KI steht im Mittelpunkt eines enormen Hypes. Jede Woche tauchen neue Use Cases, neue Versprechen, Modelle und Funktionen auf. Viele Organisationen beschleunigen ihre KI-Investitionen, indem sie vor allem auf den Kauf neuer Funktionen setzen: KI-Agenten, Copiloten, Tools für automatische Vorschläge, prädiktive Engines, konversationelle Komponenten, die in Support-Workflows integriert sind.

Das sind potenziell sehr nützliche Lösungen, ihr Wert hängt jedoch von der Umgebung ab, in die sie eingebettet werden. Wenn diese Funktionen auf unvollständigen Daten, inkonsistenten Tickets, nur teilweise dokumentierten Workflows, uneinheitlichen Prozessen, schlecht verwalteten Systems of Record und veralteten Wissensdatenbanken aufbauen, bleiben die Ergebnisse hinter den Erwartungen zurück.

Deshalb besteht die strategisch wichtigste KI-Investition, die IT-Führungskräfte heute tätigen können, nicht unbedingt im Kauf neuer Funktionen. Stattdessen liegt sie darin, Reife aufzubauen: die Organisation, die Prozesse und die Daten so vorzubereiten, dass KI wirkliche Mehrwerte generieren kann.

Genau hier kommt das zentrale Konzept dieses Artikels ins Spiel: KI-Reife im ITSM. Denn die weitsichtigste KI-Investition konzentriert sich auf die Reife des ITSM selbst.

Zwei Wege, in KI zu investieren

Es gibt zwei sehr unterschiedliche Wege, im ITSM in KI zu investieren:

1. Funktionen anschaffen

Der erste ist der sichtbarste und gängigste – Funktionen kaufen:

• neue Module
• neue konversationelle Schnittstellen
• virtuelle Assistenten
• Klassifizierungs-Engines
• Zusammenfassungstools
• intelligente Automatisierungen

Das sind Investitionen, die in Roadmaps, Demos und Board Decks sichtbar werden.

2. In KI-Reife investieren

Der zweite Weg ist weniger auffällig, aber weitaus struktureller: KI-Reife aufbauen. Das bedeutet, Prozesse lesbar, Daten zuverlässig, Workflows konsistent, Integrationen solide und Governance klar zu machen. KI soll nicht im Leeren, sondern innerhalb eines geordneten Systems funktionieren.

Der entscheidende Punkt ist dieser: KI-Funktionen können nur dann Mehrwert schaffen, wenn sie eine Umgebung vorfinden, die bereit ist, sie aufzunehmen:

• Ein Copilot, der die Kategorie eines Tickets vorschlägt, benötigt historisch konsistente Kategorien. 
• Ein KI-Agent, der eine Lösung vorschlägt, benötigt eine zuverlässige Wissensdatenbank. 
• Ein prädiktives System benötigt vollständige, normalisierte Daten, die mit Assets und Services verknüpft sind. 
• Eine intelligente Automatisierung benötigt klare und wiederholbare Workflows.

Ohne all das riskiert KI, in Demos leistungsstark und im realen Einsatz schwach zu wirken.

Der Ausgangspunkt: die Konsistenz der Tickets

In der ITSM-Welt ist das Ticket – zumindest in theoretischer Hinsicht – der erste Baustein der operativen Daten. Dort finden wir die Problembeschreibung, die Kategorie, die Priorität, den betroffenen Nutzer, den beeinträchtigten Service, die zugewiesene Gruppe, die durchgeführten Aktivitäten und die abschließende Lösung.

In der Praxis dagegen verwalten viele Organisationen Tickets mit zu vagen Beschreibungen, unregelmäßig ausgefüllten Feldern, duplizierten Kategorien, subjektiv zugewiesenen Prioritäten und mit generischen Phrasen wie „gelöst“ oder „erledigt“. Für einen erfahrenen Menschen ist das vielleicht noch interpretierbar. Für KI hingegen ist es Rauschen.

Wenn wir KI zur Klassifizierung, Weiterleitung, Lösungsvorschlägen, Zusammenfassung von Incidents oder Erkennung wiederkehrender Muster einsetzen wollen, müssen wir bei der Datenqualität ansetzen. Es geht dabei nicht darum, Perfektion anzustreben. Es braucht jedoch eine klare Richtung: weniger Mehrdeutigkeit, mehr Struktur, mehr Konsistenz.

Das ruft nach folgenden Schritten:

1. sinnvolle Pflichtfelder definieren
2. Kategorien vereinfachen
3. Beschreibungen standardisieren
4. Abschlussverfahren verbessern
5. Tickets mit den richtigen Services und Assets verknüpfen

Dies sind alles Maßnahmen, die wie „Aufräumarbeiten“ wirken mögen. In Wirklichkeit sind es jedoch Investitionen in KI. 

Dokumentierte Workflows: der Treibstoff intelligenter Automatisierung

Es wird viel – und zu Recht – über agentische KI gesprochen. Aber ein KI-Agent muss, um sinnvoll handeln zu können, wissen, wie der jeweilige Prozess aussieht. Es muss klar sein, was er tun kann, in welcher Reihenfolge, mit welchen Genehmigungen, mit welchen Ausnahmen, mit welchen Grenzen. Kurz gesagt: Wenn der Workflow nicht gut dokumentiert ist, kann die KI ihn nicht zuverlässig ausführen.

Nehmen wir eine Anfrage für den Zugang zu einer Unternehmensanwendung. Auf den ersten Blick scheint alles sehr einfach: Ein Nutzer beantragt den Zugang, jemand genehmigt ihn, das System aktiviert ihn.

Aber in der Praxis multiplizieren sich die Variablen:

• Rolle des Nutzers
• Abteilung
• Berechtigungsstufe
• angeforderte Anwendung
• Sicherheitsrichtlinien
• Genehmigung des Managers
• eventuelle Genehmigung des Data Owners
• Lizenzprüfung
• Provisioning
• abschließende Benachrichtigung

Wenn diese Schritte nur im Kopf einiger weniger Personen existieren, sind sie nicht bereit für KI. Hingegen entsteht Reife, wenn Workflows explizit, messbar und wiederholbar werden. Erst dann lässt sich entscheiden, welche Schritte mit einfachen Regeln automatisiert werden, welche KI erfordern und welche unter menschlicher Kontrolle bleiben müssen.

Prozess-Einheitlichkeit: weniger Ausnahmen, mehr Mehrwert

Ein weiteres typisches Hindernis für KI-Reife ist die Fragmentierung von Prozessen. In vielen Organisationen wird dieselbe Art von Anfrage von verschiedenen Teams auf unterschiedliche Weise bearbeitet. Der Service Desk folgt einem Verfahren, das Infrastruktur-Team einem anderen, die Sicherheitsabteilung einem dritten und lokale Standorte wenden noch weitere Varianten an.

Diese Flexibilität mag kurzfristig praktisch erscheinen. Langfristig schafft sie jedoch ein enormes Problem: Die Organisation weiß nicht mehr genau, wie die Arbeit erledigt wird, und KI kann es nicht an ihrer Stelle wissen.

Prozesse zu vereinheitlichen bedeutet, zu unterscheiden, was standardisiert sein muss und was variabel bleiben kann. So lässt sich ein gemeinsamer Pfad für die häufigsten Szenarien definieren und Raum für Ausnahmen lassen, ohne sie zur Regel werden zu lassen.

Ein Beispiel: Das Incident-Management kann eine Standardstruktur für die Identifizierung, die Kategorisierung, die Priorisierung, die Eskalation, die Lösung und den Abschluss vorsehen. Innerhalb dieser werden die Details je nach Art des Incidents variieren. Aber das Grundgerüst muss erkennbar bleiben.

Genau diese Einheitlichkeit ermöglicht Automatisierung im großen Maßstab und erlaubt es der KI, Muster zu erkennen, Verbesserungen vorzuschlagen, Anomalien zu erkennen und Entscheidungen zu unterstützen.

Die Wissensdatenbank: vom passiven Archiv zur KI-Infrastruktur

In den letzten Jahren haben viele Organisationen interne Wissensdatenbanken mit Anleitungen, FAQs, Verfahren und Lösungsartikeln aufgebaut. Aber oft sind diese Archive ungeordnet gewachsen: duplizierte Artikel, veraltete Inhalte, unterschiedliche Sprachen, fehlende Verantwortliche, keine regelmäßige Überprüfung.

Dann kommt generative KI und die Versuchung ist sofort da: „Perfekt, wir nutzen KI, um Nutzern auf Basis der Wissensdatenbank zu antworten.“ Aber wenn die Wissensdatenbank fragil ist, verstärkt die KI genau dies nur. Eine gut geschriebene Antwort, die auf veralteten Informationen basiert, ist gefährlicher als eine offensichtlich unvollständige Antwort. Denn sie wirkt zuverlässig, schlüssig und hat den richtigen Ton, kann den Nutzer aber in die falsche Richtung führen.

Deshalb führt KI-Reife auch über die Governance des Wissens.
Jeder Artikel sollte Folgendes haben: 

• einen Verantwortlichen
• ein Überprüfungsdatum
• einen Anwendungsbereich
• eine Verknüpfung mit bestimmten Services oder Kategorien
• einen Aktualisierungszyklus

Die meistgenutzten Inhalte sollten überwacht werden. Weniger nützliche sollten verbessert oder entfernt werden.

Integrationen und System of Record: das Herzstück der KI-Reife 

KI im ITSM arbeitet nicht nur mit Prozessen, sondern auch mit Beziehungen. Ein Incident ist mit einem Service verknüpft. Der Service hängt von Assets ab. Assets haben Konfigurationen, Verantwortliche, Standorte, Verträge, Schwachstellen, aktuelle Changes. Eine Anfrage kann digitale Identitäten, Lizenzen, Anwendungen, Genehmigungen und Endpoint-Management-Tools umfassen.

Wenn diese Daten in Systemen verstreut sind, die nicht miteinander kommunizieren, sieht KI nur einen Teil des Gesamtbilds, das irreführend sein kann. Deshalb sind Integrationen eine grundlegende Komponente der Reife. Nicht als technisches Projekt um seiner selbst willen, sondern als Voraussetzung für die Schaffung von Kontext.

Eine durch KI gestärkte ITSM-Plattform – wie sie von EasyVista bereitgestellt wird – ist ein Konvergenzpunkt zwischen Workflows, operativen Daten, Anfragen, Incidents, Assets, Automatisierungen und Monitoring. Denn je zuverlässiger das System of Record ist, desto mehr messbaren Mehrwert kann KI generieren.

In diesem Sinne ist ITSM nicht nur „IT-Support“. Es ist zunehmend das digitale Rückgrat der Unternehmensprozesse. Wenn die Arbeit dort durchläuft sowie nachverfolgt und gesteuert wird, kann KI fruchtbaren Boden vorfinden.

Fazit: KI belohnt solide Fundamente

KI ist eine große Chance für das ITSM. Sie kann die Lösung von Incidents beschleunigen, den Self-Service verbessern, Operatoren unterstützen, manuelle Tätigkeiten reduzieren, Muster erkennen und Services prädiktiver sowie personalisierter gestalten. Aber sie verwandelt fragile Prozesse nicht automatisch in ausgereifte und macht inkonsistente Daten nicht plötzlich zuverlässig. Ebenso ersetzt KI keine Governance und klärt keine Verantwortlichkeiten, welche die Organisation nie definiert hat.

KI fungiert als Katalysator:

1. Findet sie Ordnung, verstärkt sie die Ordnung. 
2. Findet sie Unordnung, verstärkt sie die Unordnung.

Die Zukunft des intelligenten ITSM wird nicht von jenen mit den meisten Funktionen, sondern von jenen mit den besten Grundlagen für KI gewonnen. Es braucht klare Prozesse, zuverlässige Daten, digitale Workflows und ein gut gemanagtes System of Record. 

FAQ

Was bedeutet es konkret, in KI-Reife zu investieren?

KI-Reife zu erlangen bedeutet, Prozesse, Daten, Workflows, Wissensdatenbanken, Integrationen und Systems of Record so vorzubereiten, dass KI-Funktionen echte Mehrwerte generieren können. Es geht nicht nur um Technologie, sondern auch um Governance, Datenqualität und operative Reife.

Warum reicht es nicht aus, neue KI-Funktionen zu kaufen?

KI benötigt zuverlässigen Kontext. Wenn Tickets, Workflows und Daten inkonsistent sind, riskiert KI, ungenaue Vorschläge, fragile Automatisierungen und schwer messbare Ergebnisse zu produzieren. KI-Funktionen funktionieren besser, wenn sie auf klaren Prozessen und gut strukturierten Daten aufbauen.

Was sind die ersten Schritte zum Aufbau von KI-Reife?

Die ersten Schritte, um KI-Reife aufzubauen, sind die folgenden:

1. die Qualität der Tickets verbessern
2. Kategorien und Prioritäten standardisieren
3. die wichtigsten Workflows dokumentieren
4. die Wissensdatenbank aktualisieren
5. Integrationen stärken
6. klare Metriken zur Bewertung der Ergebnisse definieren