Human in the Loop ITSM: Wanneer u een AI-agent moet stoppen…

Geschatte leestijd: 13 minuten

Kernpunten

• Human in the loop ITSM houdt mensen betrokken bij belangrijke beslissingsmomenten, terwijl AI routinematig en repetitief werk afhandelt.
• AI mag niet worden behandeld als volledig manuele ondersteuning of als volledig autonoom. Het veiligste model is risicogebaseerde automatisering.
• Goedkeuringen door AI-agenten zijn essentieel voor geprivilegieerde toegang, productiewijzigingen, majeure incidenten, gereguleerde data, gevoelige communicatie en aanbevelingen met een lage betrouwbaarheid.
• ServiceNow AI-governance en HaloITSM-automatiseringscontroles moeten eigenaarschap, regels voor datatoegang, auditlogging, monitoring, escalatiepaden en rollback-opties omvatten.
• Escalatieregels helpen AI om op het juiste moment te stoppen, zodat dringend, gevoelig of onzeker werk het juiste menselijke of gespecialiseerde team bereikt.
• Het doel is niet om AI te vertragen. Het doel is om automatisering veiliger, beter traceerbaar en betrouwbaarder te maken.

Waarom human in the loop ITSM nu belangrijk is

Human in the loop ITSM wordt essentieel nu serviceteams AI-agenten, workflowautomatisering en slimmere servicedesktools adopteren. Platformen zoals ServiceNow en HaloITSM helpen teams nu bij het automatiseren van de triage, samenvatting en routering van tickets, de afhandeling van aanvragen, kennissuggesties en gebruikersondersteuning via portalen, chat en e-mail.

Voor teams die AI voor ITSM verkennen, is de belangrijkste uitdaging niet alleen wat te automatiseren, maar ook waar menselijke oordeelsvorming de controle moet behouden.

Volledige automatisering kan risico’s creëren wanneer beslissingen bedrijfskritische diensten, beveiligingstoegang, productiewijzigingen, wettelijke verplichtingen of klantgerichte communicatie beïnvloeden.

Human in the loop ITSM is een operationeel model voor servicemanagement waarbij AI en automatisering binnen gedefinieerde kaders opereren, terwijl mensen betrokken blijven bij belangrijke beslissingsmomenten voor nazicht, goedkeuring, manuele interventie en escalatie.

In de praktijk betekent dit dat een HITL AI-agent routinewerk kan versnellen, terwijl goedkeuringen door AI-agenten, ServiceNow AI-governance, HaloITSM-automatiseringscontroles en escalatieregels acties met een hoog risico veilig, traceerbaar en auditeerbaar houden.

Wat is human in the loop ITSM?

Human in the loop ITSM is een IT-servicemanagementmodel waarbij AI en automatisering taken uitvoeren zoals classificatie, samenvatting, aanbevelingen, routering en workflowuitvoering, terwijl mensen ingebed blijven op belangrijke beslissingsmomenten voor nazicht, goedkeuring, manuele interventie en escalatie.

Dit model betekent niet dat elk ticket manueel moet worden nagekeken. Het betekent daarentegen dat mensen ingrijpen waar het risico, de onzekerheid, de gevoeligheid of de bedrijfsimpact hoog is. Ondertussen kan automatisering nog steeds vrij draaien voor repetitief werk met een laag risico.

Er zijn drie gangbare operationele modi:

• Volledig manueel ITSM: Mensen voeren alle triage, routering, goedkeuringen en acties uit. Dit geeft sterke controle, maar kan traag, duur en inconsistent zijn.
• Volledig geautomatiseerd ITSM: AI en regels voeren de meeste beslissingen uit met weinig toezicht. Dit is snel en schaalbaar, maar fouten kunnen zich snel verspreiden.
• Human in the loop ITSM: AI handelt werk met een laag risico en een hoog volume af, terwijl workflows pauzeren voor menselijk nazicht wanneer de impact of onzekerheid toeneemt.

Dit evenwichtige model ondersteunt gecontroleerde automatisering. AI kan bijvoorbeeld automatisch een printerprobleem met lage prioriteit categoriseren. Als AI echter een mogelijke P1-storing van de e-mail detecteert, moet de incidentmanager de ernst bevestigen voordat de workflows en communicatie voor majeure incidenten beginnen.

Omdat ITSM-teams vaak werken volgens gestructureerde servicemanagementpraktijken, blijven ITIL best practices nuttig bij het ontwerpen van controles voor goedkeuring, escalatie, incidenten, aanvragen, wijzigingen en continue verbetering.

Waarom toezicht op AI belangrijk is in servicemanagement

Toezicht op AI is belangrijk omdat ITSM-workflows vaak productiesystemen, identiteitstoegang, klantgegevens, personeelsdossiers, bedrijfsapplicaties en gereguleerde diensten raken. Daarom kan één enkele geautomatiseerde fout storingen, datalekken, SLA-inbreuken of auditbevindingen veroorzaken.

Veelvoorkomende risico’s zijn:

• Verkeerde ticketprioriteit: AI kan een majeur incident classificeren als een probleem met lage prioriteit.
• Incorrecte routering: Een ticket kan naar de verkeerde supportgroep gaan, wat de oplossing vertraagt.
• Onveilige aanbevelingen: AI kan voorstellen een dienst opnieuw op te starten zonder de bedrijfsimpact te begrijpen.
• Ongeautoriseerde afhandeling: Geautomatiseerde workflows kunnen toegang verlenen zonder de juiste goedkeuring.
• Zwakke beslissingen over wijzigingen: AI kan afhankelijkheden, blackout-vensters of productierisico’s over het hoofd zien.
• Zwakke verantwoording: Teams kunnen vervallen in de gevaarlijke mentaliteit van “de AI heeft het gedaan”.

Menselijk toezicht vermindert deze risico’s omdat het controlepunten creëert. Goedkeuringsworkflows tonen wie een actie heeft geautoriseerd. Escalatieregels voorkomen dat AI doorgaat wanneer het onzeker is. Auditlogs tonen wat AI heeft aanbevolen, wat een mens heeft goedgekeurd en wat er na de uitvoering is gebeurd.

Bovendien moeten IT-leiders AI-governance behandelen als onderdeel van een bredere operationele governance. Industrieanalyses van Gartner benadrukken vaak de noodzaak om innovatie in evenwicht te brengen met risicobeheersing, en dat principe is rechtstreeks van toepassing op AI-gedreven ITSM. Snellere service is waardevol, maar traceerbare service is essentieel.

Wat een HITL AI-agent doet in ITSM

Een HITL AI-agent is een AI-gestuurde assistent, virtuele agent, triage-bot of automatiseringsmedewerker die ITSM-taken kan uitvoeren, maar is geconfigureerd om te pauzeren, goedkeuring te vragen, te escaleren of menselijke interventie toe te staan voordat kritieke acties worden uitgevoerd.

Een HITL AI-agent kan bijvoorbeeld helpen met:

• Samenvatting van tickets: Het vat lange ticketgeschiedenissen, chattranscripties en monitoringwaarschuwingen samen.
• Voorgestelde antwoorden: Het stelt antwoorden op die agenten kunnen nalezen voordat ze worden verzonden.
• Classificatie van incidenten: Het stelt een categorie, dienst, configuratie-item, prioriteit en oplossersgroep voor.
• Aanbevelingen voor kennisartikelen: Het stelt relevante artikelen voor aan gebruikers of servicedeskmedewerkers.
• Voorbereiding van aanvragen: Het verzamelt ontbrekende details, controleert catalogusregels en bereidt afhandelingstaken voor.
• Risicoanalyse van wijzigingen: Het vergelijkt vergelijkbare wijzigingen en benadrukt mogelijke impact.
• Routering en prioritering: Het beveelt de juiste wachtrij en urgentieniveau aan.

Het verschil tussen adviserend en autonoom gedrag is echter belangrijk. Een HITL AI-agent is niet volledig autonoom als hij moet stoppen voor goedkeuring in gedefinieerde scenario’s. Evenzo is hij niet louter adviserend als hij workflowacties kan voorbereiden.

AI kan bijvoorbeeld de toegang voor een nieuwe medewerker voorbereiden. Desalniettemin moet een manager of systeemeigenaar goedkeuring geven voordat de provisioning begint. Op dezelfde manier kan AI een klantgerichte update over een storing opstellen, maar een servicedeskleider moet eerst de toon, nauwkeurigheid en bedrijfsimpact controleren.

Voor teams die de mogelijkheden van ITSM-platformen vergelijken, toont de ITSM-richtlijn van Atlassian ook hoe servicemanagementworkflows automatisering, samenwerking en gestructureerde procescontrole kunnen combineren.

Waar goedkeuringen door AI-agenten moeten worden gebruikt

Goedkeuringen door AI-agenten zijn workflowcontroles die vereisen dat een mens een door AI geïnitieerde of aanbevolen actie beoordeelt en goedkeurt vóór de uitvoering. Ze zijn een van de belangrijkste waarborgen in human in the loop ITSM.

Goedkeuringen moeten risicogebaseerd zijn, geen algemene regels. Als elke AI-actie goedkeuring nodig heeft, wordt automatisering traag en frustrerend. Als acties met een hoog risico echter de goedkeuring omzeilen, kan de organisatie beveiligings-, compliance- of operationele risico’s creëren.

Gebruik goedkeuringen door AI-agenten wanneer acties betrekking hebben op:

• Geprivilegieerde toegang, zoals admin-, root-, cloud-administrator- of productiedatabaserechten.
• Gevoelige systemen, waaronder HR, financiën, juridische zaken, R&D, klantgegevens of gereguleerde platformen.
• Productiewijzigingen, firewallwijzigingen, identiteitswijzigingen of beveiligingscontroles.
• Aankondiging van majeure incidenten en klantgerichte communicatie over storingen.
• Aanvragen voor dure software, infrastructuur of hardware.
• AI-aanbevelingen met een lage betrouwbaarheid.
• VIP-gebruikers, directieleden of bedrijfskritische diensten.

Een eenvoudig gelaagd model werkt goed:

Risiconiveau	Rol van AI	Voorbeelden	Vereiste controles
Laag	AI kan automatisch handelen	Kennisartikelsuggestie, categorisering met lage prioriteit, standaardbevestiging	Logging, steekproeven, eenvoudige rollback
Gemiddeld	AI bereidt voor of beveelt aan	Standaard softwareaanvraag, interne update, wijziging van niet-geprivilegieerde groep	Voorwaardelijke goedkeuring, audittrail, mogelijkheid tot manuele interventie
Hoog	AI heeft enkel een adviserende rol	Geprivilegieerde toegang, productiewijziging, communicatie over majeure incidenten	Verplichte goedkeuring, sterke audittrail, rollback
Zeer hoog	AI maakt enkel samenvattingen	Juridische, HR-, datalek- of directie-gerelateerde beslissingen	Beslissing door senior medewerker, compliancetoetsing

Bijgevolg bepaalt het risiconiveau wanneer AI handelt, wanneer het wacht en wanneer het escaleert.

Human in the loop ITSM per procesgebied

Human in the loop ITSM wordt praktisch wanneer het wordt toegepast op elk ITSM-procesgebied. Hoewel de controles variëren, blijft het principe hetzelfde: AI versnelt routinewerk, terwijl mensen de verantwoordelijkheid behouden voor beslissingen met een hoge impact. De ITIL Foundation-richtlijn biedt een nuttige procescontext voor incidentmanagement, service request management, change enablement, problemmanagement en continue verbetering.

In incidentmanagement kan AI incidenten classificeren, waarschuwingsgegevens samenvatten, bekende fouten suggereren, duplicaten detecteren en routering aanbevelen. Mensen moeten echter majeure incidenten, P1/P2-problemen, bedrijfskritische diensten, classificaties met lage betrouwbaarheid, impact op VIP’s en klantgerichte communicatie beoordelen.

In requestmanagement kan AI gebruikers helpen bij het kiezen van catalogusitems, het verzamelen van ontbrekende details, het valideren van velden en het afhandelen van standaardaanvragen met een laag risico. Menselijke goedkeuring moet echter behouden blijven voor geprivilegieerde toegang, gevoelige systemen, dure items, beleidsuitzonderingen en niet-standaard software of hardware.

In change enablement kan AI het type wijziging suggereren, getroffen diensten identificeren, conflicten detecteren en implementatie- of terugdraaiplannen opstellen. Toch moeten productiewijzigingen, noodwijzigingen, beveiligingsgerelateerde of gereguleerde wijzigingen nog steeds goedkeuring vereisen van een change manager, CAB, service-eigenaar of beveiligingsverantwoordelijke.

In problemmanagement kan AI terugkerende incidenten clusteren en waarschijnlijke hoofdoorzaken suggereren. Mensen moeten echter het bewijs valideren voordat corrigerende maatregelen worden genomen.

In kennisbeheer kan AI artikelen en FAQ’s opstellen. Technische eigenaars moeten echter riskante oplossingen, compliance-inhoud en klantgerichte instructies goedkeuren vóór publicatie.

Overwegingen voor ServiceNow AI-governance

ServiceNow AI-governance omvat het beleid, de rollen, controles, workflows, regels voor datatoegang, goedkeuringsmechanismen, logging en monitoringpraktijken die worden gebruikt om AI-mogelijkheden veilig te beheren binnen het ServiceNow-platform.

Definieer eerst het eigenaarschap. Elke AI-usecase moet een proceseigenaar, platformeigenaar, service-eigenaar en, waar nodig, een risico- of compliance-eigenaar hebben. Organisaties moeten bovendien definiëren wie AI-mogelijkheden, virtuele agenten, voorspellende modellen, workflowautomatiseringen en door AI ondersteunde aanbevelingen kan configureren. Voor organisaties die ServiceNow ITSM-consulting en -implementatie plannen, moeten deze eigenaarschapbeslissingen vanaf het begin in de platformroadmap worden ingebouwd.

Controleer vervolgens de datatoegang. AI mag alleen toegang hebben tot de tabellen, velden, bijlagen, kennisartikelen, CMDB-records, gebruikersgegevens en ticketgeschiedenissen die nodig zijn voor de usecase. Gevoelige gegevens moeten worden geclassificeerd en beschermd, vooral wanneer AI antwoorden genereert voor agenten of eindgebruikers.

Definieer daarna de kaders voor ServiceNow AI-governance. AI kan bijvoorbeeld een goedkeuringspad voor een wijziging aanbevelen, maar het mag een productiewijziging met hoog risico niet alleen goedkeuren. Evenzo kan AI een afhandelingstaak voor een catalogusitem voorbereiden, maar geprivilegieerde toegang moet goedkeuring van een manager, systeemeigenaar of beveiligingsverantwoordelijke vereisen.

Logging is ook cruciaal. Teams moeten de inputcontext, de AI-aanbeveling, het betrouwbaarheidsniveau indien beschikbaar, de menselijke beslissing, de goedkeurder, de tijdstempel, de reden voor de interventie en het uitvoeringsresultaat registreren. Hierdoor kunnen auditors traceren wat er is gebeurd en wie verantwoordelijk was.

Monitor ten slotte de resultaten. Volg acceptatiepercentages, interventiepercentages, outputs met lage betrouwbaarheid, mislukte automatiseringen, klachten en het escalatievolume. Breder IT-onderzoek van Forrester ondersteunt dezelfde praktische boodschap: governance, meting en eigenaarschap zijn essentieel bij het op schaal adopteren van bedrijfstechnologie.

HaloITSM-automatiseringscontroles en veilige workflows

HaloITSM-automatiseringscontroles zijn de workflow-, regel-, goedkeurings-, notificatie-, SLA-, routerings- en afsluitingscontroles die bepalen wanneer automatisering wordt uitgevoerd, wie belangrijke stappen moet goedkeuren en wanneer tickets of aanvragen moeten escaleren.

Voor geautomatiseerde ticketroutering kunnen regels tickets toewijzen op basis van categorie, dienst, trefwoorden, gebruikersafdeling, impact, urgentie of configuratie-item. Als de betrouwbaarheid van de AI echter laag is of de dienst kritiek is, is de veiligere optie om het ticket naar een triagewachtrij te routeren in plaats van het automatisch toe te wijzen.

Voor aanvraagworkflows moeten goedkeuringsfasen afhangen van kosten, afdeling, dienst, risiconiveau, datagevoeligheid en gebruikersrol. Een standaard softwareaanvraag onder een kostendrempel kan bijvoorbeeld automatisch doorgaan. Een niet-standaard aanvraag voor een financiële applicatie moet echter pauzeren voor goedkeuring door een manager, systeemeigenaar of beveiligingsverantwoordelijke.

SLA-gebaseerde acties zijn ook krachtig. Automatisering kan meldingen, prioriteitswijzigingen, toewijzingswijzigingen of escalaties activeren wanneer deadlines naderen. Desalniettemin moet AI-gestuurde herprioritering zichtbaar, omkeerbaar en gelogd zijn.

Afsluitingscontroles zijn ook van belang. Automatisering kan de afsluiting voorstellen voor opgeloste tickets met een laag risico na bevestiging van de gebruiker of inactiviteit. Majeure incidenten, VIP-tickets, klachten, beveiligingsincidenten en gevoelige HR- of juridische aanvragen moeten echter menselijke bevestiging vereisen vóór afsluiting.

Bovendien moet elke automatisering een eigenaar, testgeschiedenis, rollback-pad, uitzonderingsproces en beoordelingscyclus hebben. Teams die ITSM-automatisering en -orkestratie in HaloITSM ontwerpen, moeten deze waarborgen behandelen als onderdeel van het workflowontwerp, niet als een bijzaak. De ISO 20000-norm voor servicemanagement versterkt de waarde van gecontroleerde, gedocumenteerde servicemanagementpraktijken.

De rol van escalatieregels

Escalatieregels zijn vooraf gedefinieerde voorwaarden die bepalen wanneer een ticket, aanvraag, incident, wijziging of AI-gestuurde actie moet worden doorgegeven aan een mens, een gespecialiseerd team of een hoger bevoegdheidsniveau.

In human in the loop ITSM definiëren escalatieregels wanneer AI moet stoppen met alleen handelen. Ze voorkomen dat AI-agenten vastlopen, mislukte oplossingen herhalen, dringende problemen verkeerd routeren, buiten hun bevoegdheid handelen of stilzwijgend falen.

Nuttige escalatietriggers zijn onder meer:

• Lage AI-betrouwbaarheidsscore.
• Herhaalde mislukte oplossingspogingen.
• VIP- of directiegebruiker.
• Risico op SLA-inbreuk.
• Beveiligingsgevoelige aanvraag.
• Indicatoren voor een majeur incident.
• Negatief gebruikerssentiment.
• Hoge risicoscore voor wijziging.
• Compliance-gevoelige trefwoorden, zoals juridisch, privacy, audit, HR of financiën.

Er zijn twee hoofdtypen escalatie. Functionele escalatie verplaatst werk naar een team met diepere technische vaardigheden, zoals het sturen van een ticket over een netwerkstoring naar Network Operations. Hiërarchische escalatie betrekt iemand met beslissingsbevoegdheid, zoals een incidentmanager, service-eigenaar, directie-stakeholder, CAB of beveiligingsverantwoordelijke.

Beide zijn nodig. Functionele escalatie betrekt de juiste expertise. Hiërarchische escalatie betrekt ondertussen de juiste autoriteit. De servicedesk-community van HDI weerspiegelt ook deze operationele realiteit: ondersteuningsmodellen hebben duidelijke rollen, overdrachten en verantwoordelijkheden nodig om goed te functioneren onder druk.

Een risicogebaseerd human in the loop ITSM-model ontwerpen

Om een human in the loop ITSM-model te ontwerpen, begint u met het in kaart brengen van waar AI en automatisering al worden gebruikt. Neem hierin de triage van incidenten, ticketroutering, interacties met virtuele agenten, afhandeling van aanvragen, toegangsworkflows, risicoscores voor wijzigingen, kennisaanbevelingen, geautomatiseerde afsluiting en SLA-meldingen op.

Classificeer vervolgens elke actie op basis van risico. Houd rekening met operationele impact, beveiligingsimpact, datagevoeligheid, financiële kosten, klantimpact, complianceverplichtingen, omkeerbaarheid, AI-betrouwbaarheid en de kriticiteit van de dienst.

Definieer vervolgens wat volledig kan worden geautomatiseerd. Goede startpunten zijn categorisering met lage prioriteit, suggesties voor kennisartikelen, standaardbevestigingen, niet-kritieke metadata-updates en routinematige routering voor het resetten van wachtwoorden. Zelfs dan moet logging verplicht blijven.

Definieer daarna waar menselijke beoordeling vereist is. Typische voorbeelden zijn geprivilegieerde toegang, productiewijzigingen, majeure incidenten, gevoelige klantcommunicatie, beveiligingsacties, dure aanvragen en AI-aanbevelingen met lage betrouwbaarheid.

Goedkeuringen door AI-agenten moeten specificeren:

• Wie goedkeurt.
• Wanneer goedkeuring vereist is.
• Welke context de goedkeurder te zien krijgt.
• Wat er gebeurt na een time-out.
• Of een afwijzing de workflow stopt of omleidt.
• Hoe beslissingen worden gelogd.

Bouw ten slotte escalatieregels voor SLA-risico’s, VIP-gebruikers, lage betrouwbaarheid, herhaalde mislukkingen, indicatoren voor majeure incidenten, beveiligingscategorieën en negatief sentiment. Beoordeel de resultaten maandelijks of per kwartaal. Als er goedkeuringsknelpunten ontstaan, verwijder dan onnodige controles. Als het aantal uitzonderingen echter toeneemt, voeg dan sterkere kaders toe. De ITSM-verslaggeving van TechTarget benadrukt vaak dit evenwicht tussen procesdiscipline, tooling en continue verbetering.

Veelgemaakte fouten en successtatistieken

Verschillende fouten kunnen AI-gedreven ITSM verzwakken. Ten eerste automatiseren sommige organisaties te veel en te snel. Ze stappen over op workflows voor toegang, wijzigingen of majeure incidenten voordat de nauwkeurigheid van AI op werk met een laag risico is bewezen. Begin in plaats daarvan met taken met een hoog volume en een laag risico.

Ten tweede eisen sommige teams voor alles goedkeuringen. Dit veroorzaakt vertragingen, frustreert gebruikers en verbergt de werkelijke waarde van AI. Gebruik daarom risicogebaseerde goedkeuringen in plaats van algemene controles.

Ten derde is de verantwoordelijkheid vaak onduidelijk. Elke AI-usecase moet een eigenaar hebben. Anders weet niemand wie verantwoordelijk is wanneer AI een slechte aanbeveling doet.

Ten vierde zijn audittrails soms onvolledig. Zonder logs kunnen teams niet bewijzen wat AI heeft aanbevolen, wie het heeft goedgekeurd, of het is gewijzigd en wat er na de uitvoering is gebeurd.

Ten slotte zijn escalatieregels vaak niet getest. Als ze naar onbewaakte wachtrijen of onbeschikbare goedkeurders routeren, kan werk met een hoog risico vastlopen.

Meet succes met evenwichtige KPI’s, niet alleen met het automatiseringsvolume. Nuttige statistieken zijn onder meer:

• Oplossingspercentage bij eerste contact.
• Gemiddelde oplossingstijd.
• Doorlooptijd voor goedkeuring.
• Escalatiepercentage.
• Acceptatiegraad van AI-aanbevelingen.
• Percentage manuele interventies.
• Uitzonderingen op automatisering.
• SLA-naleving.
• Gebruikerstevredenheid.
• Percentage heropende tickets.
• Audit- of compliancebevindingen.
• Nauwkeurigheid van detectie van majeure incidenten.

Samen tonen deze statistieken of automatisering de snelheid en kwaliteit verbetert zonder het operationele risico te verhogen.

Best practices voor implementatie

Begin met usecases met een laag risico en een hoog volume. Goede voorbeelden zijn ticketcategorisering, samenvatting van tickets, routering voor het resetten van wachtwoorden, gegevensverzameling voor standaardaanvragen en suggesties voor kennisartikelen. Vermijd te beginnen met geprivilegieerde toegang, productiewijzigingen, beveiligingsacties of majeure incidenten.

Houd mensen betrokken bij kritieke beslissingen. Vereis bijvoorbeeld menselijke goedkeuring voor de aankondiging van majeure incidenten, klantgerichte communicatie, implementatie van productiewijzigingen, geprivilegieerde toegang en beveiligingsmaatregelen.

Gebruik duidelijke goedkeuringsdrempels. Definieer goedkeuringsregels op basis van risiconiveau, AI-betrouwbaarheid, kriticiteit van de dienst, datagevoeligheid, kosten, gebruikersrol en wettelijke impact. Documenteer bovendien de goedkeuringsmatrix zodat agenten, goedkeurders, auditors en platformbeheerders het model begrijpen.

Creëer transparante auditlogs. Elke belangrijke door AI ondersteunde beslissing moet de aanbeveling, de menselijke beslissing, de identiteit van de goedkeurder, de tijdstempel, het uitvoeringsresultaat en de reden voor de interventie vastleggen.

Herzie escalatieregels regelmatig. Test realistische scenario’s zoals SLA-inbreuk, mislukte AI-oplossing, VIP-ticket, classificatie met lage betrouwbaarheid en gevoelige toegangsaanvraag. Bevestig ook dat escalatiewachtrijen bemand en gemonitord worden.

Train servicedeskteams. Agenten moeten weten wanneer ze AI kunnen vertrouwen, wanneer ze het moeten uitdagen, hoe ze het kunnen overrulen en hoe ze feedback kunnen geven.

Stem ten slotte ServiceNow AI-governance en HaloITSM-automatiseringscontroles af op ITIL, beveiliging, compliance, change governance en continue verbetering. Menselijk toezicht mag de adoptie van AI niet blokkeren. Het moet de adoptie van AI juist veiliger, duidelijker en betrouwbaarder maken.

Praktisch voorbeeld van een workflow

Neem een toegangsaanvraag voor een gevoelig financieel systeem. Dit is een sterk voorbeeld van human in the loop ITSM omdat het proces snelheid nodig heeft, maar ook controle.

Eerst dient de gebruiker een aanvraag in via een portaal of chat. Vervolgens verzamelt de HITL AI-agent context, waaronder de rol van de gebruiker, de afdeling, het gevraagde toegangsniveau, de zakelijke rechtvaardiging, de bestaande toegang en of het doelsysteem gevoelig is.

Daarna classificeert AI de aanvraag als hoog risico omdat het financiële gegevens betreft. Bijgevolg bereidt de AI de afhandelingstaken voor en beveelt goedkeurders aan, maar verleent geen toegang.

De goedkeuringen door de AI-agent routeren de aanvraag naar de lijnmanager en de eigenaar van het financiële systeem. Als geprivilegieerde toegang wordt aangevraagd, omvat de workflow ook goedkeuring door de beveiligings- of complianceafdeling.

Escalatieregels beschermen vervolgens het proces. Als een goedkeurder niet binnen de gedefinieerde periode reageert, escaleert de aanvraag naar een afgevaardigde of service-eigenaar. Als AI ongebruikelijke toegangspatronen detecteert, escaleert het naar de beveiligingsafdeling.

Na beoordeling keurt de menselijke goedkeurder de aanvraag goed, wijst deze af of vraagt om meer informatie. Indien goedgekeurd, provisioneert automatisering de toegang. Indien afgewezen, stelt de workflow de gebruiker op de hoogte en registreert de reden.

Ten slotte logt het systeem de AI-aanbeveling, de goedkeurders, de beslissingen, de tijdstempels en het afhandelingsresultaat voor audit en beoordeling.

Hoe SMC Consulting u kan ondersteunen

SMC Consulting helpt organisaties bij het ontwerpen van veilige, praktische en meetbare AI-gedreven ITSM-modellen. In plaats van AI te behandelen als een louter technologisch project, focust SMC op procesmaturiteit, governance, workflowontwerp en operationele resultaten.

SMC kan human in the loop ITSM ondersteunen door:

• Ontwerp van ITSM-processen: Het in kaart brengen van workflows voor incidenten, aanvragen, wijzigingen, problemen en kennis om te identificeren waar AI veilig waarde kan toevoegen.
• Kaders voor AI-governance: Het definiëren van risiconiveaus, eigenaarschap, goedkeuringsmodellen, monitoringpraktijken en uitzonderingsbehandeling.
• ServiceNow AI-governance: Het ontwerpen van controles voor goedkeuringen, logging, monitoring, datatoegang, platformeigenaarschap en door AI ondersteunde workflows.
• HaloITSM-automatiseringscontroles: Het configureren van veilige workflows, goedkeuringsregels, SLA-acties, meldingen, routeringslogica en escalatiepaden.
• Ontwerp van workflowautomatisering: Het bouwen van HITL-workflows waarbij AI routinewerk versnelt, terwijl mensen verantwoordelijk blijven voor beslissingen met een hoog risico.
• Optimalisatie van escalatieregels: Ervoor zorgen dat AI-outputs met lage betrouwbaarheid, SLA-risico’s, VIP-tickets, beveiligingsgevoelige aanvragen en majeure incidenten de juiste mensen bereiken.
• Ontwerp van goedkeuringsmodellen: Het creëren van risicogebaseerde goedkeuringsmatrices die zowel overautomatisering als goedkeuringsknelpunten vermijden.
• Maturiteitsbeoordelingen van ITSM: Het beoordelen van de huidige automatiseringsmaturiteit en het opstellen van een roadmap voor een veiligere AI-adoptie.

Met het juiste model kan AI de snelheid en consistentie verbeteren met behoud van controle, compliance en vertrouwen.

Conclusie

Human in the loop ITSM is geen belemmering voor automatisering. Het maakt juist veiligere automatisering mogelijk door een HITL AI-agent routinematig en repetitief werk met een laag risico te laten afhandelen, terwijl mensen beslissingen met een hoog risico beoordelen, goedkeuren, overrulen of escaleren.

Met goedkeuringen door AI-agenten, ServiceNow AI-governance, HaloITSM-automatiseringscontroles, escalatieregels, risicogebaseerde automatisering en continue monitoring kunnen organisaties de snelheid verbeteren zonder de traceerbaarheid te verliezen.

Nu is het juiste moment om uw workflows te herzien. Waar handelt AI al? Welke acties hebben een laag, gemiddeld of hoog risico? Zijn goedkeuringen en escalaties duidelijk, getest en auditeerbaar? Indien u hulp wenst bij het ontwerpen van een op maat gemaakt human in the loop ITSM-model, neem dan contact op met SMC Consulting.

Over de auteur

Veelgestelde vragen