Levar a IA do piloto para a produção em ITSM

Então, a questão é a seguinte. A maioria dos projetos-piloto de IA em ITSM é declarada um sucesso e depois não vai a lado nenhum. As condições que fazem com que um piloto seja bem-sucedido são precisamente as que desaparecem quando se passa para uma implementação em produção. Um piloto funciona com um âmbito restrito, uma equipa motivada e uma supervisão próxima, e nada disso sobrevive à passagem para um ambiente real em grande escala. Os números do setor confirmam isso. O estudo de 2025 do MIT The GenAI Divide concluiu que 95% dos projetos-piloto de IA empresarial não geraram qualquer retorno financeiro mensurável, e a Gartner está a reportar uma crise de valor da IA.

Este artigo analisa a lacuna entre uma prova de conceito bem-sucedida e algo em que toda a organização pode confiar, bem como o que é necessário para colmatar essa lacuna, incluindo:

• Porque é que os projetos-piloto têm sucesso e as implementações falham, e o que normalmente existe na lacuna entre ambos
• O que precisa de ser verdade relativamente aos seus processos, dados e governança antes de escalar
• Como construir o caso interno para passar do piloto à produção
• Como é uma implementação faseada e como gerir a mudança organizacional que esta exige

Porque é que os projetos-piloto têm sucesso e as implementações falham, e o que normalmente existe na lacuna entre ambos

Muitas pessoas fazem a pergunta: porque é que o nosso piloto teve sucesso e depois porque é que a implementação subsequente correu tão mal? A realidade é que não se podem comparar os dois. Os projetos-piloto são realizados em ambientes controlados, seguros e isolados.

O âmbito é restrito, as integrações são limitadas e normalmente há muitas pessoas envolvidas no piloto porque, sejamos honestos, é do interesse de todos que o piloto corra bem. Outro fator de proteção é o facto de os dados serem limitados na maioria dos pilotos para manter o controlo e garantir que o sistema não fica sobrecarregado.

Implementar IA no seu ambiente de produção real é uma proposta completamente diferente. A vida real não é controlada nem segura. É confusa e complicada, e existe muito mais variabilidade quando colocamos os utilizadores finais na equação. Dado que a IA funciona como um amplificador, as coisas podem passar de controladas a caóticas muito, muito rapidamente.

O que precisa de ser verdade relativamente aos seus processos, dados e governança antes de escalar

Qualidade dos dados

O sucesso de qualquer implementação de AIOps depende da qualidade dos dados. Portanto, se os nossos dados são tudo, então precisam de estar no melhor estado possível. Tenha um plano claro para estabelecer um ponto de partida e gerir os seus dados, para que estejam corretos e continuem assim. Se estiver com dificuldades para saber por onde começar, volte ao valor e aos resultados. Pense no resultado de negócio que pretende obter com o seu projeto AIOps. Se for retenção de clientes, a primeira área de dados a analisar poderá ser as métricas de satisfação do cliente. Se for melhorar a qualidade do serviço, analise os seus dados de incidentes, problemas, pedidos e alterações. Ao ter um ponto de partida focado, pode criar um plano prioritário de qualidade de dados que dará suporte aos seus resultados de negócio.

Depois de os seus dados serem revistos, certifique-se de que estão otimizados para utilização por IA, por exemplo, definindo intervalos padrão para dados numéricos e convenções de nomenclatura para dados categóricos, para garantir que a IA os consegue reconhecer de forma consistente. Um último ponto a recordar sobre a qualidade dos dados é que não se trata de um exercício pontual. Tal como a prática ITIL de melhoria contínua, os dados não são estáticos. No caso de AIOps, os seus dados são uma entrada essencial; irão evoluir à medida que o negócio cresce e muda ao longo do tempo, por isso este é o momento de implementar sistemas para monitorizar indicadores-chave de qualidade e configurar alertas através do seu processo de gestão de eventos para notificar as equipas de suporte quando os dados se aproximarem desses mecanismos de controlo de qualidade. Ao tratar a qualidade e a gestão dos dados como um ciclo de vida contínuo, podemos criar uma base sustentável para a implementação de AIOps.

Estabeleça um ponto de partida para os seus processos

Certifique-se de que são adequados ao objetivo e concebidos com a escalabilidade em mente. Garanta que os seus processos estão atualizados e foram revistos recentemente. Tudo começa com as suas pessoas, dados e processos. Se não tiver os fundamentos em ordem, o seu projeto AIOps terá dificuldades porque existirão lacunas. Antes de avançar além da fase piloto, reveja os seus processos, certifique-se de que continuam a cumprir os resultados necessários e veja se existem lacunas. Se não reservar tempo para analisar os seus processos, algumas coisas irão escapar-lhe e acabará a tentar introduzir retroativamente melhorias de processo enquanto está no meio da sua implementação de AIOps e, acredite quando digo que ninguém quer isso.

Compreenda a complexidade do seu ambiente

Cada ecossistema de IT é diferente, mas muitas organizações têm uma configuração de IT que se parece com algo que contém serviços cloud, infraestruturas locais, plataformas SaaS, contentores, APIs, pontos finais, redes, aplicações empresariais, aplicações internas ou outras aplicações personalizadas, impressoras, equipamento audiovisual e cerca de 47 locais diferentes onde as coisas podem discretamente começar a dar problemas. É muita coisa e, tendo em conta a forma como a IA pode amplificar aquilo que já temos, precisamos de garantir que temos a casa em ordem, tratar falhas do sistema, como dados fragmentados, código com erros ou fluxos de trabalho pouco eficientes, para permitir que a IA faça o seu trabalho e melhore a prestação do serviço em vez de acrescentar risco.

Govenança

Implemente os mecanismos de controlo e as responsabilidades adequadas para manter tudo no rumo certo. Ao passar do piloto para a produção, terá de estabelecer uma estrutura de govenança abrangente que defina a propriedade dos dados, as responsabilidades pela qualidade, os processos de habilitação de alterações e procedimentos claros de escalamento. Um princípio fundamental da governança é a qualidade dos dados porque, se a IA vai tomar decisões com impacto no nosso ambiente real, queremos que essas decisões sejam tomadas com base nas informações corretas. Uma parte essencial da sua estratégia degovernança deve ser a implementação de verificações regulares de qualidade com métricas definidas para garantir que os seus dados permanecem exatos, completos e atualizados. Crie catálogos de dados fiáveis que mapeiem que dados possui, de onde vêm e como sustentam a sua ferramenta ITSM, para que possa ver exatamente onde as decisões estão a ser moldadas, influenciadas ou discretamente a seguir na direção errada.

Atribua uma propriedade clara aos seus conjuntos de dados, com proprietários de dados responsáveis e gestores de dados dedicados a promover a qualidade dos dados. Já falámos sobre KPIs de qualidade e limiares de alerta, mas a governança também precisa de se estender aos processos de remediação e às políticas de retenção de dados. Assim que a IA passa para produção, as organizações também precisam de pensar muito mais seriamente sobre auditabilidade e responsabilidade pelas decisões. Se um modelo de IA suprimir um alerta, acionar uma alteração ou reduzir a prioridade de um incidente, as pessoas precisam de compreender porque é que essa decisão foi tomada, quem aprovou esse nível de automatização e quem continua responsável pelo resultado quando algo corre mal. A desculpa “foi a IA que fez” não vai funcionar muito bem numa revisão de incidente grave ou numa auditoria. É como quando externalizamos parte da nossa oferta de IT; podemos externalizar as tarefas do dia a dia, mas a responsabilidade continua a ser nossa.

Também terá de considerar a exposição regulamentar e as obrigações relacionadas com o tratamento de dados, sobretudo quando os dados operacionais possam incluir informações de clientes, informações financeiras ou dados confidenciais. As estruturas de governança devem definir como os dados são acedidos, utilizados, geridos e protegidos, juntamente com controlos sobre a responsabilidade dos fornecedores quando plataformas de terceiros ou fornecedores de serviços geridos estão envolvidos no ecossistema de AIOps. Tal como acontece com a qualidade dos dados e a melhoria contínua, a governança não pode ser tratada como um exercício pontual concluído durante a implementação. Precisamos de planear a mudança porque os modelos de IA e os nossos ambientes de produção irão evoluir ao longo do tempo. Teremos de criar processos para rever a eficácia, reavaliar riscos e validar o valor contínuo se quisermos que AIOps continue a ser fiável depois de estar integrado nas operações do dia a dia.

Como construir o caso interno para passar do piloto à produção

Ao tentar passar do piloto para a produção, é importante ter um caso sólido para que exista um ponto de partida acordado e seja possível manter a fase de implementação no rumo certo. Um caso sólido inclui:

• Concentre-se no valor e defina o que significa sucesso com KPIs e métricas sólidos. Quantifique o ROI e os benefícios para o negócio. Torne isso específico para a sua organização. Este não é o momento para medidas habituais como “melhoria da eficiência operacional” ou “melhor suporte de IT”; analise o que é importante para a sua organização e para as suas pessoas e trabalhe a partir daí. Isto leva-nos diretamente a KPIs e métricas claros e orientados por dados, como redução do ruído dos alertas, triagem mais rápida, maior precisão no encaminhamento de incidentes e pedidos, redução do MTTR, melhor resposta a incidentes graves e melhoria da experiência dos colaboradores. O seu piloto foi o seu ponto de partida, por isso utilize as medições que criou para subir de nível quando levar tudo para produção.
  
• Crie um plano técnico. Este incluirá ferramentas de monitorização, fontes de dados, relações de serviço da CMDB, controlos de segurança, limites da automatização e pontos de integração. Um plano sólido irá representar o panorama técnico, as dependências operacionais e as considerações de escalabilidade, permitindo às equipas de suporte tirar o melhor partido possível das implementações de AIOps.
  
• Faça a gestão do risco. A gestão do risco em implementações de AIOps exige que as organizações equilibrem inovação e velocidade com controlo operacional e obrigações organizacionais de GRC. Trabalhe com a sua organização para criar um registo de riscos dedicado a AIOps, para que os riscos possam ser registados, discutidos, priorizados e tratados.
  
• Construa um modelo operacional sustentável. Isto inclui definir claramente a propriedade e as responsabilidades, uma gestão adequada dos modelos acompanhada pelo suporte operacional, responsabilidade pela qualidade dos dados e melhoria contínua integrada no trabalho do dia a dia. Também significa monitorizar, ajustar, questionar e aperfeiçoar constantemente a forma como as recomendações de IA são geradas, porque os ambientes operacionais mudam, as prioridades de negócio evoluem e aquilo que é suficientemente bom neste momento pode discretamente transformar-se num risco futuro se não mantivermos tudo sob controlo.
  
• Torne a sua abordagem centrada nas pessoas. É demasiado fácil deixar-se levar pela novidade de uma tecnologia, mas tornar a sua abordagem mais centrada nas pessoas irá melhorar o envolvimento dos colaboradores e aumentar o apoio à implementação. Ao passar do piloto para a produção, faça essa transição tendo as suas pessoas em mente, reduzindo tarefas repetitivas, melhorando a visibilidade e acelerando a tomada de decisões, porque são estes os fatores que irão ajudar os seus técnicos a responder a problemas de forma mais eficaz sob pressão. Uma comunicação honesta e clara relativamente às recomendações de IA, o envolvimento das equipas operacionais na implementação e a criação de confiança através de valor prático no dia a dia são todos elementos críticos para garantir que a IA é vista como um facilitador para as pessoas, e não como algo que lhes está a ser imposto.

Como é uma implementação faseada e como gerir a mudança organizacional que esta exige

Um plano de implementação faseado dá à empresa tempo para se habituar ao conceito de AIOps e mitigar o risco. Uma implementação faseada poderia ser algo semelhante ao seguinte:

Fase 1: Shadow mode

Esta é a fase em que “a IA fica quieta num canto e prova que sabe comportar-se”. A plataforma está ligada, observa eventos, identifica padrões, gera recomendações e, de uma forma geral, tenta impressionar toda a gente, mas, mais importante ainda, ainda não está a tomar decisões operacionais reais em produção. As suas equipas de suporte continuam a manter o controlo total.

E, sinceramente, esta fase é muito importante porque é normalmente aqui que se descobre que os dados de monitorização têm mais ruído do que o esperado, que algumas das relações entre CIs na CMDB são, no mínimo, questionáveis ou que a sua camada de integração tem várias ferramentas a alertar para o mesmo. Já percebeu a ideia. O Shadow mode dá-lhe o espaço necessário para testar cenários, ajustar e aperfeiçoar modelos, melhorar a qualidade dos dados e criar confiança sem sobrecarregar os seus técnicos nem correr o risco de interrupções do serviço. Também ajuda as equipas de suporte a familiarizarem-se com as recomendações num ambiente seguro. Pense nisto como uma fase de “ganhar confiança antes de intervir em algo importante”.

Fase 2: Âmbito limitado

Assim que a IA demonstrar algum valor e deixar de aterrorizar toda a gente, o passo seguinte é começar a introduzi-la cuidadosamente em cenários de produção controlados. Este passo é normalmente aquele em que AIOps começa a ajudar com aspetos como duplicação de alertas, resumos de tickets, recomendações de encaminhamento e sugestões de causa raiz. A expressão-chave aqui é “adoção controlada”: continua a manter as pessoas firmemente envolvidas na tomada de decisões, mas começa a permitir que AIOps elimine parte do trabalho operacional repetitivo com que as equipas de suporte lidam todos os dias. Esta fase é sobretudo sobre demonstrar confiança. Os seus técnicos terão de ver que os resultados orientados por IA são úteis; os responsáveis de IT precisam de provas de que o projeto consegue gerar valor e a sua equipa de GRC precisa de saber que os controlos estão a funcionar. É também a fase em que estabelecemos o que acontece quando a IA comete um erro num ambiente controlado.

Fase 3: Produção completa

Também conhecida como a fase em que AIOps deixou de ser o piloto e passou a fazer parte da vida operacional normal. Os modelos de governança estão estabelecidos. As responsabilidades são claras. Os processos de qualidade dos dados estão implementados. As equipas de suporte compreendem a tecnologia e sentem-se mais confortáveis a utilizá-la. A organização tem confiança suficiente para aumentar e escalar a automatização e as capacidades preditivas quando apropriado.

É nesta fase que todo o trabalho que fizemos em torno da governança se torna importante, porque a remediação autónoma parece fantástica numa demonstração de um fornecedor, mas a realidade é muito diferente quando a IA decide reiniciar algo importante em produção às 2 da manhã. O que precisamos de recordar é que produção completa não significa terminado. AIOps não é uma capacidade do tipo “implementar e esperar pelo melhor”. A única coisa que podemos saber com absoluta certeza é que as coisas irão mudar e evoluir ao longo do tempo, por isso as organizações que têm sucesso são normalmente aquelas que continuam a ajustar, rever, governar e questionar os resultados muito depois de o entusiasmo inicial da implementação ter desaparecido.