我们为 ServiceNow 构建了数字员工：真实痛点比路线图预想的更窄、更重复

我们的IT服务管理（ITSM）平台从不缺乏数据，但即便我们花费大量时间构建目录项、解读数据与使用许可、维护配置管理数据库（CMDB）的健康状态，理解这些数据究竟在告诉我们什么、以及下一步应采取何种行动，始终并不容易。 

今年，我公司构建了一个 数字员工（Digital Worker） ，以帮助我们的IT团队收回部分此类时间，并从ITSM投资中获取更高价值。我们并不希望它是一个泛化的智能体，而是一个真正能够理解并 执行ITSM任务 的解决方案——这些任务因其复杂性和耗时性，正切实影响着生产力和支出。 

我们如何构建并部署该数字ITSM员工

我们最初于2025年初使用当时可用的“ 浏览器操作（browser use） ”技术开发了该浏览器操作，该技术使AI能够通过网页浏览器中的应用程序界面完成任务。我们的目标是自动化ServiceNow及其他企业级应用的实施与维护任务，从而为IT团队腾出更多时间从事更高价值的工作。

随后，我们将该解决方案升级为采用 模型上下文协议（Model Context Protocol） （MCP）直接连接API，从而更快地完成任务。我们还自主开发了一套智能体运行框架（agentic harness），即协调 AI如何执行工作的软件。该 数字员工（Digital Worker） 运行框架支持多种大语言模型（LLM），并将模型的概率性推理与确定性代码相结合，以实现更一致的验证与执行。正是这种结合，将一个仅能回答ServiceNow相关问题的系统，转变为一个能够持续、可靠地执行ServiceNow任务的系统。 

为使 数字员工（Digital Worker） 尽可能实用，我们必须教会它理解我们组织的运作方式。每个组织对优质知识库文章的定义、目录项应包含的内容，或脚本的命名规范，都有其自身标准。我们将其类比为新人入职：向其介绍工作环境、分享团队最佳实践，并提供其出色完成工作所需的上下文。我们使用可复用的指令（包括SKILL.md文件），并结合公司知识库与记忆功能，以共享标准及个人偏好。我们还教会该 数字员工（Digital Worker） 解析我们的需求文档，使其能在构建任何内容之前标记出任何缺失的信息。 

从安全与问责角度出发，该 数字员工（Digital Worker） 必须确保ServiceNow开发者或管理员在关键操作期间保持控制权。任何写入操作均须经人工审核并批准后方可执行。该 数字员工（Digital Worker） 通过用户在ServiceNow中的身份，以OAuth方式安全连接，严格遵守基于角色的访问控制（RBAC）与权限设置。更新集（Update sets）为我们团队提供了熟悉的方式，以将配置变更纳入其部署流程，或回滚变更。 

可观测性同样重要，以便我们的团队了解该智能体执行了哪些操作、是否成功，以及其成本如何。我们利用这些证据，结合测试及针对真实ServiceNow数据的校验，持续改进该数字员工，并评估其价值。 

有两件事比我们预想的更困难：一是可靠地教会 数字员工（Digital Worker） 解析 组织的需求 格式；二是理解实际实施中的痛点，结果发现这些痛点比我们路线图所假设的范围更窄、重复性更高。这两条经验指向同一方向：应从单一工作流入手，而非构建一个覆盖广泛的ITSM智能体。应选择那些重复性强、基于规则、高频率、易于衡量且易于回退的任务。

在完成初始版本测试后，我们向精干的四人ITSM团队提出方案，启动试点项目，在生产环境中部署该解决方案，以观察其如何助益团队。以下是我们取得的成果及具体实现方式。

用例一：目录项开发成本降低80% 通常，构建单个目录项需耗时数小时至数天，复杂情况下甚至长达1至2周。大多数团队以某种标准格式记录目录项需求，例如Excel表格、Word文档或Jira工单。一旦收集完需求，便需移交开发者进行解读，创建变量与表单字段、构建工作流，并可能额外开发脚本与服务水平协议（SLA）。这些需要高度关注细节并深入理解平台的重复性任务，消耗了IT团队大量时间与资源。 

我们的 数字员工（Digital Worker） 建模自大语言模型（LLM）的对话能力，同时理解我们组织特定的需求格式与最佳实践，因而易于导航、提问并完成任务。它还遵循 权限机制，因此用户仅能执行其在ITSM平台中原本即被授权执行的变更。通过向 数字员工（Digital Worker） 发出提示，并上传符合我们标准格式的需求文档，它可在约20秒内创建一个目录项，包括工作流及关联脚本。团队可在离开 数字员工（Digital Worker） 界面前，预览结果（例如请求表单）；待最终确认后，仅需数次点击即可将其导入平台。

使用该 数字员工（Digital Worker）的 目录构建能力对我们精干的团队而言是一次颠覆性变革。当我们进入需求收集阶段时，我们仍可像以往一样填写相同的模板，但现在我们只需当场启用目录构建器，几乎立即就能看到结果。这使我们完成一个基础目录项可节省数天时间，而更复杂的工作流则最多可节省一周时间。此外，我们还能与请求方快速共同审阅结果、即时调整并更快地测试想法，而不必经历冗长的反复开发周期。

通过自动化所有未来的目录项开发，并在该领域规模化部署 数字员工（Digital Worker） ，我们预计团队将降低80%的开发成本，并腾出约25%的团队产能，用于更高价值的平台优先事项。

用例二：超越仪表板，更快发现并响应ITSM问题

我们部署 数字员工（Digital Worker） 的另一领域是请求与事件趋势分析。你的ITSM平台数据中始终蕴含着你试图获取的各类洞见。传统上，这意味着构建报表和仪表板、浏览列表，有时还需逐一审查工单。你可以在ITSM工具中构建任意数量的仪表板，但要真正获得实际洞见却困难得多，也更耗时。 

解读静态仪表板、并在报表中逐行翻查大量工单的做法已成为过去式。未来的方式是能够向对话式AI提出问题，并迅速获得答案与洞见。 

例如，我们可以要求 数字员工（Digital Worker） 分析最近60天或90天内的事件与请求。它会立即将当前数量与基线进行比对，从而让我们看清活动量是呈上升还是下降趋势，以及异常情况可能发生在何处。它还利用机器学习对工单进行聚类，并识别关键词、主题及可能正在激增的重复性问题。因此，我们不再仅看到按优先级划分的工单图表，而是可能立即看到围绕备份失败、复制延迟、性能或连接性等问题的工单聚类。 

随后，我们可通过对话方式深入任一上述领域，并提问：“是什么驱动了这一现象？”或“我们应聚焦于何处？” 数字员工（Digital Worker） 解读 底层数据 ，并告诉我们实际情况究竟如何。仪表板只能告诉你工单数量增加了，但 数字员工（Digital Worker） 却能告诉你数量增加的原因，识别出可能源于同一根本问题的多个工单，并推荐下一步行动方案。这有助于我们更早解决问题，并将资源集中投入影响最大的领域。 

与此流程相关的是，由于带宽有限，让领域专家创建知识文章以分流工单一直是一项持续挑战。当 数字员工（Digital Worker） 分析工单与事件趋势时，它还可判断是否存在知识文章缺口，并能即时综合相关事件及其他关联数据，协助草拟该知识文章。 

过去需耗时数小时的分析，如今可压缩为一场10至15分钟的与 数字员工（Digital Worker）的对话；且重复性分析可设定为定期自动运行。我们花在构建仪表板和人工解读数据上的时间减少了，而花在应对数据所揭示的根本问题上的时间则增多了。

用例三：优化用户角色并回收未使用的高级许可证

历史上，我们的团队花费大量时间构建仪表板、审阅合规性报告，并努力调和内部所见数据与合规性报告所显示数据之间的差异。这是一个高度被动的过程。当一份报告指出存在许可证超额使用时，我们的团队必须展开调查，以确定为何我们的数据与自身报告中构建的数据存在如此大的偏差。有时ServiceNow会变更角色定义，而跟上这些变更实属一大挑战。许多组织每年仅执行一次详细审计（如果幸运的话），因为分析整个平台中的用户角色与活动耗时极长。

借助 数字员工（Digital Worker），我们可查看单个用户的全部角色，不仅能看到其最近一次登录时间，还能看到其实际如何使用这些高级角色的功能。例如，若某人拥有ITIL许可证，却并未使用变更管理、事件、知识、问题、请求或服务目录等功能，则我们可判定该许可证是否仍有必要，并可能将其回收供他人使用。我们还可对整个团队执行同样的分析。无需逐一审查用户，我们可要求 数字员工（Digital Worker） 分析某一用户组，并向我们展示许可证的分布情况、各人员所拥有的许可权限，以及他们是否确实在使用这些权限。

似乎总有人不断申请新的许可证。若缺乏此类可见性，就很容易过度分配许可证，从而不必要地推高成本。如今，我们可就许可证分配做出更明智的决策，从而避免不必要的成本攀升。

ITSM系统传统上仅作为记录系统：非常擅长捕获数据，但将数据解读并转化为行动却需要大量时间与专业知识。借助 数字员工（Digital Worker），我们有机会引入一层智能层，帮助IT团队以更少时间完成更多工作，并从ITSM平台投资中获取更高价值。 

尝试对话式AI已使我们的团队得以减少在导航仪表板、分析记录及执行重复性行政工作上所花费的时间，转而将更多时间用于响应平台所传达的信息，最终提升运营效率，并更好地服务我们的内部客户。

理查德·门迪斯（Richard Mendis）是首席营销与战略官。

布莱恩·金（Brian King）是 Bytemethod.ai的高级AI产品工程师。 

欢迎加入VentureBeat社区！

我们的客座投稿计划旨在邀请技术专家分享洞见，提供中立、无利益关联的深度剖析，涵盖人工智能、数据基础设施、网络安全及其他塑造企业未来前沿科技。

阅读更多 来自我们客座投稿计划的内容——并查阅我们的 指南 ，若您有意贡献自己的文章！