Každý ITSM dodávateľ dnes tvrdí, že AI transformuje poskytovanie služieb. Niektoré z týchto tvrdení obstoja. Väčšina nie. Tu je poctivý rozbor toho, čo AI v ITSM skutočne dokáže dnes, čo nedokáže, a ako do toho zapadajú nástroje ako GLPI.
Čo AI v ITSM zvláda dobre už teraz
Klasifikácia tiketov z prirodzeného jazyka
LLM dokáže prečítať popis tiketu ako "obrazovka notebooku bliká, keď pripojím dock" a správne ho zaradiť do Hardware > Displej > Dokovacia stanica s presnosťou zhruba 85-90 %. Toto je reálny, nasaditeľný prípad použitia. Model prečíta text, porovná ho s vaším stromom kategórií a zapíše klasifikáciu späť cez API. Šetrí čas dispečerom pri 80 % tiketov, ktoré sú priamočiare.
Návrhy riešení z knowledge base
Keď príde tiket, LLM dokáže prehľadať vašu knowledge base a navrhnúť agentovi relevantné články. Funguje to najlepšie s dobre udržiavanými KB článkami, ktoré majú jasné názvy a štruktúrovaný obsah. Funguje to zle s KB plnou zastaraných alebo duplicitných článkov -- AI sebavedomo navrhne nesprávne odpovede.
Chatbot pre L0 samoobsluhu
Chatbot, ktorý rieši resetovanie hesiel, VPN návody a otázky typu "ako nainštalujem tlačiareň", dokáže odkloniť 15-25 % tiketov skôr, než sa dostanú k človeku. To je skutočné zníženie záťaže, nie trik. Kľúčové je obmedziť rozsah chatbota na témy, kde nesprávne odpovede nie sú škodlivé a správne odpovede sú dobre zdokumentované.
Detekcia vzorov v dátach o incidentoch
Analýza dát o incidentoch v čase na odhalenie trendov -- "poruchy tlačiarní narastajú každý pondelok ráno" alebo "VPN tikety pribúdajú po každom Windows update" -- je legitímna AI aplikácia. Vyžaduje čisté, konzistentne kategorizované historické dáta, ale odkrýva poznatky, ktoré ľudia prehliadajú, pretože nikto manuálne nečíta 10 000 záznamov tiketov.
Čo AI spoľahlivo nedokáže
Nahradiť L2/L3 diagnostiku
Komplexné riešenie problémov vyžaduje pochopenie sieťovej topológie, závislostí aplikácií a organizačného kontextu, ku ktorému žiadny model nemá prístup. AI dokáže navrhnúť možnosti, ale nedokáže nahradiť inžiniera, ktorý vie, že ERP server zdieľa VLAN so zálohovacím systémom a počas nočných úloh si navzájom prekážajú.
Rozhodovať o zmenách
Rozhodnutia change advisory zahŕňajú posúdenie rizík, analýzu dopadov na biznis a politické povedomie. AI nedokáže vyhodnotiť, či je nasadenie záplaty počas uzávierky kvartálu prijateľné. Tieto rozhodnutia vyžadujú ľudský úsudok a znalosť organizácie.
Riešiť okrajové prípady
Tých 10 % tiketov, ktoré nezapadajú do žiadneho vzoru -- tie, pri ktorých sa aj skúsení agenti zastavia a zamyslia -- sú presne tam, kde AI zlyháva. Je natrénovaná na bežné prípady. Okrajové prípady sú z definície nedostatočne zastúpené v trénovacích dátach.
Kde zapadá GLPI
GLPI nie je AI engine. Je to dátový zdroj a integračný bod. Praktická AI integrácia s GLPI vyzerá takto:
- Nový tiket príde do GLPI cez e-mail alebo samoobslužný portál
- Webhook alebo naplánovaný skript prevezme tiket cez REST API GLPI
- Externá služba (n8n workflow, vlastný Python skript alebo cloud function) pošle popis tiketu do LLM
- LLM vráti kategóriu, návrh priority a voliteľne linky na KB články
- Skript zapíše výsledky späť do GLPI cez API -- aktualizuje kategóriu, pridá poznámku s návrhmi
Celý tok beží mimo GLPI. GLPI len poskytuje dáta a prijíma výsledky.
Predpoklad, o ktorom nikto nehovorí
AI na neporiadnych dátach produkuje neporiadne výsledky. Ak sú vaše GLPI kategórie nekonzistentné, popisy tiketov sú jednoslovné záznamy typu "nefunguje" a poznámky k riešeniu sú prázdne, žiadne množstvo AI z toho neextrahuje užitočné vzory. Najprv upracte dáta: štandardizujte kategórie, vynucujte kvalitu popisov a vyžadujte poznámky k riešeniu. Potom má AI s čím pracovať.