AI kan effektivisera IT-supporten, men först när data, processer och grundläggande automation fungerar.
Det menar Piotr Wojciech Mankiewicz, IT Process Development Lead på Metro Service A/S i Köpenhamn, som intervjuades när han besökte Stockholm i samband med ManageEngine UserConf Nordics i september.
För honom är nästa steg inte att automatisera allt, utan att göra organisationen redo för den automation som faktiskt skapar värde.
På Metro Service i Köpenhamn är IT-servicehantering en central del av den dagliga IT-driften. Incidenter och serviceärenden registreras i ManageEngine ServiceDesk Plus, som Piotr arbetar med ur ett processperspektiv.
Under de senaste åren har organisationen successivt automatiserat fler delar av arbetet. Ett exempel är prioriteringen av inkommande ärenden. I stället för att låta användaren själv avgöra hur brådskande ett problem är, kombineras information om hur många som påverkas med information om huruvida det finns en fungerande alternativ lösning. Systemet kan därefter sätta en prioritet och koppla ärendet till rätt servicenivå.
För Piotr är den typen av relativt grundläggande automation minst lika viktig som de mer avancerade AI-funktionerna som nu får stor uppmärksamhet.
– Gör det så enkelt som möjligt. Använd tekniken och få ut så mycket som möjligt av den utan att komplicera saker i onödan, säger han.
Piotr Wojciech Mankiewicz från danska Metro Service
AI kräver bättre ordning på data
Samtidigt förbereder Metro Service sin IT-miljö för en ökad användning av AI. Det arbetet har gjort en sak särskilt tydlig: AI blir inte bättre än informationen och strukturen i systemen.
För att AI ska kunna hjälpa till behöver exempelvis kategorier, prioriteringar, IT-tillgångar, kostnadsställen och kunskapsbaser vara strukturerade och uppdaterade. I dag används AI bland annat för prediktioner, men resultaten är inte alltid perfekta och måste ses som en del av en gradvis utveckling.
Piotr efterlyser därför ett större fokus på förberedelserna.
– Vi behöver stöd kring datahygien och att städa upp så att saker görs på ett ordentligt sätt. Vi behöver också ta ett steg tillbaka. Just nu är vi väldigt imponerade av vad AI kan göra, men vi borde tänka mer på hur vi ska förbereda oss, säger han.
Det är också här AI och automation kan få en oväntad effekt. När ett automatiserat flöde inte fungerar som tänkt blir det snabbt synligt var information saknas, var prioriteringar är otydliga eller var en process inte är tillräckligt väldefinierad.
AI blir på så sätt inte bara ett nytt verktyg, utan också ett stresstest av den befintliga IT-miljön.
Praktisk AI före stora löften
Piotr ser samtidigt tydliga användningsområden där AI redan kan avlasta IT-personalen utan att själv behöva fatta beslut.
Ett exempel finns i ServiceDesk Plus. När ett supportärende ska avslutas behöver det finnas dokumentation över hur problemet har lösts. Ett ärende kan vara öppet i några minuter, men också i flera månader, vilket gör det svårt för supportmedarbetaren att i efterhand sammanfatta allt som har hänt.
Här kan AI sammanställa konversationen och historiken och föreslå en beskrivning av lösningen. Det minskar det manuella dokumentationsarbetet och gör det lättare att fånga upp kunskap från tidigare ärenden.
Den typen av avgränsade tillämpningar är enligt Piotr mer intressant i dag än visioner om AI som tar över hela supportfunktionerna.
– Leverantörerna behöver hjälpa oss att förbereda oss för det här och utveckla verktyg som stödjer grunderna. Det behövs inte bara stora AI-lösningar som påstås kunna svara på alla frågor, säger han.
Skillnad mellan demo och verklighet
En annan lärdom är skillnaden mellan hur automation ser ut i en demonstration och hur den fungerar i en verklig organisation.
Med perfekt strukturerad information och rätt konfiguration kan ett automatiserat arbetsflöde se ut att fungera på bara några sekunder. Men den bilden förutsätter att data redan finns på rätt plats och att processerna är korrekt uppsatta.
I en verklig IT-miljö kräver varje automation testning, uppföljning och justering innan organisationen kan lita på att den fungerar som avsett.
För Piotr innebär det att vägen mot mer AI inte börjar med att lägga ytterligare ett intelligent lager ovanpå befintliga system. Den börjar med betydligt mindre spektakulära frågor om datakvalitet, processer och IT-tillgångar.
Det är först när de delarna fungerar som organisationen kan avgöra vilka arbetsmoment som faktiskt bör automatiseras och var AI kan göra störst nytta.
