Problemdaten oder eine Kombination verschiedener Typen verwenden?

Sicherstellen, dass die identifizierten Daten genau, vollständig und aktuell sind: Generative KI ist nur so gut wie die Daten, mit denen sie trainiert wird; „Garbage in, garbage out“ gilt nach wie vor.

Ausgabe Ihres generativen KI-Wissensmanagement-Modells überwachen: Prüfen Sie sie auf Verzerrungen, Fehlinformationen, Vollständigkeit und Genauigkeit, um sicherzustellen, dass die generierten Informationen zuverlässig sind.

Richtlinien und Verfahren zum Risikomanagement entwickeln: Dies ist entscheidend, um Themen wie Datensicherheit, Datenschutz und ethische Aspekte beim Einsatz generativer KI im Wissensmanagement zu adressieren.

Einen Freigabeprozess einrichten: Prüfung und Genehmigung müssen erfolgen, bevor generierte Ergebnisse öffentlich geteilt werden.

Implementierungstipps für generatives KI-Wissensmanagement

Es steht außer Frage, dass generatives KI-Wissensmanagement ein wertvolles Werkzeug sein kann – und dass sowohl über seine Vorteile als auch über mögliche Fallstricke noch viel zu lernen ist.

Ein Unternehmen muss die potenziellen Auswirkungen bewerten und eine KI-Wissensmanagement-Lösung auswählen, die seine spezifischen Anforderungen an Datenschutz, Genauigkeit und Sicherheit erfüllt.

Darüber hinaus gibt es einige weitere Best Practices, die eine erfolgreiche Einführung unterstützen:

Klein anfangen und schrittweise skalieren: Am besten beginnen Sie mit einem kleinen Pilotprojekt für generatives KI-Wissensmanagement und skalieren anschließend, sobald Sie Erfahrung gesammelt haben.

Unterstützung der Stakeholder einholen: Es ist wichtig, vor der Einführung generativer KI die Zustimmung der Stakeholder einzuholen, um sicherzustellen, dass sie effektiv eingesetzt wird und ihre Ergebnisse Vertrauen genießen.

Das Modell kontinuierlich verbessern: Es ist entscheidend, Ihr KI-Wissensmanagement-Modell kontinuierlich zu optimieren, indem Sie es mit neuen Daten nachtrainieren und mögliche Probleme beheben, die auftreten können.

Wie Sie ITSM-Integrationen mit iPaaS vereinfachen

Thu, 29 Feb 2024 18:03:46 Z

Integration ist ein entscheidender Aspekt des modernen IT-Service-Managements. Durch die Verknüpfung ihrer ITSM-Plattform mit externen Anwendungen können Unternehmen ihre IT-Abläufe vereinfachen, die Effizienz und Flexibilität steigern und einen besseren Kundenservice bieten. Die Echtzeitintegration ermöglicht es Unternehmen, sich schnell an veränderte Umstände anzupassen und sicherzustellen, dass die IT-Services den Geschäftsanforderungen entsprechen.

Die Integration von ITSM kann jedoch komplex und schwierig sein. Traditionelle Integrationsmethoden erfordern oft eine individuelle Entwicklungs- und Integrationsarbeit, die kostspielig und zeitaufwendig sein kann. iPaaS bietet eine Lösung für diese Herausforderungen und macht die ITSM-Integration einfacher handhabbar.

Was ist iPaaS?

iPaaS steht für „Integration Platform as a Service“. Es handelt sich um einen Cloud-basierten Dienst, der eine Reihe von Tools und Diensten umfasst, die es einfach machen, Anwendungen zu verbinden und Arbeitsabläufe zu automatisieren. iPaaS kann verwendet werden, um ITSM-Tools und -Anwendungen mit anderen Geschäftssystemen wie CRM-, ERP- und HR-Systemen zu integrieren. Dies kann dazu beitragen, die Effizienz zu steigern, Kosten zu senken und den Kundenservice zu verbessern.

iPaaS stellt eine zentrale Plattform bereit, die es Unternehmen ermöglicht, Anwendungen zu verbinden und Arbeitsabläufe zu automatisieren. Diese Plattform bietet mehrere Funktionen und Dienste, die die Integration von Anwendungen erleichtern, darunter:

Vorgefertigte Konnektoren: IPaaS-Plattformen bieten eine Bibliothek mit vorgefertigten Konnektoren, die den Prozess der Verbindung mit häufig verwendeten Anwendungen vereinfachen Diese Konnektoren sind für Anwendungen wie Salesforce, Oracle, SAP und Workday konzipiert.
Datentransformation: iPaaS-Plattformen sind essenziell für die Konvertierung von Daten zwischen verschiedenen Anwendungen, um bei der Integration über mehrere Systeme hinweg Konsistenz und Genauigkeit zu gewährleisten.
Automatisierung von Arbeitsabläufen: IPaaS-Plattformen können Arbeitsabläufe zwischen Anwendungen automatisieren, wodurch die Effizienz verbessert und der Bedarf an manuellen Eingriffen reduziert wird.

Wie iPaaS die ITSM-Integration vereinfacht

IPaaS vereinfacht die ITSM-Integration durch die Bereitstellung einer zentralisierten Plattform mit integrierten Konnektoren und Vorlagen, wodurch komplizierte Punkt-zu-Punkt-Verbindungen überflüssig werden. Dies spart Zeit und Aufwand beim Verbinden mehrerer Systeme, ohne dass fortgeschrittene Programmierkenntnisse oder technisches Fachwissen erforderlich sind.

Mit IPaaS können Daten in Echtzeit zwischen ITSM-Tools und anderen Geschäftssystemen synchronisiert werden. Dadurch wird sichergestellt, dass alle Systeme über die aktuellsten Informationen verfügen. Die Echtzeit-Integration verbessert die Genauigkeit und Effizienz von ITSM-Prozessen und ermöglicht es Unternehmen, Kundenanfragen und -probleme schnell und effektiv zu bearbeiten.

Darüber hinaus bietet iPaaS Skalierbarkeit und Flexibilität für ITSM-Integrationen. Wenn Unternehmen wachsen und sich ihre IT-Anforderungen ändern, können sie ITSM-Tools und -Anwendungen einfach hinzufügen oder entfernen, ohne bestehende Integrationen zu unterbrechen. Dadurch können Unternehmen ihre ITSM-Integrationen nach Bedarf anpassen und effiziente Prozesse aufrechterhalten.

Häufige Anwendungsfälle für iPaaS im ITSM

Zu den gängigen integrationszentrierten Anwendungsfällen, die sich gut für iPaaS innerhalb von ITSM eignen, gehören:

eBonding/Ticket-Weiterleitung: Dies erleichtert die wechselseitige Integration mit anderen ITSM- oder Ticket-Systemen – intern und extern. Dies ist bei Dienstanbietern üblich, die ihre Service-Management-Plattform direkt in die Plattform eines Kunden integrieren müssen. Dies umfasst in der Regel die bidirektionale Integration von Vorfällen, kann aber je nach Vereinbarung zwischen dem Kunden und dem Dienstleister auch Änderungen und Assets/CIs beinhalten. Diese Art der Integration erfolgt typischerweise zwischen ‚Ivanti Neurons for ITSM‘ und Plattformen wie „ServiceNow“ oder ‚BMC Helix“.
Beschaffung: Um Serviceanfragen, die Lieferung von Services und assetbezogene Workflows effizient zu gestalten, kann es sinnvoll sein, ein Beschaffungssystem wie SAP oder eine vergleichbare Lösung zu integrieren. Ferner kann die Integration mit externen Anbietern wie Dell oder CDW Beschaffungsanfragen bei Anbietern erleichtern.
Onboarding: Wenn Sie einen neuen Mitarbeitenden in Ihr Unternehmen aufnehmen, ist es wichtig, nicht nur die HR-Abteilung, sondern auch die IT-Abteilung, die Lohnbuchhaltung, das Gebäudemanagement und alle anderen erforderlichen Abteilungen einzubeziehen. Die Optimierung des Onboarding-Prozesses in all diesen Bereichen kann durch Automatisierung erreicht werden, unabhängig von den verwendeten spezifischen Anwendungen (wie Workday, SAP, „Ivanti Neurons for ITSM“ oder ADP). Dies ermöglicht eine nahtlose Integration und Abwicklung aller erforderlichen Aufgaben.
DevOps: Die Optimierung von Entwicklungsprozessen ist für den Erfolg des DevOps-/DevSecOps-Prozesses von entscheidender Bedeutung. Automatisierung ist essenziell für die Optimierung und Effizienz von Prozessen in der gesamten Anwendungsentwicklung (mit Tools wie Jira und Azure DevOps), Bereitstellung (mit GitHub und Jenkins), Betrieb (mit ITSM) und Sicherheit (mit Tools wie ASOC und BlackDuck).
Kommunikation/Zusammenarbeit: Viele Unternehmen nutzen verschiedene Tools für die Zusammenarbeit wie Microsoft Teams oder Slack für Instant Messaging und virtuelle Agenten wie Espressive und Moveworks. Wenn diese Tools miteinander kommunizieren, können Mitarbeitende ihr bevorzugtes Tool nutzen, was ihre allgemeine Benutzererfahrung verbessert und sicherstellt, dass keine Kommunikation verloren geht. Eine automatische Integration in das Service-Management sowie die Fähigkeit zur reibungslosen Kommunikation sind dabei von entscheidender Bedeutung.
Betriebsmanagement: Viele Unternehmen setzen mehrere Lösungen ein, um ihre Betriebsumgebung zu überwachen. Diese Lösungen umfassen häufig die Überwachung von Netzwerken, Servern, Anwendungen und Sicherheit. Es ist von entscheidender Bedeutung, dass diese Tools mit dem Service-Management kommunizieren, um den entsprechenden Teams genaue und zeitnahe Informationen zur Verfügung zu stellen. Die Integration dieser Lösungen sollte den bidirektionalen Austausch von Aktualisierungen ermöglichen, um eine konsistente Datenlage in allen Umgebungen sicherzustellen.
Bearbeitung von Anfragen: Erweitern Sie den Umfang der Erfüllung von Anfragen über ITSM hinaus, um externe Drittanbieterlösungen für Prozesse wie Genehmigungen und Beschaffung sowie externe Anbietersysteme wie CDW, Lenovo oder Dell einzubeziehen. Schaffen Sie einen reibungslosen Arbeitsablauf, der verschiedene externe Systeme umfasst, um die Effizienz Ihres Auftragsabwicklungsprozesses zu verbessern.

Ivanti Neurons iPaaS macht die Integration einfach

Ivanti Neurons iPaaS, powered by Workato, ist eine kostengünstige, effiziente, agile, skalierbare und sichere Integrationsplattform für Ivanti Neurons for ITSM (SaaS), die eine Integration über ITSM-, ITAM- und Line-of-Business-Anwendungen hinweg ermöglicht. Es ist nahtlos in die ITSM-Administrationserfahrung integriert, um die Entwicklung, Überwachung und Fehlerbehebung im Rahmen von ITSM-, ITAM- oder Enterprise-Service-Management-Anwendungsfällen äußerst benutzerfreundlich zu gestalten. Durch die Nutzung von „Ivanti Neurons iPaaS“ können Unternehmen ihre IT-Abläufe optimieren, die Bereitstellung von Dienstleistungen verbessern und sich in der dynamischen Technologieumgebung von heute einen Wettbewerbsvorteil verschaffen.

Die „Ivanti Neurons for ITSM“-Plattform wird auch weiterhin offene APIs nach Branchenstandard wie REST API, SOAP und Webhooks unterstützen. Ivanti Neurons iPaaS erweitert und verbessert Ihre API- und Integrationsfunktionen.

Erfahren Sie mehr darüber, wie Ivanti Neurons iPaaS Ihren ITSM-Integrationsansatz verändern kann.

Wie Sie generative KI für das Wissensmanagement nutzen können

Thu, 20 Jul 2023 13:57:20 Z

Im Blogbeitrag „Wie generative KI dem Wissensmanagement zugute kommen kann“ haben wir uns mit den Vorteilen von KI für das Wissensmanagement befasst, um die Qualität zu verbessern, die Erstellung von Inhalten zu automatisieren und mehr ansprechende Inhalte zu ermöglichen. Wenn generative KI Teil des Wissensmanagements wird, ergeben sich Bedenken hinsichtlich Genauigkeit, Datenverzerrung, Datenschutz und Sicherheit.

Jetzt ist es an der Zeit zu überlegen, wie wir es schaffen können, dass all das gut zusammenarbeitet ...

Wie Sie generative KI für das Wissensmanagement nutzen können

Trotz der Bedenken, generative KI im täglichen Betrieb einzusetzen, hat diese Technologie das Potenzial, ein leistungsstarkes Werkzeug zur Optimierung des Wissensmanagements zu sein. Wenn Sie die potenziellen Nachteile sorgfältig abwägen und Maßnahmen ergreifen, um diese abzumildern, können Unternehmen generative KI nutzen, um ihr Wissensmanagement zu verbessern.

Hier sind die fünf Dinge, die Sie beim Einsatz generativer KI für das Wissensmanagement beachten sollten:

Stellen Sie sicher, dass Sie die Art der Daten identifizieren, die zum Trainieren des generativen KI-Modells verwendet werden sollen. Die Identifizierung des Datentyps wird dazu beitragen, dass die verwendeten Daten genau und zuverlässig sind. Werden Sie vorhandene Wissensartikel, Ereignisdaten, Problemdaten oder eine Kombination aus allem verwenden?
Nach der Identifizierung des Datentyps ist die generative KI nur so gut wie die Daten, auf denen sie trainiert wird. Das alte Sprichwort ‚Garbage in, garbage out‘ gilt immer noch. Stellen Sie sicher, dass die Daten, die Sie identifiziert haben, genau, vollständig und aktuell sind.
Überwachung der Ausgabe des generativen KI-Modells auf Anzeichen von Verzerrungen, Fehlinformationen, Vollständigkeit und Genauigkeit. Dies kann dazu beitragen, dass die vom Modell generierten Informationen zuverlässig sind.
Entwicklung von Richtlinien und Verfahren zum Umgang mit den Risiken, die mit dem Einsatz generativer KI für das Wissensmanagement verbunden sind. Dies ist ein wichtiger Schritt, um den Erfolg Ihres Projekts sicherzustellen. Diese Richtlinien und Verfahren sollten Themen wie Datensicherheit, Datenschutz und ethische Überlegungen behandeln. Sie sollten so gestaltet sein, dass der Einsatz generativer KI für das Wissensmanagement auf verantwortungsvolle und ethische Weise erfolgt.
Ein Genehmigungsverfahren, bevor Informationen öffentlich zugänglich gemacht werden, um sicherzustellen, dass die generierten Ergebnisse überprüft und genehmigt werden.

Mit diesen Schritten können Unternehmen die generative KI nutzen, um ihr Wissensmanagement zu verbessern und gleichzeitig die Risiken zu minimieren.

Kombinieren Sie generative KI und Wissensmanagement mit Bedacht

Die Effektivität und die Auswirkungen der generativen KI auf das Wissensmanagement hängen davon ab, wie sie eingesetzt und implementiert wird. Es ist wichtig, dass Sie die Vorteile und Risiken sorgfältig abwägen, bevor Sie sich für die Einführung der KI entscheiden.

Hier sind einige mögliche Vor- und Nachteile:

Vorteile

1. Automatische Generierung von relevanten Inhalten

Generative KI kann verwendet werden, um automatisch Wissensartikel aus vorhandenen Datenquellen zu erstellen, z. B. aus Produktdokumentationen, Kundensupporttickets und Schulungsmaterialien für Mitarbeitende.

32 % der IT-Fachleute berichten von einem Anstieg der Helpdesk-Tickets seit der Umstellung auf Remote-Arbeit. Hier bietet sich eine große Chance für die Verbesserung der Wissensdatenbank, die eine schnellere und effektivere Problemlösung ermöglichen kann, so dass sich die IT-Fachleute auf strategischere Aufgaben konzentrieren können, wie z.B. die Entwicklung neuer Wissensmanagement-Initiativen und die Verbesserung der Qualität der vorhandenen Wissensartikel.

2. Verbesserte Suchgenauigkeit

Generative KI kann dazu beitragen, die Suchgenauigkeit zu verbessern, indem sie die Bereitstellung von Wissen für die Mitarbeitenden auf der Grundlage ihrer individuellen Bedürfnisse und Präferenzen personalisiert. Bei einem durchschnittlichen Mitarbeitenden, der täglich 3,6 Stunden mit der Suche nach Informationen verbringt, ist jede Zeitersparnis bei der Bereitstellung von Wissen ein Gewinn.

Wenn Sie einen einfacheren und schnelleren Zugang zu Informationen ermöglichen, wird dies letztlich die digitale Erfahrung Ihrer Mitarbeitenden verbessern.

3. Verbesserte Automatisierung

Generative KI kann bei der Automatisierung von Routineaufgaben helfen – auch wenn diese nicht direkt mit der Erstellung von Wissensmanagement-Artikeln zu tun haben.

Da 85 % der IT-Profis Investitionen in Automatisierung und KI als gewinnbringend einstufen, können IT-Profis durch die Identifizierung neuer Möglichkeiten zur Rationalisierung ihrer Prozesse Zeit gewinnen, um sich auf komplexere Probleme zu konzentrieren.

Nachteile

1. Risiko von Fehlinformationen

Generative KI kann potenziell falsche oder irreführende Informationen produzieren, was zu schwerwiegenden Konsequenzen im IT-Bereich führen kann. Zum Beispiel das Einschleusen von Malware oder die falsche Empfehlung, Funktionen zu deaktivieren, die zum Schutz der IT-Umgebung vor böswilligen Akteuren dienen.

2. Abhängigkeit von KI-generierten Inhalten

Wenn sich Unternehmen zu sehr auf KI-generierte Inhalte verlassen, werden sie möglicherweise den von Menschen erstellten Inhalten oder den Fähigkeiten zum kritischen Denken keine Priorität einräumen, was zu einem potenziellen Verlust von Fachwissen führt. Trotz aller Diskussionen über generative KI ist immer noch eine Überwachung durch einen Menschen erforderlich, um die Genauigkeit zu überprüfen und die generierten Informationen zu genehmigen.

3. Ethische Bedenken

Es gibt ethische Bedenken im Zusammenhang mit dem Einsatz von generativer KI, wie z. B. mögliche Verzerrungen in den Daten, die zum Trainieren des Modells verwendet werden, was bestehende Ungleichheiten aufrechterhalten kann.

Es besteht kein Zweifel daran, dass generative KI ein wertvolles Werkzeug für das IT-Wissensmanagement sein kann. Obwohl es sich um eine neue, aufregende Technologie handelt, gibt es noch viel zu lernen über die Vorteile und Fallstricke, die sie mit sich bringen kann.

Jedes Unternehmen muss die möglichen Auswirkungen individuell prüfen und eine geeignete KI-Lösung wählen, die den eigenen Anforderungen an Datenschutz, Genauigkeit und Sicherheit entspricht.

Tipps für die Implementierung generativer KI für das Wissensmanagement

Klein anfangen und ausbauen

Es ist besser, mit einem kleinen Pilotprojekt zu beginnen und dann mit zunehmender Erfahrung die generative KI zu erweitern.

Holen Sie sich die Zustimmung der Stakeholder

Es ist wichtig, die Zustimmung der Stakeholder einzuholen, bevor generative KI in der Produktion eingesetzt wird. Dies wird dazu beitragen, dass das Modell effektiv genutzt wird und dass seinen Ergebnissen vertraut wird.

Überwachen Sie die Leistung des Modells

Es ist wichtig, die Leistung des Modells zu überwachen, nachdem es in der Produktion eingesetzt worden ist. Dies wird dazu beitragen, mögliche Probleme mit dem Modell zu identifizieren und die Genauigkeit des Modells zu verbessern.

Kontinuierliche Verbesserung des Modells

Generative KI-Modelle werden ständig verbessert. Es ist wichtig, das Modell kontinuierlich zu verbessern, indem Sie es mit neuen Daten trainieren und alle potenziellen Probleme angehen, die auftreten könnten.

Erfahren Sie mehr über dieses Thema – sehen Sie sich unser Webinar zu Generative KI für InfoSec und Hacker: Was Sicherheitsteams wissen müssen.

Wie generative KI Ihrem Wissensmanagement zugute kommen kann

Tue, 20 Jun 2023 15:24:02 Z

Seit der Veröffentlichung von Tools wie ChatGPT, Google Bard, Amazon Large Language Models und Microsoft Bing ist das Interesse an den Möglichkeiten der generativen KI gewachsen. Mit dem Hype kommen auch Bedenken hinsichtlich des Datenschutzes, der personenbezogenen Daten, der Sicherheit und – was noch wichtiger ist – der Genauigkeit. Und das zu Recht.

Unternehmen gehen vorsichtig mit der Akzeptanz von generativen KI-Tools um, obwohl sie diese als einen Game-Changer ansehen. Viele Unternehmen versuchen, den Sweet Spot zu finden, der es ihnen ermöglicht, die Vorteile jetzt zu nutzen und gleichzeitig strategischere Einsatzmöglichkeiten für generative KI für die Zukunft zu identifizieren, ohne dabei Kompromisse bei der Sicherheit einzugehen.

Ein Bereich, in dem eine Organisation sofortige Gewinne erzielen kann, ist ihr Wissensmanagement. Diese Initiative ist für viele Unternehmen eine Herausforderung, aber sie kann die Produktivität der Mitarbeiter steigern und den Support-Teams, die ihr Wissen normalerweise manuell pflegen, erhebliche Vorteile bringen.

Wie sich generative KI und Wissensmanagement überschneiden

Generative KI bezieht sich auf eine Art von künstlicher Intelligenz, die auf der Grundlage vorhandener Daten neue Inhalte wie Bilder, Texte oder sogar Musik erstellen kann. Es verwendet Algorithmen des maschinellen Lernens, um große Datensätze zu analysieren und daraus zu lernen. Von dort aus generiert es neue Inhalte auf der Grundlage dieser Analyse.

Wissensmanagement hingegen ist der Prozess des Erfassens, Organisierens und Teilens von Wissen innerhalb einer Organisation. Es geht darum, Informationen aus verschiedenen Quellen zu sammeln, sie in einer zentralen Datenbank zu speichern und sie für die Beschäftigten leicht zugänglich zu machen, wenn sie sie brauchen.

Viele Unternehmen pflegen ihr Wissensmanagement manuell, was dazu führt, dass Inhalte veraltet oder schlecht geschrieben sind. Durch die Automatisierung vieler Aufgaben, die mit dem Wissensmanagement verbunden sind, kann generative KI dazu beitragen, die Effizienz und Effektivität deiner Wissensmanagementprozesse zu verbessern.

Generative KI kann u.a. das Wissensmanagement optimieren:

1. Die Erstellung von Wissensartikeln automatisieren

Generative KI kann automatisch Wissensartikel aus vorhandenen Datenquellen wie Produktdokumentationen, Kundensupporttickets und Schulungsunterlagen für Mitarbeiter erstellen. Durch diese Automatisierung können sich IT-Fachleute auf strategischere Aufgaben konzentrieren, wie z.B. die Entwicklung neuer Wissensmanagement-Initiativen und die Verbesserung der Qualität der vorhandenen Wissensartikel.

2. Die Qualität des Wissens verbessern

Generative KI kann die Qualität von Wissen verbessern, indem sie Fehler identifiziert und korrigiert, alte Informationen archiviert und Wissensartikel mit Kontext und zusätzlichen Informationen anreichert. Dies kann dazu beitragen, dass die Beschäftigten Zugang zu genauen und aktuellen Informationen haben.

3. Neue Ideen und Erkenntnisse generieren

Generative KI kann neue Ideen und Erkenntnisse generieren, indem sie vorhandenes Wissen auf neue Weise kombiniert. Zum Beispiel gibt es für die Personalabteilung, den Betrieb und die IT-Abteilung Artikel, die sich mit dem Onboarding und Offboarding von Mitarbeitern befassen.

Generative KI kann sich diese ansehen und einen zusammengefassten Wissens artikel erstellen, der sp;den End-to-End-Prozess des Onboarding und Offboarding in allen drei Bereichen diskutiert. Das kann Mitarbeitenden die Suche in drei verschiedenen Bereichen ersparen.

4. Probleme schneller lösen

Generative KI kann Probleme schnell lösen, indem sie Muster und Trends in Daten identifiziert. Dies kann Organisationen helfen, bessere Entscheidungen zu treffen und ihre Gesamtleistung zu verbessern.

So kann generative KI zum Beispiel IT-Vorfälle über einen bestimmten Zeitraum hinweg betrachten und eine gemeinsame Lösungsmethode für eine Gruppe von gemeinsamen Problemen identifizieren. Auf der Grundlage seiner Erkenntnisse kann es einen Wissensartikel erstellen, mit dem die Service-Desk-Agenten Probleme schneller lösen können und die Mitarbeiter/innen sie per Self-Service selbst beheben können.

5. Ansprechendere Inhalte erstellen

Generative KI kann ansprechende Inhalte erstellen, indem sie sie für jeden Nutzer personalisiert und so das Kundenerlebnis verbessert. Wissensartikel, vor allem im Bereich HR-Wissen, werden auf der Grundlage von Region oder Sprache personalisiert. Wenn sie in der Lage sind, Inhalte zu erstellen, die speziell auf die jeweilige Person zugeschnitten sind, wird der Nutzen und das Erlebnis für die Mitarbeitemdem erheblich verbessert.

Was sind die Nachteile von generativer KI?

Generative KI-Lösungen gepaart mit Wissensmanagement haben das Potenzial, viele Branchen und Bereiche zu revolutionieren. Sie können jedoch auch Nachteile mit sich bringen, wie zum Beispiel:

1. Sicherheit und Datenschutz

Generative KI-Systeme, die für das Wissensmanagement eingesetzt werden, können sensible oder vertrauliche Informationen enthalten. Deshalb ist es wichtig, dass sie sicher sind und vor Cyber-Bedrohungen geschützt werden. Außerdem kann es Bedenken hinsichtlich des Datenschutzes geben, insbesondere wenn die KI Inhalte erstellt, die persönliche oder identifizierende Informationen enthalten.

Generative KI kann zum Beispiel realistisch aussehende Malware und Phishing-Angriffe erstellen. Diese Angriffe können genutzt werden, um persönliche Daten, Finanzdaten oder andere sensible Informationen zu stehlen.

2. Qualität und Genauigkeit

Generative KI-Modelle können zwar beeindruckende Ergebnisse liefern, aber ihre Qualität und Genauigkeit können je nach Eingabedaten und Komplexität der Aufgabe stark variieren. Das alte Sprichwort „Garbage in, garbage out“ gilt immer noch. Es kann auch schwierig sein, sicherzustellen, dass die KI Zugang zu genauen und aktuellen Informationen hat, was sich auf die Qualität der Ergebnisse auswirken kann.
Die Trainingsdaten für ChatGPT werden zum Beispiel aus dem Internet gesammelt und regelmäßig aktualisiert. Die aktuelle Version von ChatGPT wird jedoch auf Daten trainiert, die bis September 2021 gesammelt wurden. Das bedeutet, dass ChatGPT möglicherweise nicht in der Lage ist, Fragen zu aktuellen Ereignissen oder Themen zu beantworten, die seit September 2021 in den Nachrichten sind.

3. Datenverzerrung

Generative KI-Modelle können versehentlich die Voreingenommenheit und die Vorurteile widerspiegeln, die in den Daten enthalten sind, auf denen sie trainiert wurden, was zu verzerrten oder ungenauen Ergebnissen führt. Diese Datenverzerrung ist vor allem bei Wissensmanagement-Anwendungen problematisch, bei denen es auf Genauigkeit ankommt.
Wenn ein Modell zum Beispiel auf einem Datensatz mit Texten trainiert wird, die überwiegend aus den USA stammen, ist die Wahrscheinlichkeit geringer, dass das Modell Texte generiert, die für Menschen aus anderen Ländern relevant sind.

Generative KI bietet einer Organisation die Möglichkeit, das Wissensmanagement durch verbesserte Qualität, ansprechende Inhalte und Automatisierung zu verbessern. Aber auf dem Weg dorthin gibt es einige Vorsichtsmaßnahmen. Erfahren Sie, welche Voraussetzungen Sie erfüllen müssen, um generative KI mit Wissensmanagement in Ihrem Unternehmen erfolgreich einzusetzen.

Der Bedarf für Enterprise Service Management

Wed, 15 Mar 2023 14:42:49 Z

Die wichtigsten Erkenntnisse

Unter ESM versteht man die Verwaltung von Technologiediensten, um sicherzustellen, dass sie den Bedürfnissen des Unternehmens und seiner Mitarbeiter entsprechen.
Es stellt sicher, dass die Dienstleistungen konsistent, effizient und kosteneffektiv erbracht werden – und dabei die Bedürfnisse des Unternehmens und der Kunden erfüllen.
Zu den Vorteilen von Enterprise Service Management (ESM) gehören eine höhere Zufriedenheit und ein stärkeres Engagement der Mitarbeiter, geringere Kosten, eine höhere Effizienz und eine verbesserte Compliance.
Umfassende Prozesse und Automatisierung tragen dazu bei, dass Ihr Unternehmen seinen Kunden die höchste Servicequalität bietet und gleichzeitig die verfügbaren Ressourcen optimiert.
Es gibt vier Schlüsselkomponenten einer effektiven ESM-Strategie: klare Ziele und Vorgaben, umfassende Prozesse, Automatisierung sowie Überwachung und Feedback.

Unternehmen sind heute immer mehr auf Technologie angewiesen, um ihren Mitarbeitern qualitativ hochwertige Dienstleistungen zu bieten. Infolgedessen besteht ein erhöhter Bedarf an Enterprise Service Management (ESM)

Was ist Enterprise Service Management?

ESM ist eine Reihe von Prozessen und Praktiken, die für die Verwaltung der Technologiedienste eines Unternehmens eingesetzt werden. ESM stellt sicher, dass die Dienstleistungen konsistent, effizient und kosteneffektiv erbracht werden – und dabei die Anforderungen des Unternehmens und der Kunden erfüllen.

Die Mitarbeiter erwarten in ihrem Geschäftsalltag eine ähnliche Erfahrung, unabhängig davon, ob sie mit der IT-Abteilung oder einem der vielen anderen Dienstleister in einem Unternehmen zu tun haben. Dazu gehören die Abteilungen Human Resources (HR), Recht, Facilities, Projektmanagement, Sicherheit, Vertrieb, Marketing, Forschung und Entwicklung sowie Finanzen.

Vorteile von Enterprise Service Management

Die Vorteile von Enterprise Service Management sind zahlreich. Einige der wichtigsten sind:

1. Verbesserte Zufriedenheit der Mitarbeiter

ESM untersucht, wie Technologie den Mitarbeitern bei der Erledigung ihrer Arbeit hilft oder sie behindert – und zwar genau dann, wenn sie es tun müssen. ESM stellt sicher, dass die Dienstleistungen konsistent und effizient erbracht werden, was zu einer höheren Produktivität und Zufriedenheit der Mitarbeiter führt. Indem ESM klare Erwartungen weckt, die Kommunikation verbessert und ein Gefühl der Eigenverantwortung schafft, können sich die Mitarbeiter stärker mit den Teams verbunden fühlen, die die von ihnen gewünschten Dienstleistungen erbringen.

Wenn ein Mitarbeiter beispielsweise den Status einer Anfrage sehen kann, weiß er, in welchem Stadium sie sich befindet und wann sie voraussichtlich abgeschlossen sein wird. So können sich die Mitarbeiter und die Fachabteilungen stärker darauf konzentrieren, einen geschäftlichen Mehrwert zu schaffen und sicherzustellen, dass die IT die Produktivität steigert, anstatt die Effizienz der Mitarbeiter zu behindern.

2. Verstärktes Engagement der Mitarbeiter

Die Bereitstellung eines Omnichannel-Erlebnisses über ein Self-Service-Portal, Microsoft Teams, einen virtuellen Mitarbeiter und E-Mail ermöglicht es den Mitarbeitern, die Arbeitsweise zu wählen, die am besten zu ihren Bedürfnissen und Vorlieben passt, und ihr Engagement zu erhöhen, indem sie auf einfache Weise Informationen und Dienste über eine Vielzahl von Modi finden und anfordern können.

3. Geringere Kosten

ESM kann dazu beitragen, die Kosten erheblich zu senken, indem Prozesse gestrafft und unnötige Komplexität beseitigt wird. Automatisierung ist hier der Schlüssel; die Klassifizierung von Tickets, die Zuweisung und flexible Arbeitsabläufe können automatisiert werden, um sicherzustellen, dass das richtige Team das Ticket von Anfang an bearbeitet. Das senkt nicht nur die Kosten, sondern führt auch zu mehr Effizienz und Kundenzufriedenheit.

4. Gesteigerte Effizienz

ESM trägt dazu bei, die Effizienz zu steigern und Fehler zu reduzieren, indem es sicherstellt, dass Dienstleistungen pünktlich geliefert werden und den Prioritäten des Unternehmens entsprechen. Dies kann durch standardisierte Arbeitsabläufe, dokumentierte Prozesse, automatisierte Zuweisungen und vernetzte Systeme erreicht werden, was zu einer höheren Qualität der Dienstleistungen im gesamten Unternehmen führt.

5. Verbesserte Compliance

ESM ermöglicht Unternehmen die Erfüllung von Branchenvorschriften und Standards. Durch detaillierte Audits und Berichte können Unternehmen sicherstellen, dass sie Service Levels, Sicherheitsprotokolle und andere Vorschriften einhalten. Dies hilft Unternehmen, ihre Daten und Assets zu schützen und sich einen Wettbewerbsvorteil auf dem Markt zu verschaffen, indem sie die Einhaltung der einschlägigen Vorschriften sicherstellen.

Merkmale einer effektiven Enterprise Service Management Strategie

Die Mitarbeiter erwarten einen einfachen und sofortigen Zugang zu IT- und Nicht-IT-Diensten und die automatische Erfüllung ihrer Anfragen.

Der IT-Service Desk oder Help Desk steht zwar im Vordergrund, wenn es um Service Management geht, aber das ist nur ein Element einer ESM-Strategie. Einige andere Schlüsselfunktionen, die eine Chance für die Einführung von Enterprise Service Management für Nicht-IT-Dienste darstellen, sind:

Self-Service-Portal.
Einfacher Wissenszugang.
Ticket-Automatisierung.
Fallmanagement.

Eine wirksame ESM-Strategie muss vier Schlüsselkomponenten enthalten

1. Klare Ziele und Vorgaben

Es ist essentiell, ein umfassendes Verständnis für die Ziele einer Organisation zu haben, wenn es um ESM geht. Dies könnte damit beginnen, dass die Personalabteilung (HR) oder die Einrichtungen eine klare Vorstellung von den Vorteilen haben.

Um klein anzufangen: Wenn E-Mail die normale Form der Kommunikation ist, wäre es sinnvoll, automatisierte E-Mail-Erstellung in die neue ESM-Plattform zu integrieren und in einem zweiten Schritt das Self-Service-Portal oder den virtuellen Mitarbeiter einzuführen.

Noch wichtiger ist es jedoch, die Backend-Prozesse durch den Einsatz von Automatisierung und Workflow-Technologie zu verbessern. Dies ermöglicht eine Straffung der Abläufe und effizientere Prozesse, was zu einer höheren Produktivität führt;

Darüber hinaus trägt eine gut definierte ESM-Strategie dazu bei, dass das Unternehmen mit den sich ständig ändernden Bedürfnissen seiner Kunden Schritt hält und stets einen hochwertigen Service bietet.

2. Umfassende Prozesse

Vom ersten Entwurf bis zur endgültigen Lieferung sollten die ESM-Prozesse umfassend und detailliert sein und eine Vielzahl von Phasen der Leistungserbringung umfassen. Es ist wichtig, die Dienstleistungen und Prozesse, die Ihr Unternehmen anbieten will, zu dokumentieren und zu umreißen. Diese Dienste und Prozesse mögen anfangs begrenzt sein, aber sie werden unweigerlich erweitert, wenn Ihr Unternehmen reift.

Darüber hinaus ist es essentiell, die wichtigsten Prozesse zu identifizieren, die für die beste Mitarbeiterzufriedenheit und die höchste Effizienz sorgen. Umfassende Prozesse tragen dazu bei, dass Ihr Unternehmen seinen Kunden die höchste Servicequalität bieten kann und gleichzeitig die verfügbaren Ressourcen optimiert.

3. Automation

Durch die Automatisierung in Ihrem Unternehmen können Sie Prozesse rationalisieren und Fehler reduzieren. Durch die automatische Zuweisung von Arbeit an das richtige Team wird die Reaktions- und Lösungszeit erheblich verkürzt und die Durchlaufzeit für Kundenanfragen verbessert. Workflows, die automatisch Genehmigungen, Aufgaben und Benachrichtigungen verwalten, helfen dabei, ein hohes Maß an Genauigkeit und Qualität aufrechtzuerhalten;

Die Kombination von Automatisierung mit bestehenden manuellen Arbeitsschritten wird die Geschwindigkeit, Genauigkeit und Qualität der organisatorischen Abläufe erheblich verbessern und die Erfahrungen der Mitarbeiter verbessern.

4. Kontrolle und Feedback

Es ist wichtig, die Leistung der ESM-Prozesse zu kontrollieren und Feedback zu geben, um sicherzustellen, dass sie die Ziele der Organisation erfüllen. Um dies effektiv zu tun, ist es notwendig, Dashboards, Analysen und andere Reporting-Tools einzurichten, die einen Überblick über die Arbeitsbelastung des Teams geben und Ungleichgewichte oder Unstimmigkeiten aufzeigen.

Die Überwachung hilft Ihnen, Trends oder Veränderungen in der Arbeitslast zu beobachten und zu messen, wie gut die Service Level Ziele erreicht werden. Dies trägt dazu bei, dass alle Unternehmensziele erreicht werden. Außerdem können Manager so besser entscheiden, wie sie ihre Ressourcen entsprechend anpassen und priorisieren können.

Der Bedarf an Enterprise Service Management (ESM) wird immer wichtiger, da Unternehmen immer stärker auf Technologie angewiesen sind, um ihren Mitarbeitern hochwertige Dienstleistungen zu bieten.

ESM kann dazu beitragen, die Kosten zu senken, die Zufriedenheit der Mitarbeiter zu verbessern und die Effizienz zu steigern, während gleichzeitig sichergestellt wird, dass ein Unternehmen die Branchenvorschriften und -standards einhält. Eine effektive ESM-Strategie muss klare Ziele und Vorgaben, umfassende Prozesse, Automatisierung, Überwachung und Feedback beinhalten.

Von der Verbesserung der Mitarbeiterzufriedenheit bis zur deutlichen Kostensenkung – die Implementierung einer effektiven ESM-Strategie hilft Ihrem Unternehmen, in dieser neuen Ära des Arbeitens von jedem Ort produktiv und effizient zu bleiben. Da die Verantwortung der IT-Abteilung für die Verwaltung von Nicht-IT-Assets wächst, hilft ESM den IT-Teams, ihren Einfluss zu erweitern und dem Unternehmen einen Mehrwert zu bieten. Erfahren Sie mehr darüber, wie Ivanti Sie bei Ihrer Enterprise Service Management-Strategie unterstützen kann.

Verbesserung der Employee Experience durch proaktives Service Management

Tue, 28 Sep 2021 22:23:26 Z

Kürzlich habe ich über die Frage nachgedacht: „Wie verbessert man die Employee Experience?“ Viele Unternehmen gehen dies aus IT-Perspektive mit Konzepten wie einem Self-Service-Portal, Teams-Kanälen, Chatbots oder sogar Social-IT-Boards an. Das sind alles gute Ideen, aber adressieren sie wirklich die Employee Experience?

Lassen Sie mich dieses Konzept näher erläutern. Ein Freund von mir nutzt eine Service-Management-Lösung mit einem hervorragenden Self-Service-Portal. Dort kann er Probleme erstellen, die Wissensdatenbank durchsuchen und Serviceanfragen stellen, beispielsweise für die Bestellung eines neuen Computers. Und die zwei- oder dreimal, die er das Self-Service-Portal genutzt und mit der IT interagiert hat, war er zufrieden.

Schlechte Employee Experience

Als ich ihn jedoch fragte, was er von der IT halte, sagte er, sie sei nie proaktiv, und er habe ständig Probleme mit seinem Computer. Wie bitte? Warum? Zwei Wochen zuvor war er mit dem Zug in die Stadt gefahren; die Fahrt dauert etwa 1,5 Stunden, und er hatte Zeit zum Arbeiten. Also holte er seinen Laptop heraus und begann zu arbeiten. Dreißig Minuten später war der Laptop-Akku leer, und er konnte nicht weiterarbeiten. Drei Tage später erhielt er beim Einschalten seines Laptops die Meldung: „Ihr Akku kann Ihr System nicht mehr ausreichend mit Strom versorgen und muss ersetzt werden.“ Sechs Monate zuvor hatte er Probleme mit Blue-Screen-Abstürzen und seinem Motherboard. Nach dem Akku-Problem ging er zum Self-Service-Portal, erstellte ein Ticket bei der IT, die ihm daraufhin mitteilte, dass der Laptop ersetzt werden müsse und er eine Serviceanfrage für einen Ersatz-Laptop stellen solle.

Die IT war sehr schnell darin, zu erkennen, was zu tun war, und meinem Freund zu antworten. Im Kontext dieses Problems hat sie gute Arbeit geleistet. Dennoch war mein Freund mit der IT unzufrieden. Seine erste Bemerkung mir gegenüber war, warum sie nicht proaktiv sein und von solchen Problemen wissen könne, bevor er sie selbst bemerke.

Ich stellte ihm eine Gegenfrage: Wenn die IT proaktiv wäre, diese Probleme erkennen könnte, bevor er sie selbst bemerkt, und ihm sogar ein Ersatzteil oder einen neuen Computer bestellen könnte, ohne dass er selbst aktiv werden muss – wie würde er sie bewerten? Seine Antwort war schlicht: 10 von 10. Hervorragend.

Shift Left

Viele Unternehmen sprechen über das Konzept „Shift Left“. Ziel ist es, den Fokus auf Service Excellence und die Befähigung der Endanwender zu legen. Wenn man lediglich Endanwender befähigt, verschiebt sich der Prozess nur ein kleines Stück nach links. Der größte Shift Left besteht in der proaktiven Identifizierung und Behebung von Problemen.

Automatisierung und Self-Healing

Setzen wir dies mit Ivanti Neurons for Healing in die Praxis um und sehen wir uns an, wie der Prozess aussehen kann.

1. Ein Automatisierungsprozess wird auf einem Laptop ausgeführt und erkennt auf Basis dieses Prozesses, ob der Akkuzustand schlecht, sehr schlecht oder nicht mehr nutzbar ist.

2. Die Ergebnisse lösen anschließend eine Nachricht an den Laptop-Besitzer über Microsoft Teams aus, informieren ihn über das Problem und fragen, was er tun möchte:

IT über das Problem informieren
Neuen Laptop anfordern
Problem vorerst ignorieren

3. Als Ergebnis dieser Teams-Interaktion führt der Automatisierungsprozess anschließend eine der folgenden Aktionen aus:

Serviceanfrage für einen neuen Laptop erstellen
IT über das Problem informieren
Problem noch eine Weile ignorieren

4. Natürlich könnten Sie die Microsoft-Teams-Interaktion überspringen. Die Benachrichtigungsfunktion sorgt jedoch dafür, dass der Anwender eingebunden bleibt, weiß, was geschieht, und proaktiv beteiligt ist.

Wie sieht dieser Automatisierungsprozess insgesamt aus?

Dieser Shift-Left-Ansatz ermöglicht es Anwendern, ohne Ablenkung und Unterbrechung zu arbeiten. Wie oft googeln wir als Anwender, wie wir ein Problem auf unserem Arbeits-Laptop beheben können? Warum? Weil wir das Gefühl haben, es sofort selbst lösen zu können, statt uns im Self-Service-Portal anzumelden, ein Problem zu melden, auf die Antwort einer IT-Person zu warten und einen gemeinsamen Termin zu vereinbaren, damit diese per Fernzugriff auf Ihren Computer zugreift – nur um dann dieselben Dinge auszuprobieren, die Sie bereits versucht haben, und Ihnen mitzuteilen, was Sie ohnehin schon wissen.

Denken Sie an die verschiedenen Probleme, die Sie oder vielleicht Ihre Kollegen in letzter Zeit hatten. Nennen wir einige Beispiele:

Akkuzustand. Diesen Punkt haben wir bereits behandelt. Tatsache ist jedoch, dass Anwender nichts über den Zustand ihres Akkus wissen, bis sie einen neuen Akku benötigen – und manchmal geschieht das während einer wichtigen Präsentation.
Druckspooler. Ein aktuelles Problem, von dem Sie vielleicht gehört haben, betraf eine Schwachstelle im Windows-10-Druckspooler. Viele IT-Organisationen deaktivierten den Druckspooler, und die Anwender bemerkten dies erst, als sie drucken wollten. Stellen Sie sich vor, Sie können den Bericht nicht ausdrucken, den Sie dem CIO gleich vorlegen wollten.
Blue-Screen-Abstürze. Wie oft melden Sie der IT sofort ein Problem, wenn ein Blue-Screen-Absturz auftritt? In der Regel passiert das drei- bis fünfmal, bevor man sagt: Jetzt reicht es. Wenn dies jedoch automatisch geschieht und die Automatisierung im Hintergrund ein IT-Ticket erstellt, weiß die IT bereits beim ersten Mal Bescheid.
Anwendungsabstürze. Auch hier stellt sich die Frage: Wie schnell informieren Sie die IT wirklich darüber, dass eine Anwendung abstürzt? Oft bleibt dieses Problem unentdeckt, bis es beiläufig im Gespräch zur Sprache kommt.

Ich habe hier nur vier Szenarien aufgeführt, und ich bin sicher, dass Ihnen viele weitere einfallen. Es gibt so viele scheinbar kleine, unerzählte Geschichten, die die IT häufig nie erreichen. Stellen Sie sich vor, Sie wüssten von diesen Problemen, bevor Mitarbeitende sie melden – und könnten sie im Idealfall sogar proaktiv beheben. Ivanti Neurons for Healing bietet viele vordefinierte Prüfungen wie die oben beschriebenen und ermöglicht es Ihnen außerdem, eigene Prüfungen zu erstellen.

Ein 360-Grad-Blick

Automatisierung und Self-Healing sind zwei zentrale Aspekte für eine bessere Employee Experience. Ein weiterer Bereich, den es zu berücksichtigen gilt, ist ein 360-Grad-Blick auf Mitarbeitende. Alle Service-Management-Plattformen verfügen über Daten zu Mitarbeitenden. Sie können Name, E-Mail-Adresse, Telefonnummer, Vorgesetzte, Standort, Gebäude, initiierte Incidents und Anfragen sowie sogar die ihnen zugeordneten Assets anzeigen. Diese Daten sind zwar nützlich, aber statisch oder historisch. Wie viel besser wäre es, wenn wir einen Echtzeitblick auf den Anwender, die Geräte und das aktuelle Geschehen hätten: gemeldete Incidents, Laptop-Performance und weitere Informationen.

Ivanti Neurons Workspace ermöglicht Ihnen den Zugriff auf Benutzer- und Gerätedaten sowie auf detaillierte Informationen wie Performance, aktuelle Incident-Protokolle, Software, Patches usw. Diese Informationen liefern IT-Analysten fundierte und leistungsstarke Echtzeitdaten, mit denen sie Probleme schnell erkennen und beheben können.

Neue Employee Experience

Was wäre schließlich, wenn wir die tatsächliche Employee Experience verstehen könnten? In nahezu allen Service-Management-Plattformen geschieht dies, indem nach Problemen oder Anfragen Umfragen versendet werden. Diese sind als Momentaufnahme sehr hilfreich, bieten jedoch keinen wirklich ganzheitlichen Blick auf die Erfahrung eines Anwenders. Wie bereits erwähnt, war mein Freund aufgrund der Probleme mit seinem Computer mit der IT unzufrieden. Wenn wir all diese Informationen an einem Ort zusammenführen und mithilfe von Analysen verschiedene Bereiche eines Mitarbeitenden bewerten könnten, hätten wir einen Mitarbeiterindex, der uns den umfassendsten Blick auf Mitarbeitende bietet.

Bei Ivanti stellen wir Mitarbeitende in den Mittelpunkt. Durch die Verbesserung der Employee Experience können wir jeden im Everywhere Workplace befähigen. Ivanti Neurons for ITSM in Kombination mit Neurons Hyperautomation (Healing und Workspace) ermöglichen proaktive Servicemodelle, die für eine bessere Employee Experience sorgen. Möchten Sie mehr darüber erfahren, wie Ivanti Ihnen helfen kann, Ihre Mitarbeitenden in den Mittelpunkt zu stellen? Kontaktieren Sie uns – wir helfen Ihnen gerne weiter.