Künstliche Intelligenz ist fest in den strategischen Wortschatz des IT Service Managements (ITSM) eingezogen. Und das aus gutem Grund. Ihre Versprechen sind sehr konkret: Prozesse beschleunigen, die Qualität des Supports verbessern, die operative Effizienz steigern, die IT-Teams entlasten, kontinuierliche Verbesserung anstoßen.
Das ist alles richtig, unter der Voraussetzung, dass man den entscheidenden Punkt nicht vergisst: KI erzeugt nicht allein dadurch Mehrwert, dass sie eingeführt wird. Wenn sie in Umgebungen eingesetzt wird, in denen Prozesse unklar, Daten inkonsistent sind und die Governance fragil ist, kann Künstliche Intelligenz zu einem äußerst gefährlichen Multiplikator von Schwachstellen werden.
Was ist also zu tun? Der unverzichtbare Ausgangspunkt ist es, die Risiken genau zu identifizieren, um sie unter Kontrolle zu halten und zu vermeiden, in Sackgassen zu geraten oder auf Wegen zu landen, die geradewegs in den Abgrund führen.
Genau das werden wir in diesem Artikel tun, in dem wir die wichtigsten Risiken von KI im ITSM um vier Kernbereiche gruppiert haben. Gehen wir der Reihe nach vor und schließen mit einem realistischeren Ansatz ab.
Das erste Risiko: Chaos automatisieren
Künstliche Intelligenz ist unter anderem ein äußerst mächtiger Beschleuniger. Aber dieser allein unterscheidet nicht zwischen dem, was funktioniert, und dem, was nicht funktioniert. Das bedeutet in der ITSM-Praxis, dass die KI das System nicht korrigiert, sondern Fehler verstärkt. Das ist beispielsweise der Fall, wenn der Incident-Management-Prozess wenig standardisiert ist, wenn die Ticket-Kategorisierung von Team zu Team variiert oder wenn Prioritäten uneinheitlich vergeben werden.
Eine Organisation kann einen virtuellen Assistenten, eine automatische Ticket-Klassifizierung oder eine Empfehlungs-Engine für die Knowledge Base einführen und zumindest dem Anschein nach mehr Geschwindigkeit erzielen. Aber wenn die Workflows im Vorfeld nicht klar sind, werden die Ergebnisse zwangsläufig inkonsistent sein. Zwei ähnliche Anfragen können unterschiedlich behandelt werden. Ein kritisches Ticket kann falsch weitergeleitet werden. Eine Empfehlung kann plausibel erscheinen und dennoch auf unsauberen Daten oder einer veralteten Dokumentation basieren.
Der Endeffekt ist paradox: mehr Automatisierung, aber weniger Zuverlässigkeit. Mit anderen Worten: Bevor man sich fragt, wo KI eingeführt werden soll, sollte man sich fragen, wie reif die ITSM-Prozesse der Organisation sind. Denn Künstliche Intelligenz funktioniert nur dann gut, wenn sie auf lesbare Strukturen trifft:
- gut gestaltete Workflows
- konsistente Taxonomien
- definierte SLAs
- gepflegte Wissensdatenbanken
- klare Verantwortlichkeiten
Ohne dieses Fundament besteht das Risiko nicht nur darin, Fehler zu machen, sondern Fehler schneller und in größerem Ausmaß zu machen.
Das zweite Risiko: die Folgen mangelhafter Datenqualität
Im modernen ITSM kommen Daten aus vielen verschiedenen Quellen:
- Tickets
- CMDB
- Monitoring-Tools
- Wissensdatenbank-Artikel
- Service-Anfragen
- Assets
- Aufzeichnungen (Logs)
- Umfragen
- Eskalationen
Wenn diese Quellen nicht zuverlässig, aktuell und konsistent sind, wird auch die ausgefeilteste KI auf instabilen Grundlagen arbeiten.
Dies ist ein weniger auffälliges Thema als die Automatisierung, aber noch wichtiger. Denn ein Modell interpretiert den Kontext nicht so wie ein erfahrener Fachmann: Es identifiziert Muster in den verfügbaren Daten. Wenn diese verzerrt, unvollständig oder widersprüchlich sind, wird auch der Output dazu neigen, es zu sein. Das ist der Grund, warum viele KI-Initiativen in der Demonstrationsphase überzeugend wirken und dies im täglichen Betrieb des Service Desks weitaus weniger tun.
Das Problem ist nicht nur technischer, sondern auch kultureller Natur. Wenn Benutzer und Mitarbeiter beginnen, inkonsistente Vorschläge, schwer verständliche Klassifizierungen oder ungenaue Antworten zu erhalten, erodiert dies das Vertrauen schnell. Einmal verloren, ist dieses viel schwieriger zurückzugewinnen, als eine neue Funktion einzuführen.
KI scheitert also nicht nur, wenn sie grobe Fehler produziert, sondern auch, wenn sie ein konstantes, subtiles Rauschen erzeugt, das das System weniger glaubwürdig macht. Dies ist eines der konkretesten Gesichter der Risiken von KI im ITSM.
Das dritte Risiko: Wo ist der Beweis für den Mehrwert?
Das dritte Risiko ist eine sehr konkrete Falle, insbesondere auf Management-Ebene. Viele Organisationen führen KI ein, weil sie sie als eine unvermeidliche Priorität wahrnehmen. Aber sie legen nicht im Voraus fest, was in ihrem spezifischen Kontext wirklich verbessert werden soll:
- die durchschnittliche Lösungszeit?
- die First Contact Resolution?
- das Ticketvolumen?
- die Qualität der Wissensdatenbank?
- die Benutzererfahrung?
- die Produktivität der Agenten?
Ohne eine solide Basis und gemeinsame Metriken bleiben die Vorteile diffus. Man sieht Bewegung, bemerkt neue Tools, erzeugt Begeisterung. Aber wenn der Moment kommt, Investitionen, Roadmaps und Prioritäten zu rechtfertigen, fehlt der Beweis für die erzielten Mehrwerte. Es ist eines der typischen Paradoxons des Hypes: Je mehr über eine Technologie gesprochen wird, desto schwieriger wird es, ihre tatsächliche Wirkung nachzuweisen, wenn das Projekt von Anfang an nicht an messbaren Ergebnissen verankert wurde.
Deshalb sollte KI in einer ausgereiften Strategie niemals ein Selbstzweck, sondern ein Hebel im Dienst klarer Verbesserungen für den Service sein. Anders ausgedrückt: Der Fokus muss von der Technologie auf die Governance verlagert werden.
Das vierte Risiko: eine unkontrollierte Proliferation von Tools
Abschließend befassen wir uns mit einem weniger operativen, aber umfassenderen und immer aktuelleren Risiko: der Fragmentierung. Wenn KI ohne klare Richtlinien, ohne definierte Verantwortlichkeiten und ohne gemeinsame Nutzungskriterien in ein Unternehmen einzieht, kann das Ergebnis eine neue Form von Schatten-IT sein: schneller, zugänglicher und schwieriger zu überwachen.
Es genügt, dass einzelne Teams unterschiedliche Tools zur Ticket-Klassifizierung, zur Antwortgenerierung, zum Aufbau von Workflows oder für Wissensdatenbank-Artikel verwenden, damit in kurzer Zeit Abweichungen, Duplikate und neue Risiken entstehen. An diesem Punkt ist das Problem nicht mehr nur die Qualität der einzelnen KI-Antworten, sondern der Verlust der Kohärenz des ITSM-Systems.
Dieses Szenario ist besonders heikel, weil es sich schrittweise und schleichend entwickelt. Anfangs erscheint es wie ein harmloses, ja sogar positives Phänomen: mehr Experimentieren, mehr Initiative, mehr Geschwindigkeit. Dann treten die operativen Konsequenzen auf: unterschiedliche Sprachen, unterschiedliche Regeln, unterschiedliche Automatisierungen, unterschiedliche Qualitätsniveaus. Und was Prozesse vereinfachen sollte, erhöht am Ende unweigerlich die Komplexität.
Bevor man KI skaliert, muss man das ITSM in Ordnung bringen
Die wichtigsten Risiken haben wir gesehen. An diesem Punkt lautet die richtige Frage nicht, ob man KI im ITSM einführen soll oder nicht, sondern auf welcher Grundlage und mit welchen Vorsichtsmaßnahmen dies geschehen soll
Organisationen, welche die Risiken von KI im ITSM wirklich reduzieren wollen, sollten sich zunächst auf einige strukturelle Elemente konzentrieren:
- standardisierte Prozesse
- zuverlässige Daten
- klare Rollen
- Governance
- Metriken
- Dokumentationsqualität
- Pflege der Wissensdatenbank
- Integration zwischen Service Desk, Incident Management, Request Management und Monitoring
Das ist nicht der „spektakulärste“ Teil des Weges, aber derjenige, der KI wirklich skalierbar macht.
Künstliche Intelligenz funktioniert gut, wenn sie ein geordnetes Ökosystem vorfindet. Sie muss konsistente Signale von Teams mit einer gemeinsamen operativen Sprache lesen können und kein vergessenes Archiv sowie kein Dschungel aus improvisierten Kategorien sein Erst dann hört intelligente Automatisierung auf, ein eher vages und „wundersames“ Versprechen zu sein, und beginnt, ein konkretes Asset zu werden.
Fazit: Ein realistischerer und damit strategischerer Ansatz
Wie also aus dem KI-Hype heraustreten und die enormen Potenziale wirklich nutzen? Der erste Schritt besteht darin, aufzuhören, KI als eine Abkürzung zu betrachten. Denn sie ist im ITSM vielmehr ein Multiplikator, der das verstärkt, was er vorfindet.
KI im ITSM sollte weder aus Angst verlangsamt noch aus einem Hype heraus beschleunigt werden. Sie muss in eine ernsthafte Strategie eingebettet werden, die auf das eigene Unternehmen und den Kontext, in dem es sich befindet, zugeschnitten ist.
Denn das eigentliche verborgene Risiko ist nicht, dass KI nicht funktioniert. Es ist, dass sie gut genug zu funktionieren scheint, um uns davon zu überzeugen, dass das in Wirklichkeit entscheidende Fundament keine Rolle mehr spielt.
FAQ
#1 Warum kann ein zu schneller Ansatz bei der KI problematisch sein?
Weil er Teams oft dazu verleitet, Künstliche Intelligenz einzusetzen, ohne von konkreten zu lösenden Problemen auszugehen. Dies erzeugt losgelöste Experimente, redundante Projekte und Ergebnisse, die schwer zu skalieren oder zu messen sind.
#2 Was sind die wichtigsten Risiken von KI im ITSM?
Die Hauptrisiken sind vier: ungeordnete Prozesse automatisieren, unzuverlässige Ergebnisse aufgrund mangelhafter Daten erhalten, den tatsächlichen Wert der KI nicht nachweisen können und Fragmentierung zwischen Tools und Workflows in Ermangelung einer klaren Governance erzeugen.
#3 Wie reduziert man die Risiken von KI im ITSM?
Indem man zunächst das Fundament sichert: Prozessstandardisierung, Governance, Datenqualität, klare Metriken, aktuelle Dokumentation und eine gut gepflegte Wissensdatenbank. Erst danach macht es Sinn, KI zu skalieren.