Sztuczna inteligencja (Artificial Intelligence – AI) stała się jednym z kluczowych obszarów determinujących kierunek rozwoju współczesnych organizacji, wpływając zarówno na ich modele operacyjne, jak i na sposób projektowania oraz świadczenia usług informatycznych. Rosnąca złożoność środowisk IT (Information Technology – technologia informacyjna), konieczność przetwarzania dużych wolumenów danych oraz wymóg szybkiej i precyzyjnej obsługi zgłoszeń sprawiają, że tradycyjne metody zarządzania usługami IT okazują się niewystarczające. W tym kontekście technologie oparte na uczeniu maszynowym, przetwarzaniu języka naturalnego, systemach generatywnych, architekturach RAG (Retrieval-Augmented Generation) oraz rozwiązaniach agentowych stają się istotnym elementem modernizacji procesów IT Service Management (ITSM).
Celem niniejszej monografii jest przedstawienie kompleksowej analizy wpływu sztucznej inteligencji na wybrane obszary ITSM, zarówno w wymiarze koncepcyjnym, jak i praktycznym. W części teoretycznej omówiono podstawy rozwoju sztucznej inteligencji, jej kluczowe pojęcia i kierunki badań, a także zależności między technologiami AI a najważniejszymi standardami i ramami procesowymi zarządzania usługami IT. Szczególną uwagę poświęcono zastosowaniom AI w automatyzacji i optymalizacji procesów operacyjnych, w modelach predykcyjnych, w systemach wspierających zarządzanie wiedzą oraz w rozwiązaniach konwersacyjnych. Przeanalizowano również architekturę RAG jako mechanizm wspierania decyzji oraz rolę systemów agentowych w złożonych środowiskach operacyjnych.
Część empiryczna pracy obejmuje analizę wyników badania przeprowadzonego na grupie 601 pracowników działów wsparcia. Badanie to miało na celu identyfikację faktycznego zakresu wykorzystania narzędzi AI w polskich organizacjach oraz ocenę ich wpływu na efektywność procesów service desk. Analizie poddano zarówno poziom adopcji technologii, jak i postrzegane przez pracowników korzyści związane z automatyzacją, skróceniem czasu obsługi oraz poprawą komfortu pracy. Uwzględniono również czynniki organizacyjne, takie jak wielkość firmy, wielkość działu wsparcia czy branża działalności, aby dokładniej scharakteryzować kontekst implementacji AI.
Spis treści
Wstęp
1. Wprowadzenie do sztucznej inteligencji i systemów ITSM
1.1. Geneza i ewolucja sztucznej inteligencji
1.1.1. Era fundamentalna (1950–1960)
1.1.2. Symboliczna era AI (1960–1970)
1.1.3. Systemy eksperckie i pierwsza „zima AI” (1970–1990)
1.1.4. Renesans koneksjonizmu (1980–2000)
1.1.5. Epoka uczenia statystycznego (1997–2012)
1.1.6. Rewolucja uczenia głębokiego (2012–2020)
1.1.7. Era generatywna (2020–2025)
1.1.8. Wnioski i znaczenie ewolucji definicji
1.2. Kluczowe pojęcia i klasyfikacja rozwiązań AI
1.2.1. Główne nurty AI
1.2.2. Inne typy i klasyfikacje AI
1.3. Obecne kierunki rozwoju AI w kontekście organizacyjnym i technologicznym
1.3.1. AI-as-a-Service: demokratyzacja dostępu i nowe formy zależności
1.3.2. Agentowość: od automatyzacji do sprawczości organizacyjnej
1.3.3. Multimodalność: zintegrowane poznanie organizacyjne
1.3.4. Personalizacja procesów decyzyjnych: od danych do kontekstu
1.3.5. Konwergencja trendów i jej konsekwencje dla organizacji
1.4. Systemy IT Service Management – ewolucja, istota i cele
1.5. Główne standardy i ramy zarządzania usługami IT (ITIL, COBIT, ISO/IEC 20000)
1.5.1. Znaczenie standardów ITSM jako bazy procesowej
1.5.2. ITIL v4 – dominująca metodologia i orientacja na wartość
1.5.3. COBIT – ramy nadzoru i zgodności
1.5.4. ISO/IEC 20000 – międzynarodowy standard jakości usług IT
1.5.5. Wzajemne powiązania i znaczenie dla organizacji IT
1.6. Trendy cyfrowej transformacji w ITSM – automatyzacja, AIOps, DevOps i SIAM
1.6.1. Automatyzacja: od reguł do uczenia maszynowego
1.6.2. AIOps: inteligencja operacyjna nad obserwowalnością
1.6.3. DevOps: sprzężenie rozwoju z utrzymaniem
1.6.4. SIAM: integracja wielodostawcza i odpowiedzialność end-to-end
1.6.5. Wspólna dynamika: od silosów do systemu wartości usług
2. Obszary zastosowania AI w ITSM
2.1. Rola sztucznej inteligencji w automatyzacji procesów ITSM
2.1.1. Automatyzacja w service desk
2.1.2. Monitorowanie i predykcja incydentów
2.1.3. Klasyfikacja zgłoszeń i inteligentny routing
2.1.4. Automatyzacja decyzji i skrócenie czasu obsługi
2.1.5. Wpływ na efektywność i jakość usług
2.2. Wykorzystanie analityki predykcyjnej i uczenia maszynowego w obsłudze incydentów i problemów w ITSM
2.2.1. Ewolucja od reaktywności do proaktywności w ITSM
2.2.2. Analityka predykcyjna jako narzędzie prewencji
2.2.3. Wykrywanie anomalii jako podstawa proaktywnego reagowania
2.2.4. Predykcja awarii i analiza przyczyn źródłowych
2.2.5. Uczenie maszynowe w klasyfikacji, priorytetyzacji i routingu incydentów
2.2.6. Optymalizacja i prognozowanie wykorzystania zasobów IT
2.2.7. Wyzwania wdrożeniowe i ograniczenia .
2.2.8. Wartość biznesowa i efekty wdrożenia
2.2.9. Kierunki rozwoju i przyszłość
2.3. Chatboty i wirtualni asystenci w zarządzaniu zgłoszeniami
2.3.1. Typy i architektura chatbotów
2.3.1.1. Chatboty regułowe
2.3.1.2. Chatboty konwersacyjne (NLU-based)
2.3.1.3. Chatboty oparte na dużych modelach językowych (LLM + RAG)
2.3.1.4. Wnioski
2.4. Znaczenie i kontekst zastosowań AI w zarządzaniu wiedzą
2.4.1. Metody wyszukiwania wiedzy i wyszukiwanie semantyczne
2.4.2. Klasyfikacja i organizacja wiedzy
2.4.3. Generowanie wiedzy i automatyczna aktualizacja baz
2.4.4. Trendy, kierunki i wyzwania
2.4.5. Wnioski
2.5. Modele językowe (LLM) w ITSM – zastosowania i ograniczenia
2.5.1. Główne rodziny modeli i ich właściwości
2.5.2. Obszary zastosowań modeli LLM w ITSM
2.5.3. Ograniczenia i wyzwania
2.5.4. Kierunki dalszych badań i wnioski
2.6. Architektura RAG jako mechanizm wspierania decyzji i analizy wiedzy
2.6.1. Struktura techniczna RAG i proces pozyskiwania wiedzy
2.6.2. Studium przypadku – implementacja RAG w środowisku ITSM (na podstawie MS)
2.7. Systemy agentowe i autonomiczne w zarządzaniu usługami IT
2.7.1. Wieloagentowe środowiska wsparcia procesów IT
2.7.2. Scenariusz użycia – system agentowy wspierający zgodność regulacyjną w środowisku ITSM
2.8. Sztuczna inteligencja w monitorowaniu infrastruktury i zarządzaniu wydajnością (AIOps, MLOps)
2.9. Agentowe podejścia do zarządzania incydentami, problemami i zmianami
2.10. Zastosowanie generatywnej sztucznej inteligencji w raportowaniu, analizie trendów i prognozowaniu jakości usług
2.1.3. Klasyfikacja zgłoszeń i inteligentny routing
2.1.4. Automatyzacja decyzji i skrócenie czasu obsługi
2.1.5. Wpływ na efektywność i jakość usług
2.2. Wykorzystanie analityki predykcyjnej i uczenia maszynowego w obsłudze incydentów i problemów w ITSM
2.2.1. Ewolucja od reaktywności do proaktywności w ITSM
2.2.2. Analityka predykcyjna jako narzędzie prewencji
2.2.3. Wykrywanie anomalii jako podstawa proaktywnego reagowania
2.2.4. Predykcja awarii i analiza przyczyn źródłowych
2.2.5. Uczenie maszynowe w klasyfikacji, priorytetyzacji i routingu incydentów
2.2.6. Optymalizacja i prognozowanie wykorzystania zasobów IT
2.2.7. Wyzwania wdrożeniowe i ograniczenia
2.2.8. Wartość biznesowa i efekty wdrożenia
2.2.9. Kierunki rozwoju i przyszłość
2.3. Chatboty i wirtualni asystenci w zarządzaniu zgłoszeniami
2.3.1. Typy i architektura chatbotów
2.3.1.1. Chatboty regułowe
2.3.1.2. Chatboty konwersacyjne (NLU-based)
2.3.1.3. Chatboty oparte na dużych modelach językowych (LLM + RAG)
2.3.1.4. Wnioski
2.4. Znaczenie i kontekst zastosowań AI w zarządzaniu wiedzą
2.4.1. Metody wyszukiwania wiedzy i wyszukiwanie semantyczne
2.4.2. Klasyfikacja i organizacja wiedzy
2.4.3. Generowanie wiedzy i automatyczna aktualizacja baz
2.4.4. Trendy, kierunki i wyzwania
2.4.5. Wnioski
2.5. Modele językowe (LLM) w ITSM – zastosowania i ograniczenia
2.5.1. Główne rodziny modeli i ich właściwości
2.5.2. Obszary zastosowań modeli LLM w ITSM
2.5.3. Ograniczenia i wyzwania
2.5.4. Kierunki dalszych badań i wnioski
2.6. Architektura RAG jako mechanizm wspierania decyzji i analizy wiedzy
2.6.1. Struktura techniczna RAG i proces pozyskiwania wiedzy
2.6.2. Studium przypadku – implementacja RAG w środowisku ITSM (na podstawie MS)
2.7. Systemy agentowe i autonomiczne w zarządzaniu usługami IT
2.7.1. Wieloagentowe środowiska wsparcia procesów IT
2.7.2. Scenariusz użycia – system agentowy wspierający zgodność regulacyjną w środowisku ITSM
2.8. Sztuczna inteligencja w monitorowaniu infrastruktury i zarządzaniu wydajnością (AIOps, MLOps)
2.9. Agentowe podejścia do zarządzania incydentami, problemami i zmianami
2.10. Zastosowanie generatywnej sztucznej inteligencji w raportowaniu, analizie trendów i prognozowaniu jakości usług
3. Wykorzystanie AI w działach wsparcia – badanie własne
3.1. Metodyka badania
3.1.1. Charakterystyka grupy badawczej
3.2. Analiza materiału empirycznego – pytania badawcze
3.3. Wykorzystanie narzędzi wspieranych przez AI w działach service desk
3.3.1. Wykorzystanie baz wiedzy wspieranych przez AI
3.3.2. Wykorzystanie dużych modeli językowych do generowania treści odpowiedzi na zgłoszenia
3.3.3. Transkrypcja spotkań (automatyczne notatki, podsumowanie spotkań)
3.3.4. Automatyzacja obsługi poczty elektronicznej
3.4. Korzyści wynikające z wykorzystania AI w procesie komunikacji z klientem
3.4.1. Zmniejszenie średniego czasu odpowiedzi na zgłoszenie
3.4.2. Zmniejszenie średniego czasu rozwiązania problemu
3.4.3. Pozytywny wpływ na współczynnik zgłoszeń zakończonych sukcesem
3.4.4. Pozytywny wpływ na merytoryczną stronę obsługi klienta
3.5. Korzyści wynikające z wykorzystania narzędzi AI w procesie rozwiązywania problemów
3.5.1. Zwiększenie komfortu pracy specjalisty/zespołu
3.5.2. Zwiększenie liczby jednocześnie obsługiwanych przypadków poprzez większą automatyzację zadań
3.5.3. Obniżenie średniego czasu rozwiązania zgłoszenia
3.5.4. Poprawienie merytorycznej jakości pracy zwracanej przez specjalistów/zespół
3.5.5. Szybsze kierowanie zgłoszeń do odpowiednich specjalistów/zespołów
3.6. Wnioski z badań własnych
Zakończenie
Bibliografia
Spis rysunków
Spis tabel
Spis wykresów
