Ivanti 博客: 作者

智能体 AI 如何变革基础设施与运营

Thu, 11 Jun 2026 13:35:04 Z

基础设施与运营 (I&O) 团队长期以来一直处于一个熟悉的悖论之中：业务扩展得越快，I&O 承受的压力就越大。每一次新应用部署、每一个新增端点，以及每一个启动的云工作负载，都会带来更多复杂性、更多风险和更多工单。

面对这种压力，传统应对方式——增加人员、增加工具、增加脚本、增加 API——充其量只能带来有限缓解。然而，核心结构性问题，也就是被动式运营的底层架构，始终顽固地存在着。直到现在。

智能体 AI正在彻底重塑这一架构。

IT 与运营 (I&O) 中的 AI 已经超越了辅助和建议阶段。能够推理、规划、执行和学习的自主智能体如今已经投入运营，而不再只是未来路线图中的项目。正在有意识部署智能体 AI 的组织已经看到了显著收益。我们的 2026 年 AI 成熟度研究报告发现，57% 的 IT 组织正在将智能体 AI 用于多项重要 IT 工作流，其中 17% 依靠它支持广泛的端到端流程。这种部署正在将解决时间从数小时压缩到数分钟，并且每季度可分流数千张手动工单。

此外，在已将 AI 扩展到广泛应用或业务关键级别的组织中，89% 表示 AI 经常帮助团队在最终用户察觉之前发现问题；而处于早期试验阶段的组织中，这一比例为 43%。这一转变正在推动 I&O 从被动响应转向主动、智能的运营姿态。

剩下的问题是，您的组织能够以多快的速度在 I&O 环境中大规模实施智能体 AI？

了解更多：借助智能体 AI 变革 IT：加速型自主服务的黎明

为什么传统自动化已经触及天花板

要理解智能体 AI 的重要意义，有必要先了解它之前的技术形态，以及为什么这些技术始终无法完全满足需求。

I&O 中的传统自动化曾经创造了巨大价值。运行手册将组织知识固化下来。脚本将重复性流程标准化。机器人流程自动化 (RPA) 机器人处理基于结构化规则的工作流。这些工具在一定程度上减少了人工工作量，使团队能够在人员规模不变的情况下完成更多工作。但它们从根本上始终较为脆弱——依赖明确指令，无法适应新情况，也无法在没有人员操控的情况下采取行动。

以一个典型场景为例：凌晨 2 点，一次补丁部署在部分端点上失败。基于规则的自动化可能会记录故障并创建工单。更复杂的脚本可能会尝试重试。但二者都无法诊断故障是源自应用冲突、代理损坏、网络分段问题，还是策略配置漂移。二者都无法实时调整修复策略。二者也无法向服务台传达上下文、更新 CMDB，或根据受影响资产的关键性进行智能升级。于是，一名人工工程师会收到呼叫。循环继续。

这就是传统自动化的天花板：它执行指令，但不会思考。它自动化任务，却无法编排结果。随着基础设施环境呈指数级变得更加复杂——横跨本地、多云、边缘和混合架构——基于规则的自动化所能处理的范围，与 I&O 团队实际所需之间的差距，已经扩大成一道鸿沟。

智能体 AI 正是弥合这一差距的答案。

智能体 AI 对 I&O 意味着什么

智能体 AI 系统能够独立设定目标、制定实现目标的计划、跨工具和系统执行多步骤操作、评估结果并调整方法——所有这些都无需在每一步都由人工介入。与回答问题的聊天机器人或执行预定义工作流的脚本不同，智能体系统以目标为导向并具备自适应能力。它贯穿任务从识别到解决的完整生命周期。

在 I&O 场景中，这意味着自主智能体可以完成以往需要熟练工程师，或一整套复杂而脆弱的自动化脚本链才能完成的工作：关联来自不同监控系统的信号，识别事件根本原因，执行适当修复，验证修复是否奏效，更新相关记录，并闭环处理——所需时间可能只相当于人工打开一张工单。

这种转变不只是运营层面的，也是理念层面的。我们正在从由人员发起行动、自动化执行行动的模式，转向由智能代理发起、执行并验证行动，而人员负责监督和治理的模式。对于 I&O 领导者而言，这并不是对团队的威胁，而是团队有史以来最强大的效能倍增器。

智能体 AI 助力 I&O 大规模运行

服务台工单队列是 I&O 职能承压时最明显的症状。密码重置、软件安装、访问权限配置、连接故障排查——这些高频、低复杂度请求占用了分析师大量时间，并推高运营成本。对于需要立即解决问题，而不是等待 48 小时 SLA 窗口的员工而言，它们也非常令人沮丧。

了解更多：从工单处理者到团队领导者：管理智能体 IT 员工队伍

消除工单队列带来的瓶颈

智能体 AI 消除了队列这一瓶颈。试想拥有一个对话式 AI 智能体，例如 Ivanti Neurons AI Self Service Agent，它不仅能从知识库中检索答案，还能验证身份、检查合规策略、执行配置工作流、确认记录系统中的变更，并通知请求者，所有这些都可在数分钟内完成。工单根本不会到达人工分析师手中。分析师的时间得以释放，用于需要人工判断的工作。

现在，再试想为分析师释放更多时间来处理复杂任务。智能体 AI 数字队友可与人工坐席协同工作，提供主动洞察，建议解决问题的最佳方式，并通过智能操作实现自动化。

在服务台中部署智能体 AI 的组织持续报告称，工单量显著下降——通常在部署第一年内即可实现，并随着系统成熟和学习进一步累积成效。这并不是传统意义上的自动化，而是大规模智能编排。

在用户感受到影响之前主动修复

I&O 中成本最高的事件，往往是那些本可以预防的事件。例如，磁盘容量直到达到 100% 才被发现；证书到期直到服务中断才被跟踪；软件漏洞直到被利用后才被修补。事后看来，这些故障几乎总是可以预测的——信号一直存在。问题在于，没有人能够始终监控所有内容。

自主端点管理结合智能体 AI，可持续监控端点、网络、应用和云基础设施中的遥测数据。智能体能够检测异常、关联微弱信号，并在问题演变为中断或安全事件之前开始修复。容量趋于上限的磁盘会得到扩展。即将到期的证书会得到续订。存在漏洞的端点会在下一个维护窗口进行修补，在风险被利用之前消除隐患。

从被动到主动的转变，是智能体 AI 为 I&O 带来的最高价值能力。它不仅降低事件成本，还能预防事件本身，以及随之而来的停机、业务中断和声誉损害。对于 I&O 领导者而言，这一转变重新定义了运营成功的衡量方式。指标从平均解决时间这一被动指标，转向平均预防时间：您的环境在业务受到影响之前检测并纠正问题的频率。

在不增加人员规模的情况下实现扩展

企业 IT 环境的增长速度快于 IT 预算。端点与工程师的比例持续扩大。云工作负载不断增加。安全要求日益强化。在这种环境中，“招聘更多人员”这一传统杠杆既不具备财务可持续性，也不足以满足运营需求——人才市场根本无法提供所需数量的熟练工程师。

智能体 AI 重新定义扩展方程。自主智能体没有固定工作时间、认知带宽限制或入职培训周期。它可以在数千个端点上并发处理数百项任务，而性能或质量不会下降。随着环境增长，智能体也随之扩展——不是线性扩展，而是指数级扩展。一个配置良好的自主智能体可以覆盖以往分布在多名初级分析师之间的工作负载，让高级工程师专注于架构、创新和战略计划，而不是日常修复。

这并不是要取代人员，而是让他们能够在其技能应有的层级上发挥作用。

以记录系统作为成功基础

有效部署智能体 AI 所需的不仅是强大的 AI 引擎，还需要可信且全面的数据基础——这一基础正是内置于 Ivanti Neurons 基础中的记录系统，其中包含设备智能、漏洞与暴露、软件清单和服务管理信息等权威数据源。该记录系统能够了解存在哪些资产、资产归属以及它们是否合规。

在 I&O 场景中，记录系统是 IT 环境的权威真实来源：每一项硬件和软件资产、每一项配置、每一种关系、每一项策略、每一次变更。它是让自主智能体能够自信决策的智能层。没有它，在您的环境中运行的智能体只能猜测。有了它，智能体就能基于事实进行推理。

I&O 中最有效的面向智能体 AI 的记录系统整合了多个关键要素。配置管理数据库 (CMDB) 数据必须准确、实时并经过丰富——不是大多数组织继承下来的陈旧、手动更新的存储库，而是对实际环境进行动态维护的记录。IT 资产管理 (ITAM) 则用于管理资产从创建到处置的全生命周期，并确保保持准确的所有权信息。

服务管理工作流必须实现全面集成，使智能体能够在执行流程中创建、更新和解决工单。身份与访问数据必须可访问，使智能体能够围绕配置和权限做出符合策略的决策。来自监控、漏洞和性能工具的遥测流也必须汇入统一上下文，供智能体实时查询。

当这些要素就位时，自主智能体就能精准运行。它们知道哪些资产至关重要，哪些并非如此。它们知道哪些变更需要审批，哪些属于既定自动化边界。它们了解资产的历史——既往故障、待处理补丁、已安装软件、活动漏洞——并将这些上下文应用到每一次决策中。

如果组织试图在不投资记录系统的情况下部署智能体 AI，通常会发现其智能体产生的结果不一致，或需要人工持续纠正。AI 的智能程度取决于它能够访问的数据。投资数据质量和集成并不是可以推迟的前置条件——它正是决定智能体 AI 能够带来变革性价值，还是仅实现有限改进的关键工作。

业务价值：超越效率指标

智能体 AI 在 I&O 中带来的运营收益本身就很有说服力。解决时间更快。工单量更低。平均检测与修复时间缩短。这些指标能够引起 I&O 领导者共鸣，并从纯成本效率角度证明投资的合理性。

但其业务价值远不止服务台仪表板所显示的内容。

当 I&O 团队从被动、重复性工作中解放出来时，他们可以将能力转向推动竞争差异化的计划：加速应用部署、强化安全态势、支持数字化转型项目，并构建业务增长所需的弹性、可扩展基础设施。I&O 职能将从吸收运营噪音的成本中心，演进为塑造业务成果的战略推动者。

员工体验是这一价值中经常被低估的维度。当员工的请求能够获得即时、智能的响应，而不是排在耗时数天的工单队列中时，他们的生产力会提高，对 IT 的挫败感也会降低。在员工体验成为人才获取和保留竞争差异化因素的时代，一个无摩擦、响应迅速的 IT 职能是真正的业务资产。

智能体 AI 还能够显著降低风险。在一次勒索软件事件就可能造成数百万停机和修复成本，且安全不合规的监管处罚不断加重的环境中，主动漏洞管理和自动化策略执行能够提供可量化的风险缓解，其价值不仅在 IT 组织内部，在董事会层面和 CFO 办公室中同样具有说服力。

最后，智能体 AI 的价值会随着时间持续复利增长。每一次交互、每一次解决、每一次升级决策都会生成数据，从而改善智能体未来的表现。与会随着环境变化而退化的静态自动化不同，智能体系统会适应并改进，为初始投资带来越来越高的回报。

未来路径

基础设施与运营正在经历一场关键转型。在企业 IT 领域，我们如今管理的系统比以往任何时候都更加复杂、分布更广，也更关系到业务成功。I&O 面临的需求达到历史高位。然而，依赖被动人工干预和脆弱规则驱动自动化的传统运营模式，已经达到其能力上限。

智能体 AI 提供了一种从根本上更优的模式：由智能、自主的代理持续、准确、大规模地处理基础设施管理中高频、时间敏感且日益复杂的工作，而您的工程师则专注于让组织更具竞争力和韧性的战略性工作。

如今投资这一能力的组织，并不只是改进其 IT 运营。他们正在构建一种能够满足未来十年企业技术需求的 I&O 职能。我们相信，这是每一位 I&O 领导者都应努力达到的标准，而智能体 AI 是实现这一目标最强大的可用工具。

在驾驭 IT 服务管理向智能体 AI 的转变中，了解 Ivanti 的智能体 AI 能力如何帮助 I&O 团队变革运营。

借助智能体 AI 转型 IT：加速自主服务时代的开启

Tue, 19 May 2026 14:49:37 Z

IT 服务管理 (ITSM) 行业正处于真正的拐点。数十年来，服务台一直基于一种根本上偏被动响应的模式运行——员工遇到问题、提交工单，然后等待人工分析师诊断、分流并解决问题。自动化提升了这一模式下的处理吞吐量，但从未真正挑战这一模式本身。

拐点：为什么 ITSM 将从此不同

智能体 AI 彻底改变了这一局面。智能体系统并非只是加快人工处理请求的速度，而是能够理解意图、提取上下文信息、选择行动路径、跨企业工具执行操作并确认结果，无需等待人工在每个步骤点击“批准”。我们正在见证 IT 服务管理向 IT 服务自主化的转变，这对每一位 CIO、CISO 和 IT 领导者都意义深远。

这些数据进一步凸显了紧迫性。Gartner预测，到 2026 年底，约 40% 的企业应用将嵌入面向特定任务的 AI 智能代理，而 2025 年这一比例还不到 5%。Gartner 研究还预测，到 2029 年，70% 的企业将部署智能体 AI 代理来同步运营其 IT 基础设施，而目前这一比例还不到 5%。

这些并非渐进式变化，而是对技术组织如何交付、保护和优化服务的一次全面重塑。

从脚本化机器人到自主智能代理：ITSM 中智能的演进

要理解行业的发展方向，就必须理解其发展历程。ITSM 中 AI 的演进脉络清晰：从确定性的脚本逻辑，逐步迈向真正的自主推理。

第一阶段：基于规则的自动化

最早一波 ITSM 自动化涉及脚本化工作流——如果工单匹配某些关键词，就会被路由到预定义队列；如果资产不符合合规要求，则自动触发修复脚本。这些自动化通过消除成本高昂的手动流程，并让运营更合规、更安全，从而带来可衡量的效率提升。然而，它们仍然较为脆弱。每一种新情况都需要一条新规则，系统无法处理模糊性，也无法从自身结果中学习。

第二阶段：AI 辅助的服务管理

机器学习和生成式 AI 的出现，引入了更具适应性的能力层。AI 开始自动分类工单、为分析师汇总事件，并基于历史解决数据生成知识文章。目前，约40% 的组织已经采用 AI，以推动更高效的工单解决。

聊天机器人和虚拟助手已将消费级对话界面带入企业，使员工能够通过自然语言而非结构化表单与 IT 支持互动。这些能力带来了重要跃升，但 AI 仍主要以助手的形式运作。AI 是在增强人类决策，而不是取代人类决策。

第三阶段：智能体 AI 与自主工作流

这正是行业当前所处的位置：第三个、且更具变革性的阶段门槛。智能体 AI 系统不会等待指令。它们会观察、推理、规划并采取行动。

从 ITSM 的角度来看，智能体系统可以检测终端上的异常，将其与已知漏洞模式关联起来，启动修复序列，更新配置管理数据库 (CMDB)，并关闭由此产生的工单——这一切都发生在受影响员工察觉问题之前。Gartner已将这一趋势正式化，并预测到 2028 年，至少 15% 的日常工作决策将通过智能体 AI 自主完成，而 2024 年这一比例为 0%；同年，33% 的企业软件应用将包含智能体 AI。

关键区别在于自主性。早期 AI 工具响应提示，而智能体系统追求目标。它们能够在多次交互之间保持记忆，推理达成结果的最佳路径，并跨集成的企业系统执行多步骤工作流。正是这种架构跃迁，使 ITSM 从以处理请求为中心的学科，转变为以交付结果为中心的能力。

智能体 ITSM 的构成：基于用户角色和基于任务的智能

随着智能体 AI 日趋成熟，其在 ITSM 中的应用正逐渐汇聚为两种互补架构：基于用户角色的智能代理和基于任务的智能代理。二者共同构成了许多行业观察者所称的 IT“对话式入口”——一个统一的智能界面，用自然、自适应的交互取代分散的门户、表单和电话导航。

基于用户角色的智能代理

基于用户角色的智能代理围绕特定用户角色的需求而设计。例如，自助服务智能代理可作为员工的第一联系点。它不会迫使用户浏览服务目录并填写结构化表单，而是通过对话式自助服务代理，利用自适应意图理解和引导式数据采集，将自然语言请求转换为结构完整、可执行的工单。其结果是显著降低员工操作阻力，并大幅提升服务团队的数据质量。这种方法影响显著——部署 AI 驱动的虚拟支持代理的组织报告称，呼叫量减少了 50% 至 70%，员工采用率达到 80% 至 85%。

服务台智能代理

相比之下，服务台智能代理则增强现场分析师的能力。它在工单处理过程中提供上下文感知的指导，加速分流和分类，并提供实时辅导，帮助经验较少的分析师达到资深人员的熟练水平。

AI 驱动的事件摘要可自动将复杂的工单历史提炼为可执行简报，从而为分析师节省大量时间。分析师仍然处于流程之中，但这一流程更紧凑、更快速，也更充分知情。

基于任务的智能代理

基于任务的智能代理处理离散的运营功能，例如知识搜索、事件创建、服务请求履行、摘要生成以及问答。这些智能代理运行在一个智能体框架内，该框架包括目标定义、环境建模、记忆、推理和行动执行。围绕智能代理到智能代理 (A2A) 以及模型上下文协议 (MCP) 通信出现的互操作性标准尤为重要。它们表明行业正迈向多智能代理生态系统，其中专业化智能代理协同工作，以解决复杂的跨领域问题——一些分析师将其称为“智能代理小队”。

Gartner 的路线图也证实了这一趋势。预计到 2027 年，三分之一的智能体 AI 实施将结合具备不同技能的智能代理，在应用和数据环境中管理复杂任务。其对 ITSM 的启示很明确：未来的服务台并不是单一的庞大系统，而是由专业化智能代理编排而成的组合，每个代理都将特定领域的智能贡献给统一的服务体验。

自我修复、自我防护、自助服务：自主 IT 的三大支柱

智能体 AI 在 ITSM 中的战略价值建立在三项相互关联的能力之上。这三项能力共同定义了真正的自主服务交付在实践中的样貌。

自我修复

自我修复是对传统被动支持最直观的突破。通过异常检测和自动诊断，现代平台可以在问题影响用户之前识别终端和安全问题。由超自动化驱动的云端机器人不仅会向 IT 人员发出问题警报，还会主动解决此前未上报或被忽视的问题，主动加快检测、自动解决事件，并让 IT 能够专注于创新。行业发展方向已十分明确。随着组织自我修复能力不断成熟，需要人工介入的工单数量将稳步下降，服务台的角色也将从问题解决转向治理和持续改进。

自我防护

自我防护回应了这样一个现实：网络安全和 IT 运营已无法继续各自为政。AI 驱动的跨设备、组织结构和数字体验可见性，可基于社会趋势和漏洞评分主动识别潜在漏洞，从而增强安全态势。

持续保持一致且经过核对的软件清单，有助于在暴露面演变为入侵机会之前将其识别出来。随着智能体 AI 在威胁检测、漏洞管理和修复工作流之间提供连接纽带，ITSM 与安全运营的融合正在加速。

通过 AI 驱动平台统一 IT 与安全的组织，有能力交付行业日益称为“无形却无处不在的安全”的保护——这种保护能够持续运行，同时不为最终用户造成摩擦。

自助服务正在被彻底重新构想。传统自助服务门户采用率低，是因为它们将系统逻辑强加给用户，而不是适应用户意图。对话式 AI 反转了这一动态。

员工通过自然语言进行交互，系统则在后台处理路由、分类和履行的复杂性。AI 驱动的虚拟助手通过提升生产力和满意度来交付卓越体验，将消费级虚拟助手的便捷性带入工作场所，同时最大化采用率并减少呼叫量。展望未来，随着语音自动化、移动优先界面和主动通知打造出全渠道支持体验，自助服务将进一步演进，在员工工作的任何地点与其相遇——无论是在办公桌前、工厂车间，还是在差旅途中。

战略影响：这对 IT 领导者意味着什么

智能体 AI 在 ITSM 中的兴起，其影响远不止服务台。对于 CIO 和 IT 领导者而言，有几个战略主题需要重点关注。

从成本中心转向价值中心

当常规事件能够自行解决，AI 负责一线分流时，服务台将不再由工单量和平均处理时长来定义。相反，IT 团队得以专注于战略计划——数字化转型、员工体验创新和业务流程自动化。IT 领导者需要思考的问题不再是：“我们如何更快处理更多工单？”而是：“我们如何重新部署自主服务所创造出的能力？”

治理与信任的必要性

同一项Gartner 研究在预测智能体 AI 爆发式增长的同时，也发出了警示：如果成本、价值清晰度或风险控制不足，到 2027 年底，超过 40% 的智能体 AI 项目可能会被取消。成功实施将要求从第一天起就内置合规、可见性规则和策略遵循。AI 治理不是事后附加的问题，而是一项基础性设计要求。将护栏、审批工作流和可审计性嵌入智能体架构的组织，将获得可持续价值；而将治理视为事后补充的组织，则可能面临代价高昂的反转。

IT 与安全运营的融合

IT 与安全团队之间的数据孤岛长期削弱了组织韧性。能够统一服务管理、终端管理和暴露面管理的智能体 AI 平台可创建一个记录系统，从而在传统上相互独立的领域之间实现协调一致的智能响应。这种融合不仅仅是技术举措；它还需要组织协同、共享指标，以及打破职能壁垒的文化承诺。

员工体验成为竞争优势

借助 AI 驱动的情绪分析，能够跨设备、服务管理、安全和应用衡量并量化数字员工体验，这将员工体验从抽象愿景转变为数据驱动的实践。能够提供无缝、消费级 IT 体验的组织，将比那些将 IT 支持视为后台职能的组织更有效地吸引和留住人才。数字员工体验 (DEX) 评分正成为一项关键 KPI，为服务台分析师提供可见性，使其能够大规模交付个性化且富有同理心的支持。

超越 IT 的企业服务管理

智能体 AI 最容易被低估的影响，或许是它有潜力将智能服务交付扩展到 IT 之外，覆盖人力资源、设施、财务及其他业务部门。当底层平台支持无代码、工作流设计以及与外部系统的预构建集成时，已在 IT 服务管理中得到验证的模式，就会成为企业级转型的模板。仍依赖临时电子邮件、过时电子表格或纸质文档的业务部门，将从正在重塑 IT 的同样智能体能力中获得巨大收益。

自主服务的必然要求

通过智能体 AI 转型 IT 服务管理，并不是遥远的可能性，而是一个正在发生且不断加速的现实。能够脱颖而出的组织，将是那些准确认识到这一转变本质的组织：它不仅是一次技术升级，更是对企业范围内服务如何设计、交付和体验的根本性重新构想。

人的角色将发生转变，而不是消失。智能体 AI 不会淘汰 IT 专业人员，而会提升他们的价值。分析师将从工单处理人员转变为 AI 监督者、治理架构师和体验设计师。未来十年最有价值的 IT 专业人员，将是那些能够设计、训练和治理自主系统的人，而不是手动操作这些系统的人。

前进之路需要清晰务实的战略。从自动化基础开始——通过智能工作流、AI 辅助分类和自助服务界面减少摩擦并提升数据质量。逐步构建自主能力——自我修复终端、自我防护环境，以及能够端到端解决问题的对话式智能代理。同时投资于治理、文化和人才发展，以支撑企业级自主运营。

IT 领导者面临的问题不再是智能体 AI 是否会重塑服务管理，而是您的组织能够以多快的速度、以多具战略性的方式将其运营化。自主服务时代已经开启，竞争优势属于果断行动者，而不是等待永远不会到来的确定性的人。

如何借助 iPaaS 简化 ITSM 集成

Thu, 29 Feb 2024 18:03:46 Z

集成是现代 IT 服务管理的关键环节。通过将 ITSM 平台与外部应用程序连接，企业可以简化 IT 运营，提高效率和灵活性，并提供更优质的客户服务。实时集成使企业能够快速适应不断变化的情况，并确保 IT 服务与业务需求保持一致。

然而，ITSM 集成可能复杂且具有挑战性。传统集成方法通常涉及定制开发和集成工作，成本高且耗时。iPaaS 为这些挑战提供了解决方案，使 ITSM 集成更易于管理。

什么是 iPaaS？

iPaaS 是 Integration Platform as a Service（集成平台即服务）的缩写。它是一种基于云的服务，提供一套工具和服务，可轻松连接应用程序并自动化工作流。iPaaS 可用于将 ITSM 工具和应用程序与其他业务系统集成，例如 CRM、ERP 和 HR 系统。这有助于提高效率、降低成本并改善客户服务。

iPaaS 通过提供一个集中式平台来发挥作用，使企业能够连接应用程序并自动化工作流。该平台提供多项功能和服务，让应用程序集成变得更加轻松，包括：

预构建连接器：iPaaS 平台提供预构建连接器库，可简化与常用应用程序连接的过程。这些连接器专为 Salesforce、Oracle、SAP 和 Workday 等应用程序而设计。
数据转换：iPaaS 平台对于在各种应用程序之间转换数据至关重要，可在多个系统的集成过程中保持一致性和准确性。
工作流自动化：iPaaS 平台可以自动化应用程序之间的工作流，从而提高效率并减少人工干预的需求。

iPaaS 如何简化 ITSM 集成

iPaaS 通过提供一个具备内置连接器和模板的集中式平台来简化 ITSM 集成，无需复杂的点对点连接。这样在连接多个系统时可以节省时间和精力，并且不需要高级编码能力或技术专长。

借助 iPaaS，数据可以在 ITSM 工具和其他业务系统之间实时同步。这可确保所有系统都拥有最新信息。实时集成提高了 ITSM 流程的准确性和效率，使企业能够快速而有效地处理客户请求和问题。

此外，iPaaS 还为 ITSM 集成提供可扩展性和灵活性。随着企业发展以及 IT 需求变化，企业可以轻松添加或移除 ITSM 工具和应用程序，而不会中断现有集成。这使企业能够按需调整 ITSM 集成，同时保持流程高效运行。

ITSM 中 iPaaS 的常见用例

ITSM 中适合应用 iPaaS 的常见集成型用例包括：

eBonding/工单转发：这有助于与其他 ITSM 或工单系统实现双向集成，包括内部和外部系统。对于需要将其服务管理平台与客户平台直接集成的服务提供商而言，这种做法很常见。它通常涉及双向事件集成，但根据客户与服务提供商之间的协议，也可能包括变更和资产/CI。通常，此类集成会在 Ivanti Neurons for ITSM 与 ServiceNow 或 BMC Helix 之间进行。
采购：为了简化服务请求、服务履行和资产生命周期工作流，可能需要与 SAP 等采购系统或类似解决方案集成。此外，与 Dell 或 CDW 等外部提供商集成，可以促进与供应商之间的采购请求处理。
入职：将新员工引入组织时，不仅要让 HR 参与，还需要 IT、薪资、设施以及任何其他必要部门参与。无论使用的是哪些具体应用程序（例如 Workday、SAP、Ivanti Neurons for ITSM 或 ADP），都可以通过自动化来简化所有这些领域的入职流程。这样可以实现无缝集成，并处理所有必要任务。
DevOps：简化开发流程对于 DevOps/DevSecOps 流程的成功至关重要。要在应用程序开发（使用 Jira 和 Azure DevOps 等工具）、部署（使用 GitHub 和 Jenkins）、运营（使用 ITSM）以及安全（使用 ASOC 和 BlackDuck 等工具）的整个过程中实现精简高效的流程，自动化必不可少。
沟通/协作：许多组织使用各种协作工具，例如用于即时消息传递的 Microsoft Teams 或 Slack，以及 Espressive 和 Moveworks 等虚拟代理。当这些工具能够相互通信时，员工就可以使用自己偏好的工具，并改善整体体验。这也能确保通信不会丢失。让这些工具能够自动与服务管理集成并进行通信非常重要，因为这是一项关键能力。
运营管理：许多组织使用多种解决方案来监控其运营环境。这些解决方案通常涵盖网络、服务器、应用程序和安全监控。确保这些工具与服务管理通信至关重要，这样才能向相应团队提供准确及时的信息。与这些解决方案的集成应支持双向共享更新，从而确保所有环境之间保持一致。
请求履行：将请求履行的范围从 ITSM 扩展到外部第三方解决方案，例如审批和采购等流程，以及 CDW、Lenovo 或 Dell 等外部供应商系统。创建贯穿各种外部系统的顺畅工作流，以提高请求履行流程的效率。

Ivanti Neurons iPaaS 让集成变得轻松

由 Workato 提供支持的 Ivanti Neurons iPaaS 是适用于 Ivanti Neurons for ITSM (SaaS) 的集成平台，兼具成本效益、效率、敏捷性、可扩展性和安全性，可实现 ITSM、ITAM 和业务线应用程序之间的集成。它无缝集成到 ITSM 管理体验中，使开发、监控和故障排查在 ITSM、ITAM 或企业服务管理用例的环境下变得极其轻松。通过利用 Ivanti Neurons iPaaS，企业可以简化 IT 运营、改善服务交付，并在当今动态变化的技术环境中获得竞争优势。

Ivanti Neurons for ITSM 平台将继续支持 REST API、SOAP 和 Webhooks 等行业标准开放 API。Ivanti Neurons iPaaS 可扩展并增强您的 API 和集成能力。

详细了解 Ivanti Neurons iPaaS 如何变革您的 ITSM 集成方法。

如何借助 ITSM-GitHub 集成加速部署

Fri, 03 Nov 2023 17:04:45 Z

GitHub 是当今最受欢迎的版本控制系统之一，可帮助开发人员开展项目协作并快速部署代码。但是，如果操作不当，通过 GitHub 部署代码也可能耗时且存在风险。

在本博客中，我们将介绍 IT 团队如何与开发同事协作，通过与您已在使用的服务管理软件集成，加速并保护其 GitHub 部署。

GitHub 部署基础知识

如果您从事 IT 工作，可能听说过 GitHub；但如果您没有开发背景，可能不太了解它的具体用途。

GitHub 是一种常用的基于 Web 的软件开发版本控制系统。它为开发人员提供了一个平台，用于项目协作、存储代码并更轻松地部署变更。开发人员可以跟踪代码库的变更，并在变更集成到代码库之前进行讨论和审核。

GitHub 等版本控制系统本质上是一种将项目所有版本集中存储在一个位置的方式。每当项目发生新的变更（例如添加或删除代码）时，系统都会创建一个新版本，并将其与旧版本一起存储。这样，如果近期变更引发任何问题，就可以快速回退，而无需手动重新输入之前的所有工作。这使调试更加轻松，并有助于整体加快开发周期。

借助 GitHub，开发人员可以在生产服务器或预发布环境等各种环境中快速、可靠地部署代码，而无需在所开发的应用或网站需要更新或修复错误时每次都手动部署。

这有助于节省时间和精力，同时确保部署顺利进行，避免因手动复制文件错误或在部署过程中遗漏某些文件而导致意外错误。

为什么使用 ITSM 自动化 DevOps 流程？

GitHub 部署是软件开发流程中的关键环节，对其进行自动化和保护可能成为成败的关键。

自动化可简化整个部署流程。通过处理推送更新或检查错误等常规任务，自动化让您能够更快地开展更复杂的工作。它还可以消除人为错误风险，避免日后造成代价高昂的失误。

自动化还可让您更轻松地持续跟踪变更，从而快速发现问题并提前应对潜在风险。

通过采用 Ivanti Neurons for ITSM 等变更管理工具中的最佳实践，可以确保所有变更均得到跟踪和记录，从而提升合规性和监督水平。借助这些工具，企业可以更有信心地确保其系统在整个开发周期中免受恶意行为者或非预期变更的影响。

集成 GitHub 与 Ivanti Neurons for ITSM

Ivanti Neurons for ITSM 通过变更管理帮助自动化部署流程，使 IT 能够跟踪部署历史记录、审批和拒绝情况。

在传统的应用开发环境中，应用开发团队会通过在 ITSM 中创建变更请求，手动使用 ITSM 管理发布流程。由于这是一个手动流程，无法保证每次提出部署请求时都会创建变更请求，也无法保证在启动部署之前变更已获批准，因此可能导致未经授权或不正确的部署。

通过将 ITSM 的自动化变更审批流程扩展到 DevOps，应用开发团队可以保持高效工作，避免不必要的瓶颈和挫折。

GitHub 与 Ivanti Neurons for ITSM 之间的集成使用 GitHub 的自定义部署保护规则和 Ivanti Neurons for ITSM Webhook 来实现流程自动化。

自定义部署保护规则由 GitHub Apps 提供支持，并基于 Webhook 和回调运行。自定义应用会订阅部署保护规则事件；当针对特定环境触发部署时，该事件会发出，并根据配置触发相应事件。这些事件可以转发到 Webhook，并与 Ivanti Neurons for ITSM 集成。

创建自定义部署保护规则并将其安装到存储库后，该自定义部署保护规则将自动适用于存储库中的所有环境。

在 Ivanti Neurons for ITSM 中创建变更后，该变更将进入变更审批流程。如果变更获得批准，集成会自动将审批结果通知 GitHub，并更改 GitHub 包的状态，以允许部署自动继续。

自动化变更管理流程中 GitHub 与 Ivanti Neurons for ITSM 之间的数据流。

释放 ITSM 与 GitHub 集成的潜力

Ivanti Neurons for ITSM 等服务管理工具对 GitHub 部署非常有价值。自动化和保护对于稳定性、可靠性和效率至关重要，而这些工具可提供所需功能，帮助确保您的部署安全且成功。

借助 Ivanti Neurons for ITSM，企业可以创建完整的审计跟踪，记录对代码库所做的每一项变更。此功能有助于调试代码中的任何错误，并准确定位潜在安全漏洞。

Ivanti Neurons for ITSM 旨在通过统一平台自动化多个系统中的变更。它让用户能够快速识别系统所需的变更，并从开始到结束跟踪这些变更的进展。这既降低了复杂性，也确保所有部署在上线前都符合公司政策和标准。

Ivanti Neurons for ITSM 还可以自动化端到端 DevSecOps 流程，从漏洞识别和优先级排序，到跨开发、运营或安全团队管理漏洞；同时自动集成 Jira 或 Azure DevOps 等开发工具，并在部署前自动执行变更管理流程和审批。

使用 Ivanti Neurons for ITSM 可以通过自动化、保护以及对流程和报告能力的可见性，让企业对其 GitHub 部署流程更有信心，无论是直接部署新代码，还是使用专门的 CI/CD 流水线。此外，这些解决方案还提供审计功能，帮助维持对 GDPR 或 HIPAA 等行业法规的合规性。

充分释放 Ivanti Neurons for ITSM 等服务管理工具的全部潜力，并让您的

充分释放 Ivanti Neurons for ITSM 等服务管理工具的全部潜力，并将您的 GitHub 部署流程提升到更高水平！

如何将生成式 AI 用于知识管理

Tue, 27 Jun 2023 14:30:00 Z

在博客文章“生成式 AI 如何助力知识管理”中，我们探讨了 AI 为知识管理带来的优势，包括提升质量、自动化内容创建，以及打造更具吸引力的内容。然而，将生成式 AI 纳入知识管理框架，也会引发有关准确性、数据偏见、隐私和安全方面的顾虑。

现在，我们来看看如何让二者更好地协同发挥作用……

如何将生成式 AI 与知识管理结合使用

尽管在日常运营中使用生成式 AI 仍存在顾虑，但这项技术有潜力成为优化知识管理的强大工具。通过仔细评估其潜在不足并采取措施加以缓解，组织可以利用生成式 AI 改进知识管理实践。

在将生成式 AI 用于知识管理时，需要考虑以下五点：

务必确定将用于训练的数据类型生成式 AI 模型。确定数据类型有助于确保所使用的数据准确可靠。您将使用现有知识文章、事件数据、问题数据，还是这些数据的组合？
确定数据类型后，还要认识到生成式 AI 的表现取决于训练数据的质量。“垃圾进，垃圾出”这句老话依然适用。请确保您在上文确定的数据准确、完整且保持最新。
监控生成式 AI 模型的输出，查看是否存在偏见、错误信息，以及完整性和准确性问题。这有助于确保模型生成的信息可靠。
制定政策和流程，以管理将生成式 AI 用于知识管理所带来的风险。这是确保项目成功的重要一步。这些政策和流程应涵盖数据安全、隐私和伦理等问题，并应旨在确保以负责任且合乎伦理的方式将生成式 AI 用于知识管理。
建立审批流程，在任何知识信息公开共享之前，确保生成的输出经过审核并获得授权。

通过采取这些步骤，组织可以在最大限度降低风险的同时，利用生成式 AI 改进知识管理实践。

互动报告：AITSM：AI 如何重新定义 IT 服务台自动化

谨慎结合生成式 AI 与知识管理

生成式 AI 对知识管理的有效性和影响，将取决于其使用和实施方式。在决定是否将其纳入之前，务必仔细评估其收益与风险。

以下是一些潜在优劣势：

优势

1. 自动生成相关内容

生成式 AI 可用于根据现有数据源自动创建知识文章，例如产品文档、客户支持工单和员工培训材料。

随着32% 的 IT 专业人员表示自转向远程办公以来，帮助台工单数量有所增加，企业有很大机会增强知识库，从而更快、更有效地解决问题，并释放 IT 专业人员的时间，让他们专注于更具战略性的任务，例如制定新的知识管理计划和提升现有知识文章的质量。

2. 提高搜索准确性

生成式 AI 可根据员工的个人需求和偏好，以个性化方式向其交付知识，从而帮助提高搜索准确性。鉴于员工平均每天花费 3.6 小时搜索信息，任何在知识交付方式上节省的时间都将带来显著价值。

让员工更轻松、更快速地访问信息，最终将提升其数字体验。

3. 增强自动化

生成式 AI 可协助自动化日常任务，即使这些任务并不直接与知识管理文章的创建相关。

随着85% 的 IT 专业人员认为自动化和 AI 投资能够带来收益，寻找简化流程的新方式可以释放 IT 专业人员的时间，让他们专注于更复杂的问题。

劣势

1. 错误信息风险

生成式 AI 可能会产生不正确或误导性的信息，这在 IT 领域可能导致严重后果。例如，引入恶意软件，或错误地建议关闭用于保护 IT 环境免受恶意行为者攻击的功能。

2. 依赖 AI 生成内容

如果企业过度依赖 AI 生成内容，可能会忽视人工生成内容或批判性思维能力，进而可能造成专业知识流失。尽管围绕生成式 AI 的讨论很多，仍然需要人工监督来验证准确性并批准生成的信息。

3. 伦理问题

生成式 AI 的使用存在伦理方面的顾虑，例如用于训练模型的数据可能存在偏见，从而延续既有不平等。

毫无疑问，生成式 AI 可以成为 IT 知识管理的宝贵工具；但作为一项令人期待的新兴技术，我们仍需进一步了解它可能带来的收益与风险。

每个组织都需要单独评估其潜在影响，并选择适合自身隐私、准确性和安全需求的 AI 解决方案。

将生成式 AI 用于知识管理的实施建议

从小规模起步，再逐步扩展

最好先从小型试点项目开始，随着经验积累，再扩大生成式 AI 的应用范围。

获得利益相关者的支持

在生产环境中部署生成式 AI 之前，获得利益相关者的支持非常重要。这将有助于确保模型得到有效使用，并且其输出结果值得信赖。

监控模型性能

在模型部署到生产环境后，监控其性能非常重要。这将有助于发现模型的任何潜在问题，并提高模型准确性。

持续改进模型

生成式 AI 模型在不断改进。通过使用新数据重新训练模型并处理可能出现的任何潜在问题，持续增强模型非常重要。

。

要深入了解此主题，请观看我们的网络研讨会：面向信息安全与黑客的生成式 AI：安全团队需要了解的内容。

生成式 AI 如何助力您的知识管理

Tue, 20 Jun 2023 15:24:02 Z

自 ChatGPT、Google Bard、Amazon 大型语言模型和 Microsoft Bing 等工具发布以来，人们对生成式 AI 能力的兴趣日益增长。热潮之下，也伴随着对隐私、PII（个人身份信息）、安全性以及更重要的准确性的担忧。这些担忧不无道理。

尽管组织认为生成式 AI 工具是颠覆性力量，但在接受此类工具时仍持谨慎态度。许多企业正在努力寻找一个平衡点，既能立即利用其优势，又能为未来确定生成式 AI 更具战略性的用途，同时不影响安全性。

组织内部可以立即获得收益的一个领域是知识管理。这项举措对许多组织而言一直颇具挑战，但它能够提升员工工作效率，并为通常需要手动维护知识内容的支持团队带来显著收益。

生成式 AI 与知识管理如何结合

生成式 AI 是一种能够基于现有数据创建新内容的人工智能，例如图像、文本甚至音乐。它使用机器学习算法分析大型数据集并从中学习，再基于该分析生成新内容。

另一方面，知识管理是指在组织内部获取、组织和共享知识的过程。它涉及从各种来源收集信息，将其存储在集中式数据库中，并在员工需要时让他们能够轻松访问。

许多组织依靠人工维护知识管理，这可能导致内容过时或质量不佳。通过自动化知识管理所涉及的许多任务，生成式 AI 可以帮助提升知识管理流程的效率和效果。

生成式 AI 可通过以下几种具体方式优化知识管理：

1. 自动创建知识文章

生成式 AI 可以基于现有数据源自动创建知识文章，例如产品文档、客户支持工单和员工培训材料。这种自动化可以让 IT 专业人员腾出时间专注于更具战略性的任务，例如制定新的知识管理举措，以及提升现有知识文章的质量。

2. 提升知识质量

生成式 AI 可以通过识别并纠正错误、归档旧信息，以及为知识文章添加上下文和补充信息来提升知识质量。这有助于确保员工能够访问准确且最新的信息。

3. 生成新的想法和洞察

生成式 AI 可以通过以新的方式组合现有知识，生成新的想法和洞察。例如，人力资源、设施和 IT 部门都可能有讨论组织内员工入职和离职流程的文章。

生成式 AI 可以查看这些文章，并生成一篇合并后的知识文章，阐述跨这三个领域的端到端入职和离职流程。这样员工就无需在三个不同领域分别搜索。

4. 更快速地解决问题

生成式 AI 可以通过识别数据中的模式和趋势，快速解决问题。这有助于组织做出更明智的决策，并提升整体绩效。

例如，生成式 AI 可以查看特定时间段内的 IT 事件，并为一组常见问题识别出通用的解决方法。基于其发现，它可以为服务台坐席生成知识文章，帮助他们更快解决问题，也帮助员工通过自助服务自行解决问题。

5. 创建更具吸引力的内容

生成式 AI 可以通过为每位用户进行个性化定制，创建更具吸引力的内容，帮助组织改善客户体验。知识文章，尤其是人力资源知识领域的文章，会根据地区或语言进行个性化定制。能够生成符合员工角色画像的专属内容，将极大提升员工的使用效果和体验。

生成式 AI 有哪些弊端？

与知识管理结合的生成式 AI 解决方案有潜力为许多行业和领域带来变革。然而，它也并非没有弊端，包括：

1. 安全与隐私

用于知识管理的生成式 AI 系统可能包含敏感或机密信息。因此，确保这些系统安全并受到保护以抵御网络威胁至关重要。此外，还可能存在隐私方面的担忧，尤其是当 AI 生成的内容包含个人信息或可识别身份的信息时。

例如，生成式 AI 可以创建看似逼真的恶意软件和网络钓鱼攻击。这些攻击可用于窃取个人信息、财务数据或其他敏感信息。

2. 质量与准确性

虽然生成式 AI 模型可以产出令人印象深刻的结果，但其质量和准确性会因输入数据和任务复杂度而存在很大差异。“垃圾进，垃圾出”这句老话依然适用。此外，确保 AI 能够访问准确且最新的信息也可能并不容易，这会影响其生成内容的质量。
例如，ChatGPT 的训练数据收集自互联网并定期更新。然而，当前版本的 ChatGPT 是基于截至 2021 年 9 月收集的数据进行训练的。这意味着 ChatGPT 可能无法回答有关 2021 年 9 月之后时事或新闻话题的问题。

3. 数据偏见

生成式 AI 模型可能会无意中反映其训练数据中存在的偏见和成见，从而导致结果有偏或不准确。在知识管理应用中，准确性至关重要，因此这种数据偏见尤其令人担忧。
例如，如果某个模型基于主要来自美国的文本数据集进行训练，该模型生成与其他国家/地区用户相关文本的可能性可能较低。

生成式 AI 为组织提供了通过提升质量、创建引人入胜的内容和实现自动化来增强知识管理的机会。但在实施过程中也需要谨慎。了解在组织中将生成式 AI 与知识管理成功结合使用所需具备的条件。