Quando un razzo parte verso lo spazio, in pochissimi si soffermano sulla piattaforma di lancio. Eppure, senza quella base, il decollo non avviene. Oppure, peggio, avviene male.

Al di là della metafora , è quello che accade quasi sempre, quando si affronta il tema dell’innovazione. Ed è quello che sta succedendo anche oggi con l’intelligenza artificiale nell’IT Service Management. 

L’attenzione è tutta concentrata sugli assistenti virtuali, sulle previsioni sempre più accurate, sui suggerimenti generativi, sull’agentic AI, sull’accelerazione vertiginosa di queste tecnologie. Tutto sensato. Tutto promettente. Ma c’è un punto decisivo che non si può aggirare: l’AI non sostituisce le fondamenta del proprio ITSM. Anzi, le mette alla prova come mai prima d’ora.

In questo precedente articolo, abbiamo parlato dei rischi nascosti dell’AI nell’ITSM e del modo in cui l’innovazione può correre più veloce delle basi organizzative. Qui vogliamo compiere il passo successivo e spostare l’attenzione non tanto sui rischi, quanto sui principi che rendono l’adozione dell’AI solida, scalabile e davvero utile.

La domanda, in fondo, è semplice: il tuo ITSM è pronto per sostenere l’AI?
Per rispondere, bisogna tornare all’essenziale. Perché oggi più che mai le ITSM AI Foundations contano. Ed è attorno agli ITSM principles, e al modo in cui si integrano con i sistemi di intelligenza artificiale, che si giocano le sfide del futuro .

Per dirla in maniera ancor più concreta: un modello può suggerire una risposta, classificare un ticket, proporre un instradamento, evidenziare una correlazione. Ma perché quel suggerimento sia utile, deve inserirsi dentro un processo coerente. Deve parlare lo stesso linguaggio del service desk. Deve basarsi su categorie sensate. Deve poggiare su SLA definiti. Deve lavorare su dati che non siano contraddittori.

Insomma: l’AI non rende superflui gli ITSM principles. Li rende inevitabili. E nel prosieguo dell’articolo lo vediamo nella pratica, concentrandoci su quelli che ci paiono i sei sei punti cardine.

1. Workflow strutturati

Il primo livello delle ITSM AI Foundations è la struttura dei workflow.

Qui il punto è molto semplice, anche se spesso trascurato nelle strategie di adozione: l’intelligenza artificiale lavora meglio quando incontra percorsi chiari. Se un incidente segue un flusso definito, se le richieste di servizio sono standardizzate, se i criteri di escalation sono condivisi, allora l’AI può intervenire con precisione e portare un vantaggio reale.

Al contrario, quando ogni team categorizza i ticket in modo diverso, quando le priorità vengono assegnate “a intuito”, quando le approvazioni seguono eccezioni non formalizzate, l’AI non fa pulizia. Si limita a imparare da quella confusione e a riprodurla su scala maggiore: un problema significativo.

Per questo, prima di introdurre automazione avanzata, è d’obbligo mettere ordine nei fondamentali: service catalog ben strutturato, ticket taxonomy coerente, workflow di approvazione chiari, logiche di prioritizzazione esplicite, passaggi documentati. 

In quest’ottica, una piattaforma di ITSM cloud-based come quella di EasyVista rappresenta un primo passaggio decisivo: centralizza, standardizza, rende visibili i processi e crea l’ambiente giusto per l’AI.

2. L’importanza dei dati puliti

Il secondo pilastro degli ITSM AI Foundations è forse quello cruciale: la qualità dei dati.

L’AI nell’ITSM si alimenta di ticket storici, knowledge article, log, informazioni sugli asset, dati della CMDB, richieste di servizio, survey, dati di monitoraggio. Se queste fonti sono incomplete, obsolete, duplicate o incoerenti, il risultato non può essere affidabile.

Questo è uno dei passaggi chiave da tenere a mente: l’intelligenza artificiale non “capisce” magicamente il contesto aziendale. Rileva pattern nei dati che trova. E se quei pattern sono distorti, l’output sarà distorto. Se la knowledge base contiene articoli vecchi, se gli asset non sono aggiornati, se la CMDB è lacunosa, se i ticket sono compilati in modo casuale, il sistema produrrà raccomandazioni solo apparentemente intelligenti.

Ecco perché le ITSM AI Foundations sono, in larga misura, una questione di data quality. Non nel senso astratto del termine, ma nella pratica quotidiana: campi obbligatori ben disegnati, naming convention coerenti, deduplicazione, manutenzione continua della knowledge base, aggiornamento della configurazione, governance delle fonti informative.

È un lavoro metodico, inizialmente faticoso, che può richiedere molto tempo. Ma che poi fa una differenza enorme.

3. Governance: dove si produce valore

Quando si parla di AI, il rischio è concentrarsi troppo sulla tecnologia e troppo poco sulla governance, che è sempre una questione umana.
Eppure, uno dei motivi per cui oggi gli ITSM principles contano più che mai è proprio questo: servono a impedire che l’introduzione dell’AI produca frammentazione invece che coerenza.

Che cosa accade quando non esiste una governance chiara?
Accade che ogni team adotta il proprio strumento, costruisce i propri prompt, genera il proprio modo di classificare, documentare, automatizzare. Ci si affida alla macchina, si perde il controllo.
All’inizio tutto sembra veloce, persino virtuoso. Poi però emergono divergenze, duplicazioni, inconsistenze operative. Nascono nuove forme di shadow IT, rese ancora più rapide e più difficili da controllare.

La governance, invece, mette ordine alla base di tutti i processi.
Definisce ownership, policy, criteri di utilizzo, metriche di qualità, processi di revisione. Stabilisce dove l’AI può intervenire e dove non ancora, con quali obiettivi, con quali dati, sotto quale supervisione. Non rallenta l’innovazione: la rende sostenibile.

4. Un approccio service-centric, non tool-centric

Un altro errore piuttosto diffuso consiste nel partire dagli strumenti invece che dai servizi.
“Che cosa possiamo fare con l’AI?” è una domanda interessante, ma non sempre è la più utile. Meglio prenderla in altro modo e chiedersi: “Quale esperienza di servizio vogliamo migliorare? Quale attrito vogliamo ridurre? Quale inefficienza vogliamo eliminare?”

Questa prospettiva è centrale negli ITSM principles.
L’ITSM, infatti, non nasce per collezionare strumenti, ma per progettare, erogare e migliorare servizi che abbiano valore per utenti e business.

Un esempio concreto?
Prendiamo il self-service. Inserire un chatbot ovunque non significa automaticamente migliorare l’esperienza utente. Se dietro non c’è un catalogo dei servizi ben costruito, se i contenuti della knowledge base non sono affidabili, se il workflow di fulfillment è lento o opaco, il chatbot diventa solo una nuova interfaccia con i vecchi problemi. Se invece lo si inserisce dentro un ecosistema solido, allora può davvero fare la differenza.

Lo stesso vale per l’automazione delle richieste, per l’automazione dell’incident management  o per le orchestrazioni più complesse. Il valore dell’AI non dipende solo da ciò che il modello sa fare, ma da quanto bene il servizio è stato progettato.

5. Standardizzazione e flessibilità: un delicato equilibrio

A questo punto è utile chiarire un possibile equivoco. Rinforzare le fondamenta dell’ITSM non significa irrigidire tutto. Non significa trasformare i processi in gabbie. Non significa frenare l’innovazione.
Al contrario, una buona standardizzazione è ciò che rende possibile una flessibilità intelligente: il vero terreno fertile su cui l’AI può esercitare il suo ruolo, che va ben oltre quello di semplice acceleratore.

Se i processi di base sono coerenti, allora è molto più facile introdurre automazioni su misura, aggiungere livelli di AI, sperimentare nuovi use case, integrare sistemi diversi, migliorare la produttività in direzioni davvero inesplorate.

È qui che entrano in gioco strumenti di orchestrazione e monitoraggio.
Da un lato, soluzioni come EV Orchestrate aiutano a collegare sistemi e workflow, rendendo l’automazione più ordinata e governabile. Dall’altro, EV Observe garantisce una visibilità proattiva sulle performance, permettendo di alimentare l’AI con segnali migliori e più tempestivi.

6. Miglioramento continuo: l’obiettivo finale

Con il sesto e ultimo punto, dagli ITSM AI Foundations ci spostiamo verso l’obiettivo finale di ogni processo di innovazione matura: il miglioramento continuo.

Le organizzazioni più pronte per l’AI non sono necessariamente quelle che hanno più tool, più budget o più sperimentazioni in corso. Spesso sono quelle che hanno coltivato nel tempo una disciplina del miglioramento e una cultura aziendale improntata a quest’ottica.

Non basta implementare l’AI. Bisogna nutrirla, supervisionarla, riallinearla, misurarne gli effetti reali sul servizio. Bisogna affiancarla sempre a un giudizio umano che resta centrale.

Conclusioni

L’AI promette velocità, precisione, automazione, produttività, scalabilità. Ma proprio perché la promessa è enorme, è necessario rafforzare ciò che la sostiene.
Le ITSM AI Foundations non sono un passaggio preliminare da liquidare in fretta. Sono la condizione che rende possibile tutto il resto.
Afferrare questo punto oggi, è ciò che permette di affrontare le sfide di domani da una posizione di vantaggio, che vale più di qualsiasi slogan o di qualsiasi hype.

FAQ

Perché le ITSM AI Foundations sono così importanti?
Perché l’AI tende ad amplificare ciò che trova. Se le basi sono solide, aumenta il valore; se le basi sono fragili, aumenta il rumore.

Quali ITSM principles sono più rilevanti nell’adozione dell’AI?
Tra i più importanti ci sono standardizzazione dei workflow, governance, qualità dei dati, chiarezza dei ruoli, orientamento al servizio, misurazione delle performance e miglioramento continuo.

Da dove conviene partire per preparare l’ITSM all’AI?
Dai fondamentali: service catalog ben progettato, workflow standardizzati, tassonomie coerenti, knowledge base aggiornata, ruoli chiari, KPI condivisi e una governance precisa sull’uso degli strumenti AI.