La inteligencia artificial ha entrado de forma consolidada en el léxico estratégico de la Gestión de Servicios de TI. Y con muy buenas razones. Sus promesas son muy concretas: acelerar los procesos, mejorar la calidad del soporte, aumentar la eficiencia operativa, aligerar la carga de los equipos de TI, desencadenar una mejora continua.
Todo cierto… siempre que no se subestime el punto decisivo: la IA no produce valor de forma automática, casi por arte de magia, por el mero hecho de ser introducida. Cuando se adopta en contextos en los que los procesos son poco claros, los datos son incoherentes y la gobernanza es frágil, la inteligencia artificial puede convertirse en un peligrosísimo multiplicador de vulnerabilidades. Entonces, ¿qué hacer? El punto de partida imprescindible es identificar con precisión los riesgos, de modo que puedan mantenerse bajo control, evitando tomar caminos sin salida o, peor aún, recorridos que llevan directamente hacia un precipicio.
Eso es lo que haremos en este artículo, en el que hemos agrupado en torno a cuatro núcleos los principales Risk of AI in ITSM. Procedamos con orden, concluyendo con un enfoque más realista; el único que permite realmente aprovechar las oportunidades de esta revolución tecnológica sin precedentes.
El primer riesgo: automatizar el desorden
La Inteligencia Artificial, entre otras cosas, es un acelerador poderosísimo. Pero un acelerador, por sí solo, no distingue lo que funciona de lo que no funciona. ¿Qué significa esto en la práctica del ITSM? Significa que, por ejemplo, si el proceso de gestión de incidentes está poco estandarizado, si la categorización de los tickets varía de un equipo a otro, si las prioridades se asignan de forma discontinua, entonces la IA no corrige el sistema, sino que amplifica los errores. Este es uno de los riesgos más intuitivos pero también más subestimados.
Una organización puede introducir un asistente virtual, una clasificación automática de tickets o un motor de sugerencias para la base de conocimiento y obtener, al menos en apariencia, mayor rapidez. Pero si los flujos de trabajo no son claros desde el principio, los resultados serán inevitablemente incoherentes. Dos solicitudes similares pueden recibir tratamientos distintos. Un ticket crítico puede enrutarse mal. Una recomendación puede parecer plausible y, sin embargo, basarse en datos sucios o en documentación obsoleta.
El efecto final es paradójico: más automatización, pero menos fiabilidad. En otras palabras, antes incluso de preguntarse dónde introducir la IA, habría que preguntarse cuán maduros son los procesos ITSM de la organización. Porque la inteligencia artificial funciona bien cuando encuentra estructuras legibles: flujos de trabajo bien diseñados, taxonomías coherentes, SLA definidos, bases de conocimiento cuidadas, responsabilidades claras. Sin estos cimientos, el riesgo no es solo equivocarse, sino equivocarse más rápido y de forma más amplia.
El segundo riesgo: las consecuencias de los datos de escasa calidad
Llegamos a un nudo decisivo, al que ya hemos hecho referencia: la calidad de los datos. En el ITSM contemporáneo, los datos llegan de muchas fuentes distintas: tickets, CMDB, herramientas de monitorización, artículos de conocimiento, solicitudes de servicio, activos, logs, encuestas, escalaciones. Si estas fuentes no son fiables, están actualizadas y son coherentes, incluso la IA más sofisticada trabajará sobre bases inestables.
Es un tema menos llamativo que la automatización, pero aún más importante. Porque un modelo – al menos, por ahora – no interpreta el contexto como lo haría un profesional experto: identifica patrones en los datos disponibles. Y si los patrones están distorsionados, incompletos o son contradictorios, el resultado también tenderá a serlo. Esta es la razón por la que muchas iniciativas de IA parecen convincentes en fase demostrativa y mucho menos en la realidad cotidiana del service desk. ¡Atención! El problema no es solo técnico, sino también cultural. Cuando usuarios y operadores empiezan a recibir sugerencias incoherentes, clasificaciones poco comprensibles o respuestas imprecisas, la confianza se erosiona rápidamente. Y una vez perdida, recuperarla es mucho más difícil que introducir una nueva funcionalidad.
La IA, en definitiva, no falla únicamente cuando produce errores macroscópicos; falla también cuando genera un ruido constante, sutil, que hace el sistema menos creíble. Este es uno de los rostros más concretos del Risk of AI in ITSM.
El tercer riesgo: ¿dónde está la prueba del valor?
El tercer riesgo es una trampa muy concreta, especialmente a nivel directivo. Muchas organizaciones introducen la IA porque perciben que es una prioridad inevitable, porque todos a su alrededor lo están haciendo. Pero no definen de antemano qué debe mejorar realmente, para ellas, en su contexto preciso. ¿El tiempo medio de resolución? ¿El first contact resolution? ¿La reducción del volumen de tickets? ¿La calidad de la base de conocimiento? ¿La experiencia del usuario? ¿La productividad de los agentes?
Sin una línea base y sin métricas compartidas, los beneficios permanecen difusos. Se percibe movimiento, se observan nuevas herramientas, se genera entusiasmo. Pero cuando llega el momento de justificar inversiones, hojas de ruta y prioridades, falta la prueba del valor. Es una de las paradojas típicas del hype: cuanto más se habla de una tecnología, más difícil resulta demostrar su impacto real, si el proyecto no ha estado anclado desde el principio a resultados medibles.
Por eso, en una estrategia madura, la IA nunca debería ser un fin en sí misma. Debería ser una palanca al servicio de objetivos claros de mejora del servicio. Dicho de otro modo: el foco debe desplazarse de la tecnología a la gobernanza.
El cuarto riesgo: una proliferación incontrolada de herramientas
Cerramos finalmente con un riesgo menos operativo, pero más amplio y cada vez más actual: la fragmentación. Cuando la IA entra en la empresa sin políticas claras, sin responsabilidades definidas y sin criterios compartidos de uso, el resultado puede ser una nueva forma de shadow IT: más rápida, más accesible y más difícil de monitorizar.
Es suficiente con que equipos individuales utilicen herramientas distintas para clasificar tickets, generar respuestas, construir flujos de trabajo o producir contenidos de gestión del conocimiento, para que en poco tiempo se creen divergencias, duplicaciones y nuevas superficies de riesgo. En ese punto el problema ya no es solo la calidad de las respuestas individuales de la IA, sino la pérdida de coherencia global del sistema ITSM.
Este escenario es particularmente delicado porque se desarrolla de forma gradual y solapada. Al principio parece un fenómeno inocuo, incluso positivo: más experimentación, más iniciativa, más velocidad. Pero después emergen las consecuencias operativas. Lenguajes distintos, reglas distintas, automatizaciones distintas, niveles de calidad distintos. Y lo que debía simplificar acaba aumentando irremediablemente la complejidad.
Antes de escalar la IA, hay que poner en orden el ITSM
Ya hemos visto los principales riesgos. En este punto la pregunta correcta no es si adoptar o no la IA en el ITSM. Sino: ¿sobre qué bases? ¿Con qué precauciones?
Las organizaciones que quieren realmente reducir el Risk of AI in ITSM deberían centrarse ante todo en algunos elementos estructurales: procesos estandarizados, datos fiables, roles claros, gobernanza, métricas, calidad de la documentación, mantenimiento de la base de conocimiento, integración entre service desk, gestión de incidentes, gestión de solicitudes y monitorización. No es la parte más «espectacular» del recorrido, pero es la que hace que la IA sea realmente escalable.
Digámoslo de forma muy clara: la inteligencia artificial funciona bien cuando encuentra un ecosistema ordenado. Cuando puede leer señales coherentes. Cuando la CMDB no es un archivo olvidado. Cuando los tickets no son una jungla de categorías improvisadas. Cuando los equipos comparten un lenguaje operativo común. Solo entonces la automatización inteligente deja de ser una promesa bastante vaga y «milagrosa» y empieza a convertirse en un activo concreto.
Un enfoque más realista, por tanto más estratégico
Entonces, ¿cómo salir del hype sobre la inteligencia artificial y aprovechar realmente sus enormes potencialidades? El primer paso es dejar de pensar en la IA como un atajo. En el ITSM no lo es. Más bien, es un multiplicador. Y los multiplicadores, por definición, amplían lo que encuentran: si encuentran solidez, aumentan el valor; si encuentran caos, aumentan el ruido.
La IA en el ITSM no debe frenarse por miedo, ni acelerarse por moda. Debe situarse dentro de una estrategia seria, adaptada a la propia empresa y al contexto en el que está insertada. Porque el verdadero riesgo oculto no es que la IA no funcione. Es que parezca funcionar lo suficiente como para convencernos de que los cimientos ya no importan… y en cambio importan más que nunca.
Para profundizar más en estos aspectos, os remitimos a las grabaciones del webinar de EasyVista «AI in ITSM: What’s Real. What’s Hype. What’s Next», que aborda precisamente la frontera entre posibilidades concretas, expectativas infladas y escenarios de adopción más maduros.
FAQ
#1 ¿Por qué un enfoque demasiado rápido hacia la IA puede ser problemático?
Porque a menudo empuja a los equipos a utilizar la inteligencia artificial sin partir de problemas concretos que resolver. Esto genera experimentaciones desconectadas, proyectos redundantes y resultados difíciles de escalar o medir.
#2 ¿Cuáles son los principales Risk of AI in ITSM?
Los riesgos principales son cuatro: automatizar procesos desordenados, obtener resultados poco fiables debido a datos escasos, no poder demostrar el valor real de la IA y crear fragmentación entre herramientas y flujos de trabajo en ausencia de una gobernanza clara.
#3 ¿Cómo se reducen los Risk of AI in ITSM?
Asegurando primero los cimientos: estandarización de procesos, gobernanza, calidad de los datos, métricas claras, documentación actualizada y una base de conocimiento bien mantenida. Solo después tiene sentido escalar la IA.