درس‌های غافلگیرکننده از ساخت ایجنت هوش مصنوعی برای ServiceNow: چالش‌ها فراتر از نقشه‌راه بودند!

پلتفرم‌های مدیریت خدمات فناوری اطلاعات (ITSM) هیچ‌وقت از نظر حجم داده کم و کسری نداشته‌اند؛ اما با وجود تمام ساعت‌هایی که صرف ساخت آیتم‌های کاتالوگ خدمات، بررسی نحوه استفاده از لایسنس‌ها و سرپا نگه داشتن سلامت دیتابیس مدیریت پیکربندی (CMDB) می‌شود، فهمیدن این‌که این حجم انبوه از اطلاعات دقیقاً چه چیزی به ما می‌گویند و قدم بعدی چیست، همیشه کار ساده‌ای نبوده است.

در همین راستا، تیمی از متخصصان تصمیم گرفتند یک «همکار دیجیتال» (Digital Worker) مبتنی بر هوش مصنوعی بسازند تا بخشی از این زمان ازدست‌رفته را به تیم‌های فناوری اطلاعات بازگردانند و بازدهی سرمایه‌گذاری روی پلتفرم‌های ITSM را بالا ببرند. هدف اصلی، ساخت یک ایجنت عمومی و همه‌کاره نبود؛ بلکه راه‌حلی مد نظر بود که بتواند کار‌های پیچیده و وقت‌گیر حوزه ITSM را عمیقاً بفهمد و اجرا کند؛ همان وظایفی که به دلیل پیچیدگی بالا، مستقیماً بهره‌وری تیم‌ها را می‌بلعند و هزینه‌ها را بالا می‌برند.

چگونه این همکار دیجیتال ITSM طراحی و پیاده‌سازی شد؟

نسخه اولیه این همکار دیجیتال در اوایل سال ۲۰۲۵ و با استفاده از فناوری نوظهور «browser use» توسعه پیدا کرد؛ ابزاری که به هوش مصنوعی اجازه می‌داد درست مثل یک کاربر انسانی، کار‌ها را از طریق رابط کاربری برنامه‌ها در مرورگر وب جلو ببرد. هدف اولیه، خودکارسازی کار‌های مربوط به پیاده‌سازی و نگهداری در ServiceNow و سایر نرم‌افزارهای سازمانی بود تا متخصصان IT بتوانند روی پروژه‌های ارزشمندتر و راهبردی‌تر تمرکز کنند.

اما در ادامه مسیر، این معماری ارتقا یافت و به سراغ پروتکل نوین کانتکست مدل (MCP) رفت تا ایجنت مستقیماً به APIها متصل شده و وظایف را با سرعتی به‌مراتب بالا‌تر انجام دهد. در کنار آن، یک موتور هماهنگ‌کننده ایجنتی (Agentic Harness) اختصاصی طراحی شد که سازوکار اجرای کار‌ها توسط هوش مصنوعی را مدیریت می‌کند. این زیرساخت از چندین مدل بزرگ زبانی (LLM) پشتیبانی می‌کند و استدلال احتمالی مدل‌ها را با کدهای قطعی و ساختاریافته ترکیب می‌نماید؛ راهکاری هوشمندانه که باعث می‌شود خروجی‌ها همیشه دقیق و قابل اعتبارسنجی باشند. درست همین ترکیب جادویی است که یک چت‌بات ساده پاسخ‌دهنده به سؤالات ServiceNow را به ایجنتی قدرتمند و مطمئن برای اجرای واقعی وظایف در ServiceNow تبدیل می‌کند.

برای این‌که این همکار دیجیتال بیش‌ترین کارایی ممکن را داشته باشد، باید سازوکار و قواعد درونی سازمان به آن آموزش داده می‌شد. هر مجموعه‌ای استانداردهای خاص خودش را دارد؛ از نحوه نگارش مقالات پایگاه دانش گرفته تا جزئیات کاتالوگ خدمات یا قواعد نام‌گذاری اسکریپت‌ها. برخورد تیم با این ایجنت دقیقاً مثل پذیرش و آنبوردینگ یک نیروی انسانی تازه بود: معرفی محیط کاری، انتقال تجارب موفق و بهترین روش‌ها (Best Practices)، و فراهم کردن زمینه لازم برای درک درست کار. برای این منظور، از دستورالعمل‌های چندبارمصرف از جمله فایل‌های SKILL.md در کنار پایگاه دانش سازمانی و حافظه مشترک برای حفظ استانداردها استفاده شد. علاوه بر این، به ایجنت آموزش داده شد تا اسناد نیازمندی‌ها را دقیقاً تحلیل کند و اگر پیش‌نیازی جا افتاده یا نقصی وجود دارد، قبل از ساخت هر چیزی هشدار دهد.

از دیدگاه امنیت و پاسخ‌گویی، کنترل کامل عملیات حساس همواره در دستان توسعه‌دهندگان و مدیران پلتفرم باقی می‌ماند. هرگونه عملیات نوشتن و تغییر داده قبل از اجرا، باید به تأیید ناظر انسانی برسد. این ایجنت از طریق پروتکل امن OAuth و با هویت کاربری خود افراد به سامانه وصل می‌شود؛ بنابراین به ساختار کنترل دسترسی مبتنی بر نقش (RBAC) و سطوح دسترسی کاملاً متعهد است. همچنین استفاده از Update Sets در ServiceNow این امکان را فراهم می‌کند که تغییرات پیکربندی به‌راحتی در فرایند استقرار جابه‌جا شوند و در صورت نیاز، فوراً به وضعیت قبلی بازگردند (Rollback).

مسئله مشاهده‌پذیری (Observability) نیز از اولویت‌های حیاتی بود؛ تیم باید دقیقاً می‌دانست ایجنت چه اقداماتی انجام داده، آیا نتیجه درست بوده و اجرای هر مرحله چقدر هزینه توکن یا پردازش داشته است. بررسی مداوم این داده‌ها در کنار تست روی اطلاعات واقعی، زمینه را برای بهبود مستمر ایجنت و سنجش ارزش واقعی آن فراهم ساخت.

در این فرایند، دو چالش اصلی بسیار سخت‌تر از حد انتظار ظاهر شدند: اول، آموزش ایجنت برای فهم دقیق و بدون خطای فرمت اسناد نیازمندی‌های سازمان؛ و دوم، درک نقاط درد واقعی که برخلاف تصورات اولیه در نقشه‌راه، بسیار محدودتر و تکراری‌تر بودند. هر دوی این تجربه‌ها به یک نتیجه مهم و کلیدی ختم می‌شوند: به‌جای رویاپردازی برای ساخت یک ایجنت غول‌پیکر و همه‌کاره برای تمام بخش‌های ITSM، باید کار را با یک ورک‌فلو مشخص شروع کرد؛ فرایندی تکراری، قاعده‌مند، پرتکرار، با قابلیت سنجش آسان و بازگشت‌پذیر در صورت بروز خطا.

پس از تست‌های اولیه، این سیستم در قالب یک پروژه آزمایشی در محیط عملیاتی در اختیار یک تیم جمع‌وجور ۴ نفره پشتیبانی قرار گرفت تا عملکرد آن در عمل محک بخورد. دستاوردها و نتایج این آزمایش به شرح زیر بود:

کاربرد اول: کاهش ۸۰ درصدی هزینه‌های ساخت آیتم‌های کاتالوگ خدمات

به‌طور معمول، ساخت یک آیتم در کاتالوگ خدمات بین چند ساعت تا چند روز زمان می‌برد و بسته به میزان پیچیدگی، حتی ممکن است ۱ تا ۲ هفته طول بکشد. بیش‌تر تیم‌ها نیازمندی‌های این فرم‌ها را در قالب فایل‌های اکسل، ورد یا تیکت‌های جیرا ثبت می‌کنند. پس از جمع‌آوری نیازمندی‌ها، یک برنامه‌نویس باید آن‌ها را تحلیل کند، متغیرها و فیلدهای فرم را بسازد، جریان کاری (Workflow) را پیاده کند و در صورت نیاز اسکریپت‌ها و SLAهای مربوطه را بنویسد. انجام این کار‌های فرسایشی و تکراری که نیازمند دقت بالا به جزئیات است، بخش بزرگی از وقت و انرژی تیم‌های IT را می‌گیرد.

این همکار دیجیتال علاوه بر توانمندی‌های گفت‌وگومحور مدل‌های زبانی، با درک عمیق قالب نیازمندی‌ها و استانداردهای داخلی سازمان، انجام کار‌ها را بسیار روان می‌کند. همچنین با پیروی از مجوزها، کاربران تنها مجاز به اعمال تغییراتی هستند که قبلاً دسترسی آن را داشته‌اند. حالا کافی است سند نیازمندی‌ها را با همان فرمت استاندارد به ایجنت بدهید؛ این ایجنت کل آیتم کاتالوگ را به همراه ورک‌فلو و اسکریپت‌های مربوطه تنها در حدود ۲۰ ثانیه ایجاد می‌کند! اعضای تیم می‌توانند پیش‌نمایش فرم درخواست را بلافاصله در همان محیط بررسی کنند و پس از تأیید نهایی، با چند کلیک ساده آن را به پلتفرم اصلی انتقال دهند.

این قابلیت ساخت سریع کاتالوگ، بازی را برای این تیم کوچک به‌کلی عوض کرد. در فرایند جمع‌آوری نیازمندی‌ها، کافی است قالب همیشگی پر شود و ابزار کاتالوگ‌ساز در همان لحظه فعال گردد تا نتیجه بلافاصله به نمایش درآید. این شیوه نه‌تنها چند روز کاری را در آیتم‌های ساده و تا یک هفته را در ورک‌فلوهای پیچیده صرفه‌جویی می‌کند، بلکه امکان بررسی درجا با درخواست‌دهنده، اعمال تغییرات و آزمایش سریع ایده‌ها را فراهم می‌سازد؛ بدون این‌که نیازی به رفت‌وبرگشت‌های فرسایشی توسعه باشد.

با خودکارسازی توسعه آیتم‌های کاتالوگ و به‌کارگیری این ایجنت در مقیاس سازمانی، پیش‌بینی می‌شود هزینه‌های توسعه تا ۸۰ درصد کاهش یافته و حدود ۲۵ درصد از ظرفیت کاری تیم برای کار‌های زیرساختی و باارزش‌تر آزاد شود.

کاربرد دوم: عبور از داشبوردهای سنتی برای شناسایی و حل سریع‌تر بحران‌ها

حوزه کاربردی دیگر، تحلیل روند رخدادها (Incidents) و درخواست‌ها بود. تیم‌های پشتیبانی همواره در پی استخراج بینش‌های عمیق از داده‌های خود هستند؛ رویکرد سنتی همیشه شامل ساخت داشبوردها و گزارش‌های مختلف، زیرورو کردن فهرست‌ها و خواندن تک‌تک تیکت‌ها بوده است. در ابزار‌های ITSM هرچقدر هم که داشبورد طراحی کنید، رسیدن به ریشه واقعی ماجرا کاری طاقت‌فرسا و زمان‌بر است.

تحلیل داشبوردهای ایستا و کندوکاو بین صدها سطر تیکت، روشی منسوخ به شمار می‌رود. آینده متعلق به طرح سؤال و دریافت آنی پاسخ‌ها و تحلیل‌ها از هوش مصنوعی گفت‌وگومحور است.

برای نمونه، می‌توان از این ایجنت خواست تا رخدادها و درخواست‌های ۶۰ یا ۹۰ روز گذشته را زیر ذره‌بین ببرد. ایجنت بلافاصله حجم فعلی را با خط مبنا مقایسه می‌کند تا صعودی یا نزولی بودن روندها و هرگونه ناهنجاری را مشخص کند. علاوه بر این، با استفاده از یادگیری ماشین، تیکت‌ها خوشه‌بندی می‌شوند تا کلمات کلیدی، موضوعات و مشکلات مکرری که ناگهان اوج گرفته‌اند نمایان شوند. بنابراین به‌جای تماشای یک نمودار ساده از اولویت تیکت‌ها، خوشه‌های معناداری از مشکلات مانند خطای پشتیبان‌گیری، تأخیر در رپلیکیشن، افت کارایی یا اختلال در شبکه پیش چشم قرار می‌گیرد.

سپس در همان محیط گفت‌وگو می‌توان وارد جزئیات شد و پرسید: «دلیل اصلی این اتفاق چیست؟» یا «باید توجهمان را روی کدام بخش بگذاریم؟» ایجنت داده‌های بنیادین را بررسی کرده و پرده از اصل ماجرا برمی‌دارد. یک داشبورد معمولی فقط می‌گوید تعداد تیکت‌ها زیاد شده، اما ایجنت هوش مصنوعی دلیل این افزایش را بازگو می‌کند، تیکت‌های پراکنده‌ای که همگی از یک مشکل مشترک ریشه گرفته‌اند را به هم وصل می‌کند و اقدامات پیشنهادی بعدی را ارائه می‌دهد. این هوشمندی باعث حل سریع‌تر بحران‌ها و هدایت منابع به اثربخش‌ترین نقاط می‌شود.

در همین پیوند، تولید مقالات راهنما و پایگاه دانش توسط کارشناسان برای جلوگیری از تکرار تیکت‌ها، همواره چالشی بزرگ به دلیل کمبود وقت است. ایجنت هنگام تحلیل تیکت‌ها، کمبود مقالات آموزشی را تشخیص داده و با ترکیب اطلاعات تیکت‌های مرتبط، همان‌جا پیش‌نویس مقاله راهنما را تهیه می‌کند.

تحلیل‌هایی که پیش از این ساعت‌ها وقت می‌گرفت، اکنون در یک مکالمه ۱۰ تا ۱۵ دقیقه‌ای با ایجنت انجام می‌شود و حتی می‌توان تحلیل‌های دوره‌ای را زمان‌بندی کرد. در نتیجه، زمان صرف‌شده برای ساخت داشبورد و تفسیر دستی داده‌ها به حداقل رسیده و تمرکز روی رفع ریشه‌ای مشکلات معطوف شده است.

کاربرد سوم: بهینه‌سازی نقش‌های کاربری و بازپس‌گیری لایسنس‌های گران‌قیمتِ بدون استفاده

مدیریت لایسنس‌ها همواره یک دردسر بزرگ بوده است؛ تیم‌ها ساعت‌های بی‌شماری را صرف بررسی گزارش‌های انطباق و تطبیق داده‌های داخلی می‌کردند. این فرایند کاملاً واکنشی بود و هماهنگ شدن با تغییرات مداوم تعاریف نقش‌ها در ServiceNow انرژی زیادی می‌گرفت. بسیاری از سازمان‌ها اگر خیلی خوش‌شانس باشند، ممیزی مجوزها را سالی یک بار انجام می‌دهند، چرا که تحلیل نقش‌ها و فعالیت کاربران در کل پلتفرم فوق‌العاده وقت‌گیر است.

با کمک این همکار دیجیتال، نه‌تنها زمان آخرین ورود هر کاربر مشخص می‌شود، بلکه نحوه استفاده واقعی آن‌ها از قابلیت‌های لایسنس‌های ویژه (Premium) نیز زیر ذره‌بین قرار می‌گیرد. به عنوان مثال، اگر کاربری مجوز گران‌قیمت ITIL را در اختیار داشته باشد اما هیچ استفاده‌ای از بخش‌های مدیریت تغییرات، حوادث، مشکلات یا کاتالوگ خدمات نکند، سیستم متوجه شده و پیشنهاد می‌دهد لایسنس از او پس گرفته شده و به فرد دیگری اختصاص یابد. این بررسی در سطح تیم‌ها نیز با یک دستور ساده انجام می‌شود و وضعیت توزیع مجوزها و استفاده واقعی آن‌ها مشخص می‌گردد.

در سازمان‌ها همیشه درخواست برای خرید لایسنس‌های جدید وجود دارد؛ اما بدون دید شفاف، سازمان‌ها هزینه‌های سرسام‌آور و غیرضروری متحمل می‌شوند. اکنون با این بینش هوشمندانه، تخصیص لایسنس‌ها با دقت بالا انجام شده و جلوی هدررفت بودجه گرفته می‌شود.

سیستم‌های ITSM در طول تاریخ پایگاهی برای ثبت داده‌ها بوده‌اند؛ سامانه‌هایی عالی برای ذخیره‌سازی، اما نیازمند ساعت‌ها زمان و مهارت برای تحلیل اطلاعات و تبدیل آن‌ها به عمل. ایجنت‌های هوش مصنوعی لایه هوشمندی تازه‌ای را به این ابزار‌ها اضافه می‌کنند که ارزش واقعی سرمایه‌گذاری در پلتفرم‌ها را آزاد می‌سازد.

بهره‌گیری از هوش مصنوعی گفت‌وگومحور نشان داد که می‌توان از شر کار‌های اداری فرسایشی و جست‌وجو در داشبوردهای بی‌پایان خلاص شد و زمان ارزشمند تیم‌ها را به بهبود بهره‌وری عملیاتی و خدمات‌رسانی بهتر اختصاص داد.

ریچارد مندیس مدیر ارشد بازاریابی و استراتژی، و برایان کینگ مهندس ارشد هوش مصنوعی در Bytemethod.ai هستند.