Cuando un cohete despega hacia el espacio, muy pocos se detienen a pensar en la plataforma de lanzamiento. Sin embargo, sin esa base, el despegue no se produce. O, peor aún, sale mal.
La metáfora es sencilla, pero refleja bastante bien lo que suele ocurrir cuando se habla de innovación. Y también lo que está pasando hoy con la inteligencia artificial en la gestión de servicios de TI.
La atención está completamente centrada en los asistentes virtuales, las predicciones cada vez más precisas, las sugerencias generativas, la IA agéntica y la rápida aceleración de estas tecnologías. Es lógico. El potencial está ahí. Pero hay un punto decisivo que no se puede pasar por alto: la IA no sustituye los fundamentos de ITSM. Al contrario, los pone a prueba como nunca antes.
En este artículo anterior, hablamos de los riesgos ocultos de la IA en ITSM y de cómo la innovación puede avanzar más rápido que las bases organizativas. Aquí queremos dar el siguiente paso: poner el foco no tanto en los riesgos, sino en los principios que hacen que la adopción de la IA sea sólida, escalable y realmente útil.
La pregunta, en el fondo, es sencilla: ¿está tu ITSM preparado para incorporar la IA? Para responder, hay que volver a lo esencial. Porque hoy, más que nunca, los fundamentos de ITSM para IA importan. Y es en los principios de ITSM —y en cómo se integran con los sistemas de inteligencia artificial— donde se decidirán muchos de los retos del futuro.
Dicho de forma más concreta: un modelo puede sugerir una respuesta, clasificar un ticket, proponer una derivación o señalar una correlación. Pero, para que esa sugerencia sea útil, tiene que encajar dentro de un proceso coherente. Tiene que hablar el mismo idioma que el service desk. Tiene que basarse en categorías con sentido. Tiene que apoyarse en SLA definidos. Tiene que trabajar con datos que no sean contradictorios.
En definitiva: la IA no hace que los principios de ITSM sean prescindibles. Los hace aún más necesarios. Y eso es lo que veremos a lo largo de este artículo, centrándonos en seis áreas clave.
Workflows estructurados
El primer nivel de los fundamentos de ITSM para IA está en la estructura de los workflows.
La idea es sencilla, aunque a menudo se pasa por alto en las estrategias de adopción: la inteligencia artificial funciona mejor cuando encuentra caminos claros. Si un incidente sigue un flujo definido, si las solicitudes de servicio están estandarizadas y si los criterios de escalado son compartidos, la IA puede intervenir con más precisión y generar resultados más consistentes.
Por el contrario, cuando cada equipo categoriza los tickets de forma diferente, cuando las prioridades se asignan “por intuición” y cuando las aprobaciones siguen excepciones que nunca se han formalizado, la IA no viene a poner orden. Aprende de esa confusión y la reproduce a mayor escala.
Por eso, antes de introducir automatización avanzada, es esencial ordenar los fundamentos: un catálogo de servicios bien estructurado, una taxonomía de tickets coherente, workflows de aprobación claros, una lógica de priorización explícita y pasos documentados.
En este sentido, una plataforma de ITSM en la nube como EasyVista representa un primer paso importante: centraliza, estandariza, hace visibles los procesos y crea el entorno adecuado para la IA.
La importancia de contar con datos fiables
El segundo pilar de los fundamentos de ITSM para IA es quizá el más importante: la calidad de los datos.
La IA en ITSM se alimenta de tickets históricos, artículos de la base de conocimiento, logs, información sobre activos, datos de la CMDB, solicitudes de servicio, encuestas y datos de monitorización. Si estas fuentes están incompletas, desactualizadas, duplicadas o son incoherentes, el resultado difícilmente será fiable.
Este es un punto esencial: la inteligencia artificial no “comprende” mágicamente el contexto de la organización. Detecta patrones en los datos que encuentra. Y, si esos patrones están distorsionados, las respuestas también lo estarán. Si la base de conocimiento contiene artículos desactualizados, si los activos no están al día, si la CMDB tiene lagunas o si los tickets se rellenan de forma inconsistente, el sistema producirá recomendaciones que solo parecen inteligentes.
Por eso, los fundamentos de ITSM para IA son, en gran medida, una cuestión de calidad de los datos. No en abstracto, sino en el trabajo diario: campos obligatorios bien definidos, convenciones de nomenclatura consistentes, deduplicación, mantenimiento continuo de la base de conocimiento, actualización de configuraciones y gobernanza de las fuentes de información.
Es un trabajo metódico y, al principio, exigente. Puede llevar tiempo. Pero marca una diferencia enorme.
Gobernanza: donde se crea valor
Cuando se habla de IA, el riesgo es centrarse demasiado en la tecnología y demasiado poco en la gobernanza, que sigue siendo una cuestión humana. Sin embargo, uno de los motivos por los que los principios de ITSM importan hoy más que nunca es precisamente este: ayudan a evitar que la introducción de la IA genere fragmentación en lugar de coherencia.
¿Qué ocurre cuando no existe una gobernanza clara? Cada equipo adopta su propia herramienta, crea sus propios prompts y define su propia forma de clasificar, documentar y automatizar. La organización empieza a confiar en la máquina, pero pierde el control sobre el proceso.
Al principio, todo parece rápido. Incluso positivo. Pero después aparecen divergencias, duplicidades e inconsistencias operativas. Surgen nuevas formas de shadow IT, ahora más rápidas y más difíciles de controlar.
La gobernanza hace lo contrario: pone orden en la base de los procesos. Define responsables, políticas, criterios de uso, métricas de calidad y procesos de revisión. Establece dónde puede intervenir la IA, dónde todavía no debería hacerlo, con qué objetivos, con qué datos y bajo qué supervisión.
No frena la innovación. La hace sostenible.
Un enfoque centrado en el servicio, no en la herramienta
Otro error común es empezar por las herramientas en lugar de empezar por los servicios. “¿Qué podemos hacer con la IA?” es una pregunta interesante, pero no siempre es la más útil. La pregunta debería ser otra: “¿Qué experiencia de servicio queremos mejorar? ¿Qué fricción queremos reducir? ¿Qué ineficiencia queremos eliminar?”
Esta perspectiva es central en los principios de ITSM. ITSM no existe para acumular herramientas, sino para diseñar, prestar y mejorar servicios que sean útiles para los usuarios y para el negocio.
Un ejemplo concreto: el autoservicio. Incluir un chatbot en todas partes no significa, por sí solo, mejorar la experiencia del usuario. Si detrás no hay un catálogo de servicios bien construido, si los contenidos de la base de conocimiento no son fiables y si el workflow de resolución es lento o poco claro, el chatbot se convierte simplemente en una nueva interfaz para los mismos problemas de siempre.
Si, por el contrario, está integrado en un entorno sólido, entonces sí puede marcar la diferencia.
Lo mismo ocurre con la automatización de solicitudes, la automatización de la gestión de incidentes o las orquestaciones más complejas. El valor de la IA no depende solo de lo que el modelo sabe hacer. Depende también de lo bien que se haya diseñado el servicio.
Estandarización y flexibilidad: un equilibrio delicado
Llegados a este punto, conviene aclarar un posible malentendido. Reforzar los fundamentos de ITSM no significa volverlo todo rígido. No significa convertir los procesos en jaulas. No significa frenar la innovación.
Al contrario: una buena estandarización es lo que permite una flexibilidad inteligente. Es la base que permite a la IA ir más allá del papel de simple acelerador.
Si los procesos de base son coherentes, resulta mucho más fácil introducir automatizaciones a medida, añadir capas de IA, probar nuevos casos de uso, integrar sistemas distintos y mejorar la productividad en direcciones que antes eran difíciles de explorar.
Aquí es donde entran en juego las herramientas de orquestación y monitorización. Por un lado, soluciones como EV Orchestrate ayudan a conectar sistemas y workflows, haciendo que la automatización sea más ordenada y más fácil de gobernar. Por otro, la visibilidad proactiva del rendimiento, a través de EV Observe, permite alimentar la IA con señales mejores y más oportunas.
Mejora continua: el objetivo final
Con el sexto y último punto, pasamos de los fundamentos de ITSM para IA al objetivo final de cualquier proceso de innovación maduro: la mejora continua.
Las organizaciones más preparadas para la IA no son necesariamente las que tienen más herramientas, mayores presupuestos o más experimentos en marcha. A menudo, son las que han cultivado con el tiempo una disciplina de mejora y una cultura orientada a ese principio.
No basta con implementar IA. Hay que acompañarla, supervisarla, ajustarla y medir sus efectos reales sobre el servicio. Y ese trabajo sigue dependiendo de una dimensión humana que continúa siendo central.
Conclusión
La IA promete velocidad, precisión, automatización, productividad y escalabilidad. Pero, precisamente porque la promesa es tan grande, es necesario reforzar aquello que la sostiene.
Los fundamentos de ITSM para IA no son un paso preliminar que se pueda despachar rápidamente. Son la condición que hace posible todo lo demás. Entenderlo hoy permite afrontar los retos de mañana desde una posición más sólida: una ventaja que vale más que cualquier tendencia del momento.
FAQ
¿Por qué son tan importantes los fundamentos de ITSM para IA?
Porque la IA tiende a amplificar lo que encuentra. Si las bases son sólidas, aumenta el valor. Si son frágiles, aumenta el ruido.
¿Qué principios de ITSM son más relevantes en la adopción de la IA?
Entre los más importantes están la estandarización de workflows, la gobernanza, la calidad de los datos, la claridad de roles, la orientación al servicio, la medición del rendimiento y la mejora continua.
¿Por dónde conviene empezar para preparar ITSM para la IA?
Por los fundamentos: un catálogo de servicios bien diseñado, workflows estandarizados, taxonomías coherentes, una base de conocimiento actualizada, roles claros, KPI compartidos y una gobernanza precisa sobre el uso de las herramientas de IA.
