数字员工可以更快，人类员工必须守住责任边界


本系列为ITIL官方宣传大使长河（曹坤良）老师2026年5月联想ITIL 5内训课程教学心得分享，共五篇，本文为第三篇。


重大事件管理，是最容易看清人机分工边界的场景。


平时我们谈 AI 智能体，容易讲能力：它能识别异常，能聚合告警，能分析影响范围，能推荐处置动作，能生成复盘报告。能力当然重要，但在重大事件里，仅仅讨论"能不能做"是不够的。真正重要的问题是：它做到哪一步必须停下来，哪一步需要人来确认，最后谁对判断负责？


这次联想 ITIL 5 Foundation 内训里，第二场分组研讨就围绕重大事件中的 AI 介入展开。我们按识别、分诊、处置、复盘四个阶段逐一拆解，讨论 AI 应该启用哪些能力，输入是什么，输出给谁，哪些节点必须设置人工确认点。这场讨论让我很有感触，因为大家没有把 AI 当成神奇工具，也没有简单排斥自动化，而是在认真讨论如何让数字员工成为可信的协作伙伴。

识别阶段，AI 的优势很明显。异常检测、告警聚合、初步关联分析，这些工作信息量大、时间要求高，适合让 AI 大量参与。人类工程师不必把全部精力耗在重复筛查上，而是可以把注意力放在异常模式和风险判断上。这一步像是让新同事先帮你整理桌面上的材料——它能把相似告警放在一起，把明显相关的信息先标出来，把可能的影响范围列出来，人不需要从零开始翻所有资料，而是站在更高的位置看它整理得对不对。


分诊阶段，AI 可以给出影响范围评估和优先级建议，但建议是否直接生效，需要分层处理。课堂讨论中，大家形成的方向很清楚：对于历史数据充分、模式稳定、SOP 或工作指引清晰的场景，可以让 AI 遵照既有规则自动流转；对于置信度低、新类型事件、核心业务影响不清楚的场景，必须有人类员工确认。这里的人工确认，不是因为人一定比 AI 更准确，而是因为重大事件影响的是组织责任——AI 可以提供判断材料，人要决定组织是否接受这个判断。


AI 是否可以直接执行处置动作？如果每一步都要人批准，速度优势会被削弱；如果让 AI 直接执行，授权边界和回滚机制又必须非常清楚。最后大家讨论出的方向，是分层授权：对影响范围有限、回滚方案成熟、SOP 清晰的标准动作，可以考虑让 AI 在授权范围内执行；对核心业务系统、影响范围难以预估、需要跨团队协调或存在不可逆风险的动作，必须保留人工批准。这个结论很务实，它不是把人和 AI 对立起来，而是让双方各自处在合适的位置：AI 擅长快、擅长一致，擅长在规则清楚的场景里稳定执行；人擅长判断上下文、权衡风险、承担最终责任。我在课堂上说，数字员工可以参与处置，但人类员工必须保留对关键风险的最终判断权。这不是保守，而是治理。

课间在走廊随便走走，思路反而清晰了不少。复盘阶段，人机协作又换了一种形态。AI 可以帮助整理时间线、生成事件报告初稿、从工单和日志里提取候选知识条目，也可以辅助根因分析。但最终根因判断、改进措施确认、知识条目审核，仍然需要人来完成。这一步很像带教中的复盘：新同事可以把材料整理好，也可以提出自己的理解，但带教者要指出哪些判断成立，哪些推断过度，哪些经验可以沉淀，哪些结论不能写入正式知识库。AI 参与复盘的价值，是让材料更完整，让人的精力从整理工作转向判断工作。


这也是我在联想课堂上特别想讲清楚的一点：AI 治理听起来像是在限制 AI，但实际上是让人机协作能够长期稳定运行。没有边界，管理者不敢放手；有了边界，AI 才能真正承担更多工作。这些年讲过很多 ITIL 课程，也做过 ITSM 落地、云计算架构和智能运维相关实践，像联想这次这样把 AI 重大事件治理讨论到输入、输出、人工确认点和授权层级的课堂，并不常见。它要求学员有真实场景，也要求讲师能够把 ITIL 流程、AI 能力、智能运维和组织治理放在一起回应。


这场研讨让我再次确认，ITIL 第 5 版真正的新意，不是简单增加 AI 相关内容，而是把 AI 放进服务管理责任体系里讨论。重大事件里，数字员工可以更快发现问题，更快整理信息，更快执行低风险动作，更快生成复盘材料，但人类员工仍然要守住最终责任边界。人不是被挤到流程外，而是站在更关键的位置上。对先进 IT 组织来说，学习 ITIL 第 5 版，就是学习如何把这种新的人机分工说清楚、设计出来，并放进自己的管理体系。

数字员工可以更快，人类员工必须守住责任边界


本系列为ITIL官方宣传大使长河（曹坤良）老师2026年5月联想ITIL 5内训课程教学心得分享，共五篇，本文为第三篇。


重大事件管理，是最容易看清人机分工边界的场景。


平时我们谈 AI 智能体，容易讲能力：它能识别异常，能聚合告警，能分析影响范围，能推荐处置动作，能生成复盘报告。能力当然重要，但在重大事件里，仅仅讨论"能不能做"是不够的。真正重要的问题是：它做到哪一步必须停下来，哪一步需要人来确认，最后谁对判断负责？


这次联想 ITIL 5 Foundation 内训里，第二场分组研讨就围绕重大事件中的 AI 介入展开。我们按识别、分诊、处置、复盘四个阶段逐一拆解，讨论 AI 应该启用哪些能力，输入是什么，输出给谁，哪些节点必须设置人工确认点。这场讨论让我很有感触，因为大家没有把 AI 当成神奇工具，也没有简单排斥自动化，而是在认真讨论如何让数字员工成为可信的协作伙伴。

识别阶段，AI 的优势很明显。异常检测、告警聚合、初步关联分析，这些工作信息量大、时间要求高，适合让 AI 大量参与。人类工程师不必把全部精力耗在重复筛查上，而是可以把注意力放在异常模式和风险判断上。这一步像是让新同事先帮你整理桌面上的材料——它能把相似告警放在一起，把明显相关的信息先标出来，把可能的影响范围列出来，人不需要从零开始翻所有资料，而是站在更高的位置看它整理得对不对。


分诊阶段，AI 可以给出影响范围评估和优先级建议，但建议是否直接生效，需要分层处理。课堂讨论中，大家形成的方向很清楚：对于历史数据充分、模式稳定、SOP 或工作指引清晰的场景，可以让 AI 遵照既有规则自动流转；对于置信度低、新类型事件、核心业务影响不清楚的场景，必须有人类员工确认。这里的人工确认，不是因为人一定比 AI 更准确，而是因为重大事件影响的是组织责任——AI 可以提供判断材料，人要决定组织是否接受这个判断。


AI 是否可以直接执行处置动作？如果每一步都要人批准，速度优势会被削弱；如果让 AI 直接执行，授权边界和回滚机制又必须非常清楚。最后大家讨论出的方向，是分层授权：对影响范围有限、回滚方案成熟、SOP 清晰的标准动作，可以考虑让 AI 在授权范围内执行；对核心业务系统、影响范围难以预估、需要跨团队协调或存在不可逆风险的动作，必须保留人工批准。这个结论很务实，它不是把人和 AI 对立起来，而是让双方各自处在合适的位置：AI 擅长快、擅长一致，擅长在规则清楚的场景里稳定执行；人擅长判断上下文、权衡风险、承担最终责任。我在课堂上说，数字员工可以参与处置，但人类员工必须保留对关键风险的最终判断权。这不是保守，而是治理。

课间在走廊随便走走，思路反而清晰了不少。复盘阶段，人机协作又换了一种形态。AI 可以帮助整理时间线、生成事件报告初稿、从工单和日志里提取候选知识条目，也可以辅助根因分析。但最终根因判断、改进措施确认、知识条目审核，仍然需要人来完成。这一步很像带教中的复盘：新同事可以把材料整理好，也可以提出自己的理解，但带教者要指出哪些判断成立，哪些推断过度，哪些经验可以沉淀，哪些结论不能写入正式知识库。AI 参与复盘的价值，是让材料更完整，让人的精力从整理工作转向判断工作。


这也是我在联想课堂上特别想讲清楚的一点：AI 治理听起来像是在限制 AI，但实际上是让人机协作能够长期稳定运行。没有边界，管理者不敢放手；有了边界，AI 才能真正承担更多工作。这些年讲过很多 ITIL 课程，也做过 ITSM 落地、云计算架构和智能运维相关实践，像联想这次这样把 AI 重大事件治理讨论到输入、输出、人工确认点和授权层级的课堂，并不常见。它要求学员有真实场景，也要求讲师能够把 ITIL 流程、AI 能力、智能运维和组织治理放在一起回应。


这场研讨让我再次确认，ITIL 第 5 版真正的新意，不是简单增加 AI 相关内容，而是把 AI 放进服务管理责任体系里讨论。重大事件里，数字员工可以更快发现问题，更快整理信息，更快执行低风险动作，更快生成复盘材料，但人类员工仍然要守住最终责任边界。人不是被挤到流程外，而是站在更关键的位置上。对先进 IT 组织来说，学习 ITIL 第 5 版，就是学习如何把这种新的人机分工说清楚、设计出来，并放进自己的管理体系。