Portare l’IA dalla fase pilota alla produzione nell’ITSM

Il punto è questo. La maggior parte dei progetti pilota di IA nell’ITSM viene dichiarata un successo, ma poi non genera risultati concreti.  Le condizioni che rendono un progetto pilota efficace sono le stesse condizioni che vengono meno quando si passa a un’implementazione in produzione. Un progetto pilota funziona con un ambito ristretto, un team motivato e una supervisione costante, e nulla di tutto questo sopravvive al passaggio a alla produzione su larga scala. I dati del settore lo confermano. Lo studio del MIT del 2025 The GenAI Divide ha rilevato che il 95% dei progetti pilota di IA nelle aziende non ha prodotto alcun ritorno finanziario misurabile, e Gartner sta parlando di una crisi del valore dell’IA.

Questo articolo esamina il divario tra una proof of concept di successo e qualcosa su cui l’intera organizzazione può fare affidamento, oltre a ciò che serve per colmarlo, tra cui:

• Perché i progetti pilota hanno successo e le implementazioni falliscono, e cosa contiene di solito il divario tra i due
• Cosa deve essere vero riguardo ai vostri processi, ai vostri dati e alla governance prima di scalare
• Come costruire il business case interno per passare dal progetto pilota alla produzione
• Come si presenta un rollout graduale e come gestire il cambiamento organizzativo che richiede

Perché i progetti pilota hanno successo e le implementazioni falliscono, e cosa contiene di solito il divario tra i due

Molte persone si chiedono: perché il nostro progetto pilota ha avuto successo, mentre la successiva implementazione è andata così male? La realtà è che non si possono confrontare le due cose. I progetti pilota vengono realizzati in ambienti controllati, sicuri e isolati.

L’ambito è ristretto, le integrazioni sono limitate e di solito ci sono molte persone coinvolte nel progetto pilota perché, diciamocelo, è nell’interesse di tutti che il progetto vada bene. Un altro fattore di protezione è che nella maggior parte dei progetti pilota i dati sono limitati per mantenere il controllo e garantire che il sistema non venga sovraccaricato.

Implementare l’IA nel vostro ambiente di produzione è una sfida completamente diversa. La realtà operativa non è controllata né prevedibile. È disordinata e complessa, e c’è molta più variabilità quando introduciamo gli utenti finali nell’equazione. Dal momento che l’IA agisce da amplificatore, le cose possono passare da controllate a caotiche molto, molto rapidamente.

Cosa deve essere vero riguardo ai vostri processi, ai vostri dati e alla governance prima di scalare

Qualità dei dati

Il successo di qualsiasi implementazione AIOps dipende dalla qualità dei dati. Poiché i dati sono fondamentali, devono trovarsi nel miglior stato possibile. Definite un piano chiaro per stabilire una baseline e gestire i vostri dati in modo che siano corretti e rimangano tali. Se fate fatica a capire da dove iniziare, tornate al valore e ai risultati. Pensate al risultato di business che volete ottenere dal vostro progetto AIOps. Se si tratta di fidelizzazione dei clienti, il primo ambito di dati da esaminare potrebbe essere quello delle metriche di soddisfazione dei clienti. Se si tratta di migliorare la qualità del servizio, date un’occhiata ai vostri dati relativi a incident, problem, request e change. Partendo da un punto preciso, potete costruire un piano prioritario per la qualità dei dati che supporti i vostri risultati di business.

Una volta esaminati i dati, assicuratevi che siano ottimizzati per l’utilizzo da parte dell’IA, ad esempio definendo intervalli standard per i dati numerici e convenzioni di denominazione per i dati categoriali, in modo che l’IA possa riconoscerli in maniera coerente. La qualità dei dati non è un’attività da svolgere una sola volta. Come nella pratica ITIL del miglioramento continuo, i dati non sono statici. Nel caso dell’AIOps, i vostri dati sono un input fondamentale; evolveranno man mano che l’azienda cresce e cambia nel tempo, quindi questo è il momento di implementare sistemi per monitorare gli indicatori chiave di qualità e configurare alert tramite il vostro processo di event management per notificare i team di supporto quando i dati si avvicinano a tali soglie di qualità. Trattando la qualità e la gestione dei dati come un ciclo di vita continuo, possiamo creare una base sostenibile per l’erogazione dell’AIOps.

Stabilite una baseline per i vostri processi

Assicuratevi che siano adatti allo scopo e progettati tenendo conto della scalabilità. Assicuratevi che i vostri processi siano aggiornati e siano stati riesaminati di recente. Tutto parte dalle persone, dai dati e dai processi. Se non avete le basi corrette, il vostro progetto AIOps farà fatica perché ci saranno delle lacune. Prima di andare oltre la fase pilota, rivedete i vostri processi, assicuratevi che continuino a soddisfare i risultati richiesti e verificate se ci sono eventuali lacune. Se non vi prendete il tempo di esaminare i vostri processi, vi sfuggiranno delle cose e finirete per cercare di integrare a posteriori miglioramenti di processo mentre siete nel bel mezzo della vostra implementazione AIOps e, credetemi, nessuno vuole trovarsi in questa situazione.

Comprendete la complessità del vostro ambiente

Ogni ecosistema IT è diverso, ma molte organizzazioni gestiscono ambienti complessi composti da servizi cloud, infrastruttura on-premise, piattaforme SaaS, container, API, endpoint, reti, applicazioni enterprise, applicazioni sviluppate internamente, applicazioni personalizzate, stampanti, apparecchiature AV e molti altri punti in cui qualcosa può andare storto. È parecchio e, considerando come l’IA possa amplificare ciò che già abbiamo, dobbiamo assicurarci di avere la situazione sotto controllo, intervenire su criticità come dati frammentati, codice non funzionante o workflow poco efficienti, per permettere all’IA di fare il proprio lavoro e migliorare l’erogazione del servizio invece di aggiungere rischi.

Governance

Definite i giusti controlli e le responsabilità necessarie per mantenere tutto sotto controllo. Quando si passa dal progetto pilota alla produzione, sarà necessario stabilire un framework di governance completo che definisca la proprietà dei dati, le responsabilità relative alla qualità, i processi di change enablement e procedure di escalation chiare. Un principio fondamentale della governance è la qualità dei dati perché, se l’IA prenderà decisioni che hanno un impatto sul nostro ambiente live, vogliamo che tali decisioni siano prese sulla base delle informazioni corrette. Una parte fondamentale della vostra strategia di governance dovrebbe essere l’implementazione di controlli di qualità regolari con metriche definite per garantire che i vostri dati rimangano accurati, completi e aggiornati. Create cataloghi di dati affidabili che mappino quali dati possedete, da dove provengono e come supportano il vostro strumento ITSM, così da poter vedere esattamente dove le decisioni vengono plasmate, influenzate o silenziosamente indirizzate nella direzione sbagliata.

Assegnate una chiara responsabilità per i vostri dataset, con data owner responsabili e data steward dedicati incaricati di promuovere la qualità dei dati. Abbiamo già parlato dei KPI di qualità e delle soglie di alert, ma la governance deve estendersi anche ai processi di remediation e alle policy di conservazione dei dati. Una volta che l’IA entra in produzione, le organizzazioni devono anche riflettere molto più seriamente sull’auditabilità e sulla responsabilità delle decisioni. Se un modello di IA sopprime un alert, attiva un change o riduce la priorità di un incident, le persone devono capire perché quella decisione è stata presa, chi ha approvato quel livello di automazione e chi continua a essere responsabile dell’esito quando qualcosa va storto. La giustificazione “è stata l’IA” non reggerà durante la review di un major incident o durante un audit. È come quando esternalizziamo una parte della nostra offerta IT; possiamo esternalizzare le attività quotidiane, ma la responsabilità rimane nostra.

Dovrete inoltre considerare l’esposizione normativa e gli obblighi relativi alla gestione dei dati, in particolare quando i dati operativi possono includere informazioni sui clienti, informazioni finanziarie o dati sensibili. I framework di governance dovrebbero definire come i dati vengono consultati, utilizzati, gestiti e protetti, insieme ai controlli sulla responsabilità dei fornitori qualora piattaforme di terze parti o managed service provider siano coinvolti nell’ecosistema AI Ops. Come per la qualità dei dati e il miglioramento continuo, la governance non può essere trattata come un’attività una tantum completata durante l’implementazione. Dobbiamo pianificare il cambiamento perché i modelli di IA e i nostri ambienti di produzione evolveranno nel tempo. Dovremo costruire processi per verificare l’efficacia, rivalutare i rischi e convalidare il valore continuo se vogliamo che l’AIOps rimanga affidabile una volta integrato nelle operazioni quotidiane.

Come costruire il business case interno per passare dal progetto pilota alla produzione

Quando si cerca di passare dal progetto pilota alla produzione, è importante disporre di un business case solido, così da avere una baseline concordata e mantenere la fase di implementazione sulla giusta rotta. Un business case solido comprende:

• Concentratevi sul valore e definite cosa significa ottenere buoni risultati utilizzando KPI e metriche solide. Quantificate il ROI e i benefici per il business. Rendete tutto specifico per la vostra organizzazione. Questo non è il momento di utilizzare metriche standard come “miglioramento dell’efficienza operativa” o “migliore supporto IT”; guardate a ciò che è importante per la vostra organizzazione e per le sue persone e partite da lì. Questo ci porta direttamente a KPI e metriche chiari e basati sui dati, come la riduzione del rumore degli alert, un triage più rapido, una maggiore accuratezza nell’instradamento di incident e request, una riduzione dell’MTTR, una migliore risposta ai major incident e una migliore employee experience. Il vostro progetto pilota era la vostra baseline, quindi utilizzate le misurazioni che avete costruito per fare un salto di qualità quando portate il sistema in produzione.
  
• Create un blueprint tecnico. Includerà strumenti di monitoring, fonti dati, relazioni di servizio provenienti dalla CMDB, controlli di sicurezza, limiti dell’automazione e punti di integrazione. Un blueprint solido rappresenterà il panorama tecnico, le dipendenze operative e le considerazioni sulla scalabilità, consentendo ai team di supporto di ottenere il massimo possibile dalle implementazioni AIOps.
  
• Gestite il rischio. La gestione del rischio nelle implementazioni AIOps richiede alle organizzazioni di bilanciare innovazione e velocità con il controllo operativo e gli obblighi organizzativi di GRC. Collaborate con la vostra organizzazione per creare un registro dei rischi dedicato all’AI Ops, in modo che i rischi possano essere registrati, discussi, prioritizzati e affrontati.
  
• Costruite un modello operativo sostenibile. Ciò includerà la definizione di responsabilità chiare, una corretta gestione dei modelli accompagnata dal supporto operativo, la responsabilità per la qualità dei dati e il miglioramento continuo integrato nel lavoro quotidiano. Significa anche monitorare, ottimizzare, mettere in discussione e perfezionare costantemente il modo in cui vengono formulate le raccomandazioni dell’IA, perché gli ambienti operativi cambiano, le priorità di business si spostano e ciò che è sufficientemente buono in questo momento potrebbe silenziosamente diventare un rischio futuro se non continuiamo a tenerlo sotto controllo.
  
• Rendete il vostro approccio incentrato sulle persone. È fin troppo facile lasciarsi trascinare dall’entusiasmo per una nuova tecnologia, ma rendere il vostro approccio più incentrato sulle persone migliorerà il coinvolgimento dei colleghi e aumenterà il supporto all’implementazione. Quando passate dal progetto pilota alla produzione, fate questi passi tenendo a mente le vostre persone, riducendo le attività ripetitive, migliorando la visibilità e accelerando il processo decisionale, perché sono queste le cose che aiuteranno i vostri tecnici a rispondere ai problemi in modo più efficace sotto pressione. Una comunicazione onesta e chiara riguardo alle raccomandazioni dell’IA, il coinvolgimento dei team operativi nel rollout e la costruzione della fiducia attraverso un valore pratico nel lavoro quotidiano sono tutti elementi fondamentali per garantire che l’IA venga vista come uno strumento che abilita le persone, anziché come qualcosa che viene loro imposto.

Come si presenta un rollout graduale e come gestire il cambiamento organizzativo che richiede

Un piano di rollout graduale dà all’azienda il tempo di abituarsi al concetto di AIOps e di mitigare i rischi. Un rollout graduale potrebbe essere simile al seguente:

Fase 1: Shadow mode

Questa è la fase in cui l’IA osserva senza intervenire e dimostra di poter generare raccomandazioni affidabili. La piattaforma è connessa, osserva gli eventi, individua pattern, genera raccomandazioni e, in generale, cerca di impressionare tutti, ma soprattutto non sta ancora prendendo decisioni operative live. I vostri team di supporto mantengono ancora il pieno controllo.

E, sinceramente, questa fase è davvero importante perché è di solito il momento in cui scoprite che i vostri dati di monitoring sono più rumorosi del previsto, che alcune delle relazioni tra CI nella CMDB sono quanto meno discutibili oppure che il vostro layer di integrazione contiene più strumenti che generano alert per la stessa cosa. Avete capito il concetto. Lo Shadow mode vi offre lo spazio necessario per testare scenari, ottimizzare e perfezionare i modelli, migliorare la qualità dei dati e costruire fiducia senza stressare i vostri tecnici o rischiare interruzioni del servizio. Aiuta inoltre i team di supporto a familiarizzare con le raccomandazioni in un ambiente sicuro. Consideratela una fase in cui “lasciamo che costruisca fiducia prima che tocchi qualcosa di importante”.

Fase 2: Ambito limitato

Una volta che l’IA ha dimostrato un certo valore e i team hanno acquisito maggiore fiducia, il passo successivo consiste nell’iniziare a introdurla con cautela in scenari di produzione controllati. Questa fase è di solito quella in cui l’AI Ops inizia ad aiutare con aspetti quali la duplicazione degli alert, i riepiloghi dei ticket, le raccomandazioni di routing e i suggerimenti sulle root cause. L’espressione chiave qui è “adozione controllata”: continuate a mantenere le persone saldamente coinvolte nel processo decisionale, ma iniziate a consentire all’AIOps di eliminare parte del carico operativo ripetitivo che i team di supporto affrontano ogni giorno. Questa fase riguarda soprattutto la dimostrazione della fiducia. I vostri tecnici dovranno vedere che gli output guidati dall’IA sono utili; i responsabili IT hanno bisogno di prove che il progetto possa generare valore e il vostro team GRC deve sapere che i controlli stanno funzionando. È anche la fase in cui definiamo cosa succede quando l’IA commette un errore in un ambiente controllato.

Fase 3: Piena produzione

Ovvero la fase in cui l’AIOps ha superato lo stadio di progetto pilota ed è diventato parte della normale vita operativa. I modelli di governance sono stabiliti. Le responsabilità sono chiare. I processi di qualità dei dati sono in atto. I team di supporto lo comprendono e si sentono più a loro agio nell’utilizzarlo. L’organizzazione ha fiducia sufficiente per aumentare e scalare l’automazione e le capacità predittive laddove opportuno.

Questa è la fase in cui tutto il lavoro svolto sulla governance diventa importante, perché la remediation autonoma sembra molto convincente nella demo di un fornitore, ma la realtà è molto diversa quando l’IA decide di riavviare qualcosa di importante in produzione alle 2 del mattino. Quello che dobbiamo ricordare è che produzione completa non significa lavoro finito. L’AIOps non è una capacità da “implementare e sperare per il meglio”. L’unica cosa che possiamo sapere con assoluta certezza è che le cose cambieranno ed evolveranno nel tempo, quindi le organizzazioni che hanno successo sono di solito quelle che continuano a ottimizzare, riesaminare, governare e mettere in discussione gli output molto tempo dopo che l’entusiasmo iniziale per il rollout è svanito.