En İyi 11 ITSM'de Yapay Zeka Kullanım Alanları ve Örnekleri

Yapay zekayı BT hizmet yönetimi (ITSM) araçları için kullanmak kuruluşlara şu açılardan destek sağlar:

• operasyonel verimlilik,
• BT varlıklarının proaktif bakımı,
• ölçeklenebilirlik,
• gelişmiş karar alma ve
• kişiselleştirme.

ITSM'de yapay zekanın en iyi 11 kullanım alanını, örneklerini ve ITSM'de yapay zekadan yararlanmanın faydalarını görün.

Yapay zeka odaklı kullanım alanları

Yapay zeka odaklı ITSM, yapay zekanın sonradan eklenen bir özellik değil, temelin bir parçası olduğu yeni bir iç destek ve BT operasyonları yönetimi yaklaşımını ifade eder. Bu sistemler; mesajları yorumlamak, sorunları tahmin etmek ve geçmiş hizmet taleplerinden öğrenmek için makine öğrenimi, doğal dil işleme ve üretken yapay zekayı kullanır.

Amaç, ekiplerin sorunları ele alma, bilgi paylaşma ve çalışanlara yanıt verme biçimini iyileştirmektir. Portallara veya formlara güvenmek yerine, yapay zeka odaklı sistemler bilgiyi doğrudan işin gerçekleştiği Slack veya Microsoft Teams gibi araçlardan yakalar ve işler. Bu yaklaşım tekrarlayan işleri azaltır, self-servisi destekler ve kuruluşların geçmiş verilerini daha iyi kullanmasına yardımcı olur.

1. Yapay zeka odaklı ITSM

Geleneksel bir ITSM yazılımından yapay zeka odaklı bir sisteme geçmek, yeni teknoloji kurmaktan daha fazlasını gerektirir; planlama ve kademeli yapay zeka benimsenmesini gerektirir.

• Kuruluşlar genellikle erişim taleplerini otomatikleştirmek veya Slack mesajlarından veri toplamak gibi sınırlı kullanım alanlarıyla başlar. Yanıt süresi, çalışan deneyimi ve talep doğruluğundaki iyileşmeleri ölçmek, erken sonuçların doğrulanmasına yardımcı olur.
• Güvenlik ve yönetişim de önemlidir. Yapay zeka odaklı sistemler geçmiş verileri ve konuşma içeriğini kullandığından veri güvenliğini sağlamak ve gizlilik düzenlemelerine uyum göstermek esastır. Akıllı otomasyonun departmanlar genelinde kullanımını genişletmek değeri en üst düzeye çıkarmaya yardımcı olur.

Yapay zeka odaklı ITSM'yi destekleyen temel teknolojiler

Yapay zeka odaklı platformlar tek bir yapay zeka özelliğinden ziyade birbirine bağlı çok sayıda teknolojiye dayanır. Aşağıdaki bileşenler BT yönetimini ve servis masası operasyonlarını geliştirmek için birlikte çalışır:

• Makine öğrenimi modelleri, sorun kategorilerini tahmin eder, tekrarlayan problemleri tanımlar ve kök neden analizini destekler.
• Üretken yapay zeka, çözülmüş taleplerden özetler oluşturur ve yeni bilgi makaleleri taslağı hazırlar.
• Öngörücü analitik, olası olayların hizmet kesintisine yol açmadan önce tespit edilmesine yardımcı olur.
• Agentic AI, muhakeme ve eylemi birleştirir ve yapay zeka ajanlarının karmaşık hizmet taleplerinin araçlar genelinde nasıl ele alınacağına karar vermesini sağlar.
  • IT Service Management (ITSM) içindeki Agentic AI'ın temel yetenekleri arasında geçmiş verilerden öğrenme, kesintiler ortaya çıkmadan önce anormallikleri tespit etme, dinamik kararlar alma ve uyumluluğu korurken görevleri otonom olarak yürütme yer alır.

Gerçek hayattan örnek: Atomicwork

Ammex Corp; karmaşık iş akışları, manuel süreçler ve desteği yavaşlatan, sürekli insan müdahalesi gerektiren verimsizliklerle mücadele ediyordu.

Atomicwork'u benimseyen Ammex, rutin BT ve çalışan hizmet taleplerini otomatikleştiren ve doğrudan Microsoft Teams gibi araçlarda anında, sohbet tabanlı destek sağlayan yapay zeka ajanlarını devreye aldı. Bu; talep hacimlerini azalttı, yanıt sürelerini iyileştirdi ve genel çalışan deneyimini geliştirdi.¹

Gerçek hayattan örnek: Salesforce Agentforce IT Service

Salesforce’un Agentforce IT Service ürünü; olay çözümünü ve hizmet taleplerini Slack, Microsoft Teams, çalışan portalları ve web sohbeti gibi kanallar genelinde otomatikleştirmek için tasarlanmış, ajan tabanlı bir BT hizmet masasıdır. Ürün, çalışanların doğal dil konuşmaları yoluyla anında destek almasını sağlayarak geleneksel talep odaklı ITSM iş akışlarına olan bağımlılığı azaltmayı amaçlar.

Çözüm; yapay zeka destekli bir BT hizmet masası, çok sayıda uzmanlaşmış yapay zeka ajanı ve altyapı bağımlılıklarını eşlemek için hizmet grafiğine sahip yerleşik bir Konfigürasyon Yönetimi Veritabanı (CMDB) içerir. Salesforce, bu birleşik yaklaşımın tek bir doğruluk kaynağı kullanarak veri silolarını ortadan kaldırmaya ve çözüm doğruluğunu artırmaya yardımcı olduğunu iddia ediyor.

Salesforce ayrıca 100'den fazla hazır bağlayıcı ve iş akışıyla entegrasyon yeteneklerini vurguluyor; bu entegrasyonları Google, IBM, Microsoft, Oracle NetSuite, Workday ve Zoom gibi iş ortakları aracılığıyla sunuyor.

Şekil 1: Salesforce’tan BT hizmet masası paneli örneği.

Görev yönetimi kullanım alanları

2. Olay yönetimi

ITSM'de yapay zekadan yararlanmak; yapay zeka sistemlerinin gelen hizmet talepleri veya olayların içeriğine göre talepleri otomatik olarak oluşturup kategorilere ayırdığı otomatik talep oluşturma yoluyla olay yönetiminde önemli bir rol oynar.

Bu süreç, BT personelinin manuel iş yükünü azaltır ve hizmet masası taleplerinin doğru şekilde sınıflandırılmasını sağlayarak daha hızlı çözüm sürelerine yol açar.

Ayrıca yapay zeka sistemleri; önem, etki ve aciliyet gibi faktörlere göre olayları önceliklendirmek için makine öğrenimini kullanır ve kritik sorunların hızla ele alınmasını sağlar. Bu önceliklendirme, hizmet verimliliğini artırmaya ve iş operasyonları üzerindeki etkiyi en aza indirmeye yardımcı olur.

Olay yönetimi için bir diğer uygulama ise yapay zeka destekli kök neden analizidir. Yapay zeka; geçmiş verileri analiz ederek tekrarlayan sorunların kalıplarını belirleyip kök nedenlerini tahmin ederek ITSM'nin altta yatan problemleri daha etkili şekilde çözmesine, olay sıklığını azaltmasına ve sistem güvenilirliğini artırmasına yardımcı olur.

Gerçek hayattan örnek: Grand Traverse County ile SysAid

Grand Traverse County’nin 12 kişilik BT ekibi; elektronik tablolar, tutarsız e-posta tabanlı talep yönetimi, sınırlı performans görünürlüğü ve yazılım lisansı karmaşasıyla 3.500 varlığı yönetiyordu.

SysAid ile ITIL uyumlu talep yönetimi, otomatik SLA'lar, gerçek zamanlı varlık ve lisans yönetimi, bir yapay zeka Chatbot'u, bir yapay zeka Copilot'u ve otomatik iş akışları sundular.

Sonuç; daha hızlı çözüm, daha az manuel iş, daha iyi ilk çağrıda çözüm, gelişmiş varlık görünürlüğü ve yazılım yenilemeleri, uyumluluk riskleri ile BT harcamaları üzerinde daha fazla kontrol oldu.²

Gerçek hayattan örnek: SolarWinds Service Desk

SolarWinds Service Desk, resmi bir talep oluşturulmasını gerektirmeyebilecek olayları yönetmek için tasarlanmış bir sistem sunar. Ajanlar genellikle yüksek hacimli düşük öncelikli talepleri yönetmekte zorlanırken, olay yönetim platformu bilgi tabanıyla entegre olmak ve talep oluşturma sürecinde kullanıcılara otomatik olarak makaleler önermek için yapay zekadan yararlanır.

Ayrıca Sanal Ajan, son kullanıcılara en yaygın teknik sorunlarını gideren bilgi tabanı çözümlerine erişim sunar.

Sonuç olarak son kullanıcılar rutin sorunlara daha hızlı yanıt alır; bu da iş akışlarındaki kesintileri azaltır.

3. Hizmet talebi yönetimi

Hizmet talepleri talep otomasyonu: aracılığıyla yönetilir:

Yapay zeka; parola sıfırlama, yazılım kurulumu ve erişim izinleri gibi rutin hizmet taleplerinin işlenmesini otomatikleştirebilir. Önceden tanımlı iş akışlarını ve akıllı işlemeyi kullanan yapay zeka sistemleri, bu talepleri insan müdahalesi olmadan yönetebilir.

Örneğin bir kullanıcı parolasını sıfırlama talebi gönderdiğinde, bu yapay zeka destekli araçlar kullanıcının kimliğini güvenlik soruları veya çok faktörlü kimlik doğrulama yoluyla doğrulayabilir, ardından parolayı sıfırlayıp kullanıcıyı bilgilendirebilir. Bu, BT personelinin harcadığı zamanı ve çabayı azaltır ve kullanıcılar için daha hızlı çözüm sağlar.

Rutin görevleri otomatikleştirmek verimliliği artırır ve manuel işlemeyle ilişkili hata riskini azaltır.

4. Değişiklik yönetimi

Yapay zeka, BT değişikliklerinin değerlendirilmesini ve yönetimini geliştirerek değişiklik yönetimine önemli iyileştirmeler getirir:

Etki analizi:

Yapay zeka ile etki analizi, önerilen değişikliklerin BT ortamı üzerindeki olası etkisini değerlendirir. Yapay zeka, geçmiş verileri ve mevcut sistem yapılandırmalarını analiz ederek olası çakışmaları ve kesintileri tahmin edebilir; böylece BT ekiplerinin bilinçli kararlar almasına ve olumsuz sonuçlardan kaçınmasına yardımcı olur.

Bu proaktif yaklaşım, kesinti riskini en aza indirir ve değişiklikler sırasında daha sorunsuz geçişler sağlar. Ayrıntılı bir etki değerlendirmesi sunan yapay zeka, değişikliklerin daha etkili planlanmasını ve yürütülmesini sağlayarak daha istikrarlı ve dayanıklı bir BT altyapısı oluşturur.

5. İş akışı ve süreç otomasyonu

İş akışı otomasyonu:

İş akışı otomasyonu, BT personeli için genellikle zaman alıcı olan rutin ve tekrarlayan görevleri otomatikleştirmek için yapay zekanın kullanılmasını içerir.

Süreç otomasyonu:

Süreç otomasyonu, başlangıçtan tamamlanmaya kadar tüm süreçleri otomatikleştirerek iş akışı otomasyonunu bir adım öteye taşır. Bu; yazılım dağıtımı, kullanıcı işe alımı ve sistem yedeklemeleri gibi süreçleri içerebilir. Yapay zeka araçları her adımın doğru şekilde yürütülmesini sağlamak için bu süreçleri uçtan uca yönetebilir.

Örneğin kullanıcı işe alım sürecinde yapay zeka sistemleri kullanıcı hesaplarını otomatik olarak oluşturabilir, uygun erişim izinlerini atayabilir ve gerekli yazılım uygulamalarını dağıtabilir.

Süreç otomasyonu ayrıca süreç performans verilerini analiz ederek, darboğazları belirleyerek ve iyileştirmeler önererek süreçleri sürekli izleme ve optimize etme becerisini de içerir.

Gerçek hayattan örnek: Ross School of Business ile SysAid

Michigan Üniversitesi Ross School of Business, kurumu otomatik iş akışları ve merkezi varlık yönetimi. ile desteklemek için SysAid ile iş birliği yaptı.

Bu iş birliği; talep gönderme süresinde %54 azalma, kapsamlı bir bilgi tabanı aracılığıyla gelişmiş iş birliği ve merkezi işgörüler yoluyla daha iyi planlama ve bütçeleme sağladı. Ross IT, ileriye dönük olarak daha fazla olay yönetimi faaliyetini desteklemek ve kapsamlı çalışan iş akışları oluşturmak için SysAid entegrasyonunu genişletmeyi planlıyor.

Gerçek hayattan örnek: St. George ile SysAid

ABD'nin en hızlı büyüyen belediyesi olan St. George, hızlı genişleme ve sınırlı kaynaklar nedeniyle önemli BT hizmet yönetimi zorluklarıyla karşılaştı.

SysAid'i uygulayarak yama yönetimi, varlık takibi ve talep yönetimi gibi kilit süreçleri otomatikleştirdiler; bu da yazılım yama başarı oranlarında %90 iyileşme ve Ortalama Çözüm Süresinde (MTTR) %20 azalma sağladı.

Copilot’un Chatbot ve Emailbot’u da dahil olmak üzere SysAid’in yapay zeka destekli araçları, son kullanıcıların sorunları bağımsız olarak çözmelerini sağladı. Bu geçiş; BT ekibinin reaktif yönetimden proaktif yönetime geçmesini sağlarken üretkenliği artırdı.

Öngörücü önlemler ve izleme

6. Öngörücü analitik

Yapay zeka modelleri, ortaya çıkmadan önce ekipman arızalarını tahmin edebilir ve böylece BT ekiplerini proaktif bakıma yönlendirir. Makine öğrenimi tekniklerinin geleneksel katı hesaplama yöntemlerine kıyasla genellikle daha iyi performans gösterdiği ve üstün sonuçlar ürettiği göz önüne alındığında, bu öngörücü yaklaşım kritik öneme sahiptir.

Yapay zeka destekli ITSM araçları; iş akışlarını otomatikleştirerek, zamanlamaları yöneterek ve yaklaşan görevler için bildirimler göndererek ekipman ömrünü uzatmayı ve kesintisiz BT hizmet yönetimi operasyonları sağlamayı amaçlar.

Öngörücü analitiği kullanan kuruluşlar, geçmiş ve gerçek zamanlı verileri kullanarak gelecekteki performansı ve olası arızaları tahmin edebilir. Bu süreç, bakım faaliyetleri için karar alma süreçlerini ve kaynak tahsisini destekler.

Yapay zeka aracılığıyla sürekli BT altyapısı sağlığı izleme, anormallikleri tespit eder ve BT ekiplerine erken uyarılar sağlayarak olası sorunları büyümeden önce ele almalarını sağlar.

Gerçek hayattan örnek: BMC Helix AIOps

BMC Helix AIOps; altyapı, uygulamalar, ağlar ve üçüncü taraf izleme araçları gibi birden çok BT kaynağından gelen olayları analiz eder ve bunları zamanlama, topoloji, imzalar ve olay mesajları gibi faktörlere göre “durumlar” halinde ilişkilendirir. Bu, ekiplerin izole uyarılardan gerçek hizmet etkisini yansıtan gruplandırılmış olaylara geçmesine yardımcı olur.

Platform iki ana durum türünü destekler: politika tabanlı durumlar (BMC Helix Operations Management'ta önceden tanımlanmış olay politikalarından oluşturulur) ve ML tabanlı durumlar (AI/ML ilişkilendirmesi kullanılarak otomatik olarak oluşturulur). ³

Gerçek hayattan örnek: ServiceNow Predictive Intelligence

ServiceNow Predictive Intelligence, görevleri yönetmek için sonuçları tahmin etmek ve eylemler önermek amacıyla geçmiş verilerden yararlanır; örneğin olayları ve talepleri kategorilere ayırma, yönlendirme ve önceliklendirme gibi.

Predictive Intelligence; tekrarlayan sorunlar veya olası darboğazlar gibi kalıpları tanımlayabilir ve hizmet verimliliğini artırmak için önerilerde bulunabilir.

Bu özellik; tekrarlayan görevleri otomatikleştirerek ve sorunları büyümeden önce tahmin ederek kuruluşların manuel işleri azaltmasına, hataları en aza indirmesine ve yanıt sürelerini iyileştirmesine yardımcı olur.⁴

7. Performans yönetimi

Yapay zeka destekli performans yönetimi, BT kaynaklarını ve hizmetlerini şu yollarla optimize etmeye odaklanır:

Kapasite planlama: Yapay zeka kullanım kalıplarını analiz eder ve gelecekteki kaynak gereksinimlerini tahmin eder. Bu, kuruluşların etkili kapasite planlaması ve kaynak tahsisi yapmasına yardımcı olarak gelecekteki talepleri aşırı tedarik olmadan karşılamalarını sağlar.

Performans optimizasyonu: Yapay zeka araçları BT hizmetlerinin performansını sürekli olarak izler ve optimize eder. Performans metriklerini gerçek zamanlı olarak analiz eden yapay zeka teknolojisi, iyileştirme alanlarını belirler ve operasyonel verimlilik ile kullanıcı memnuniyetini artırmak için değişiklikler uygular. Bu sürekli optimizasyon, BT hizmetlerinin sorunsuz ve etkili şekilde çalışmasını sağlar.

8. Güvenlik yönetimi

Yapay zeka araçlarıyla güvenlik yönetimi; BT sistemlerini tehditlere karşı korumaya ve uyumluluğu sağlamaya odaklanır:

Tehdit tespiti:

Tehdit tespiti; güvenlik tehditlerini gerçek zamanlı olarak tespit etmeyi ve bunlara yanıt vermeyi içerir. Yapay zeka, kalıpları ve anormallikleri analiz ederek olası ihlalleri belirleyebilir ve riskleri azaltmak için derhal harekete geçebilir. Bu proaktif yaklaşım, kuruluşun güvenlik durumunu önemli ölçüde iyileştirir.

Uyumluluk izleme:

Uyumluluk izleme; BT ortamlarının politika ve düzenlemelere uygunluk açısından izlenmesini içerir. Bu yaklaşım, kuruluşların sektör standartlarıyla uyumlu kalmasını sağlar ve yasal ve düzenleyici sorun riskini azaltır.

Yapay zeka destekli uyumluluk izleme, sürekli gözetim sağlayarak kuruluşların güvenli ve uyumlu bir BT altyapısı sürdürmesine yardımcı olur.

Gerçek hayattan örnek: Databricks ile Freshservice

Lider bir yapay zeka ve veri analitiği şirketi olan Databricks, kesinti süresini azaltmak ve ölçeklenebilirliği artırmak için BT hizmet operasyonlarını geliştirmeye ihtiyaç duydu.

Freshservice'i kod gerektirmeyen yetenekleri ve yapay zeka destekli otomasyonu için seçtiler. Uygulama, %23 self-servis yönlendirme oranıyla sonuçlandı; böylece BT personelinin iş yükü azaldı ve verimlilik arttı.

Freshservice ile iş birlikleri, Databricks’in çözümü İK ve hukuk dahil sekiz farklı departmana genişletmesini ve çalışan desteği için birleşik bir merkez oluşturmasını sağladı.

Bu geçiş; çalışan deneyimini iyileştirdi, operasyonları destekledi ve BT maliyetlerini azalttı.

Self-servis ve ajan performansı kullanım alanları

9. Sanal asistanlar ve chatbot'lar

Sanal asistanlar ve chatbot'lar; kişiselleştirilmiş ve verimli destek sağlayarak ITSM deneyimini destekler. Yapay zeka destekli sistemler, kullanıcıların rollerine, tercihlerine ve geçmişlerine göre yanıtları ve çözümleri kişiye özel hale getirebilir; böylece kullanıcı memnuniyetini ve BT desteğinin etkinliğini artırabilir.

Duygu analizi ve doğal dil işleme (NLP), kullanıcı geri bildirimini analiz etmeye ve BT hizmetleri ile desteğinde iyileştirme alanlarını belirlemeye yardımcı olur. Bu yaklaşım, kuruluşların kullanıcı ihtiyaçlarını daha iyi anlamasına ve hizmet kalitesini artırmasına yardımcı olur.

Yapay zeka destekli chatbot'lar, 24/7 gerçek zamanlı destek sağlar; sık sorulan soruları yanıtlar ve rutin sorunları insan müdahalesi olmadan çözer; böylece sürekli destek kullanılabilirliğini sağlar ve bekleme sürelerini azaltır.

Ayrıca sanal asistanlar, sorun giderme adımları boyunca kullanıcılara rehberlik edebilir; böylece daha etkileşimli ve verimli bir destek deneyimi sunarken sorunları çözme süresini azaltır ve genel kullanıcı memnuniyetini artırır.

Self-servis portalları:

Self-servis portalları; kişiye özel destek sunmak için kullanıcı profillerini, geçmiş etkileşimleri ve yaygın sorunları analiz etmek amacıyla yapay zekadan yararlanır. Bir kullanıcı oturum açıp sorununu tanımladığında yapay zeka araçları, geçmişte benzer sorunları çözmüş ilgili bilgi tabanı makalelerini, SSS'leri veya otomatik çözümleri önerebilir.

Örneğin bir kullanıcı sık sık yazılım kurulumu talep ediyorsa self-servis portalı bu tercihi hatırlayabilir ve kurulum prosedürlerine hızlı erişim veya gerekli yazılımı indirmek için doğrudan bağlantılar sağlayabilir.

Gerçek hayattan örnek: Fundrise ile Risotto chatbot

Fundrise, çalışan desteğini iyileştirmek ve manuel talep işlerini azaltmak için düşük performans gösteren bir BT chatbot'unu Risotto ile değiştirdi.

Doğrudan Slack ile entegre olan Risotto, çalışanların normal iş akışlarından ayrılmadan yanıt almasına, erişim talep etmesine ve onayları tamamlamasına yardımcı oldu. Bir ay sonra Risotto, BT taleplerinin %33’ini otomatik olarak çözdü ve %26’sında daha yardımcı oldu; böylece destek görevlerinin yaklaşık %60’ını otomatikleştirdi.

Fundrise ayrıca Risotto'nun günlük ekip etkileşimlerinden öğrenme, dokümantasyonu azaltma ve esnek onay iş akışları aracılığıyla erişim sağlamayı destekleme becerisine değer verdi.⁵

Gerçek hayattan örnek: ManageEngine’in Zia AI Sanal Ajanı

ManageEngine’in Zia AI Sanal Ajanı, bir LLM arayüzü aracılığıyla çok turlu konuşmaları destekler; böylece kullanıcılar menülerde elle gezinmeden soru sorabilir ve görevler gerçekleştirebilir.

Zia; bağlamı anlayabilir, anında yanıtlar sağlayabilir ve dahili bilgi tabanlarından veya bağlı büyük dil modellerinden elde edilen işgörüleri özetleyebilir. Takip sorularında sürekliliği korur ve konuşmaya dayalı istemlere göre durum güncelleme, not ekleme veya talepleri kapatma gibi talep eylemlerini destekler.

Zia ayrıca çok modlu girişi destekler (metin, ses, görüntüler) ve takip sorguları için konuşma bağlamını korur.⁶

Gerçek hayattan örnek: Freshservice Freddy AI

Freddy AI Copilot; Freshservice (Pro/Enterprise) ve Freshservice for Business Teams için bir yapay zeka eklentisidir. Talep işlemeyi otomatikleştirerek, yanıt kalitesini artırarak ve BT, İK, finans, hukuk ve pazarlama gibi departmanlarda hizmet sunumunu hızlandırarak BT ve iş ekiplerinin tekrarlayan işleri azaltmasına yardımcı olur.

Temel yetenekler şunlardır:

• Talep özetleme ve çözüm notu oluşturma
• Yanıt önerileri (çok dilli destek dahil) ve yazım yardımı
• Benzer olay tespiti ve RCA için ilgili değişiklik önerileri
• Alan otomatik doldurma ve talep çevirisi
• Bilgi makalesi oluşturma ve içerik önerileri
• Olay sonrası rapor oluşturma ve test senaryosu oluşturma

Freddy Copilot; İngilizce, Almanca, Fransızca, İspanyolca, Felemenkçe, İsveççe ve Portekizce (Brezilya) dahil olmak üzere birden çok dili destekler; ancak Similar Incident Suggester şu anda yalnızca İngilizcedir.⁷

Şekil 2: Freshservice Freddy AI copilot paneli.

Gerçek hayattan örnek: Jira Service Management Sanal Ajanı

Jira Service Management Sanal Ajanı, rutin destek görevlerini otomatikleştirerek BT desteğini geliştirir. Yapay zeka destekli bu sanal ajan, kullanıcı taleplerini anlamak ve yanıtlamak için NLP kullanarak, niyet, duygu ve bağlamı tespit edip kişiselleştirilmiş etkileşimler sunmak amacıyla Slack dahil platformlarla entegre olur.

Sanal ajan; yaygın sorunları ele alabilir, sık sorulan soruları yanıtlayabilir ve insan ajanların daha karmaşık görevlere odaklanabilmesi için destek taleplerini yönetebilir. Daha karmaşık problemlerde sanal ajan, bağlamı kaybetmeden talep oluşturabilir ve konuşmayı bir insan ajana devredebilir.

Otomasyona ek olarak Rovo ajanları (agentic AI ekip arkadaşları); ilgili olayları, değişiklik risklerini, olası kök nedenleri, önerilen yanıtlayıcıları ve önerilen playbook'ları ortaya çıkararak BT operasyon ekiplerine yardımcı olur. Rovo ajanları ayrıca taslak Olay Sonrası İncelemeleri (PIR’ler) oluşturabilir ve olay müdahalesi sırasında otomasyon iş akışlarını tetikleyebilir.

Hizmet ekipleri; çözüm oranları, bilgi eksiklikleri ve yapay zeka önerili bilgi makalesi oluşturma dahil iyileştirme fırsatları hakkında işgörüler sağlayan yapay zeka destekli bir performans paneliyle yapay zekanın etkinliğini izleyebilir ve optimize edebilir.

Platform ayrıca şablonlar kullanarak özelleştirilebilir niyet akışlarını, “Bilgi iste” ve “Web talebi” gibi adımları ve çözüm sürelerini hızlandırıp hizmet sunum verimliliğini artırmak için ajan iş akışlarına gömülü yapay zeka önerilerini destekler.⁸

Şekil 3: Jira self-servis destek paneli.⁹

10. Bilgi yönetimi

Bu alanda yapay zeka teknolojileri, bilgilerin düzenlenmesini ve erişilebilirliğini şu yollarla destekler:

İçerik düzenleme:

Yapay zeka sistemleri; sorgularının bağlamına göre hem BT personeline hem de son kullanıcılara ilgili bilgi tabanı makalelerini derleyip önerebilir. Bu, kullanıcıların gerekli bilgiye hızlıca ulaşmasını ve sorunları bağımsız olarak çözme becerilerinin artmasını sağlar.

Doküman analizi:

Doküman analizi; büyük hacimli dokümantasyonun analiz edilmesini ve kategorilere ayrılmasını içerir. Bu süreç, kullanıcıların bilgiyi bulmasına ve kullanmasına yardımcı olurken bilgi yönetimi süreçlerinin genel verimliliğini de artırır.

Yapay zeka destekli ITSM araçları, dokümanları düzenleyip sezgisel kategoriler oluşturarak kritik bilgilere daha kolay erişim sağlar; böylece üretkenliği artırır ve çözüm aramak için harcanan zamanı azaltır.

Gerçek hayattan örnek: Nebula ITSM ile Otonom Bilgi Oluşturma

Nebula ITSM, özel entegrasyonlara veya kapsamlı manuel çabaya gerek kalmadan birden çok BT sisteminden, uygulamadan ve veritabanından otomatik olarak veri toplar.

Sistem, bilgi tabanı için bütünleşik bir bilgi ağı oluşturmak amacıyla veriler içindeki ilişkileri ve bağımlılıkları tanımlar.

Sistem, bilgi grafiğini sürdürmek veya oluşturmak için BT personelinin manuel düzenlemesine veya müdahalesine ihtiyaç duymaz. Bu; daha hızlı dağıtım, azaltılmış operasyonel maliyet ve yeni veriler geldikçe insan uzmanların süreci sürekli denetlemesine gerek kalmadan sürekli öğrenme ve uyum sağlama becerisiyle sonuçlanır.¹⁰

11. Varlık yönetimi

Yapay zeka ile BT varlık yönetimi; varlık yaşam döngüsü yönetiminin çeşitli yönlerini otomatikleştirmeye ve optimize etmeye odaklanır.

Otomatik envanter takibi, doğru ve gerçek zamanlı varlık kayıtları sağlar; manuel çabayı azaltır ve veri doğruluğunu artırır.

Yapay zeka araçları aynı zamanda varlıkların ne zaman bakıma veya değişime ihtiyaç duyacağını tahmin edebilir; böylece varlıkların yaşam döngüsünü optimize eder. Bu öngörücü yaklaşım, planlama ve kaynak tahsisinde yardımcı olarak varlıkların iyi korunmasını ve çalışır durumda olmasını sağlar.

Ayrıca yapay zeka araçları; varlıklarla ilgili yetkisiz erişimi veya olağan dışı etkinliği tespit ederek varlık güvenliğini artırır ve ek bir koruma katmanı sağlar.

Yapay zeka destekli analitikler; varlık kullanımına ilişkin işgörüler sunarak kuruluşların bilinçli kararlar almasına ve maliyet tasarrufu sağlamasına yardımcı olur.

Gerçek hayattan örnek: Yapay Zeka ile Ivanti Neurons Self-Healing

Self-healing; sistemlerin BT altyapısındaki sorunları manuel müdahale gerektirmeden otomatik olarak tespit etme, teşhis etme ve çözme becerisini ifade eder.

Self-healing şu yollarla sağlanır:

• Proaktif izleme: Ivanti Neurons; uç noktalar ve sunucular gibi BT varlıklarını sürekli izler ve anormallikleri gerçek zamanlı olarak tespit etmek için yapay zekayı kullanır. Performans düşüşü, güvenlik açıkları veya arızalar gibi olası sorunları büyümeden önce belirler.
• Otomatik teşhis: Bir sorun tespit edildiğinde Ivanti’nin yapay zeka sistemi; günlükleri, yapılandırmaları ve kalıpları analiz ederek kök nedeni belirlemek için otomatik olarak teşhis çalıştırır.
• Otomatik iyileştirme: Sorunu teşhis ettikten sonra sistem; yama uygulama, hizmetleri yeniden başlatma veya komut dosyaları çalıştırma gibi otomatik düzeltmeler başlatır. Süreç, daha hızlı çözümler sağlamak için insan müdahalesi olmadan tamamlanır.
• Uç nokta yönetimi: Ivanti’nin self-healing özelliği özellikle uç noktalar için etkili olabilir; cihazları izler ve güvenlik açıkları ile yanlış yapılandırmalar gibi sorunları otomatik olarak çözer.¹¹

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

ITSM'de yapay zekadan yararlanmanın faydaları nelerdir?

Yapay zeka hizmet yönetimi araçlarını kullanmak; BT operasyonlarının verimliliğini, doğruluğunu ve genel etkinliğini artırabilecek çok sayıda fayda sunar. İşte ITSM için yapay zeka teknolojilerinin bazı temel avantajları:

• Yapay zeka; talep oluşturma, kategorilere ayırma ve yönlendirme gibi tekrarlayan ve zaman alıcı görevleri otomatikleştirebilir. Bu, BT personelinin manuel iş yükünü azaltarak daha karmaşık ve stratejik görevlere odaklanmalarını sağlar.

• Yapay zeka sistemleri; insan hatasını en aza indirmek için tutarlı yanıtlar ve eylemler sağlayabilir. Bu özellikle olay sınıflandırma, kök neden analizi ve çözüm önerileri gibi rutin görevlerde faydalıdır.

• Chatbot'lar ve sanal asistanlar; kullanıcı memnuniyetini artırırken sürekli hizmet kullanılabilirliği sağlar ve yanıt sürelerini azaltır. Bu yapay zeka araçları, artan talep hacimlerini karşılayacak şekilde ölçeklenebilir; bu da onları büyük ve büyüyen kuruluşlar için ideal kılar.

• Yapay zeka sistemleri; BT yöneticilerinin bilinçli kararlar almasını desteklemek için büyük miktarda veriden değerli işgörüler üretir.

• Rutin görevleri otomatikleştirerek ve kapsamlı insan müdahalesi ihtiyacını azaltarak yapay zeka sistemleri maliyet tasarrufu sağlayabilir. Bu sistemler; kaynak kullanımını optimize eder ve BT hizmetlerini yönetmekle ilişkili operasyonel maliyetleri azaltır.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{En İyi 11 ITSM'de Yapay Zeka Kullanım Alanları ve Örnekleri}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-in-itsm}},
  note   = {AIMultiple. Erişim tarihi: 18 Haziran 2026}
}

Değişiklik günlüğü

4 güncelleme

1. 202619 Şub

   Tahmine dayalı analitik bölümüne BMC Helix AIOps için gerçek hayattan bir örnek eklendi.

2. 20255 Kas

   AI-native ITSM" bölümü eklendi.

3. 8 Eki

   Olay yönetimi bölümünde BMC HelixGPT ürünü SolarWinds Service Desk ile değiştirildi.

4. 202416 Ağu

   Örnekler arasına BMC HelixGPT, ServiceNow Predictive Intelligence, Nebula ITSM ve Ivanti Neurons Self-Healing with AI eklendi.

Referans Linkleri

1.

How Atomicwork transformed Ammex Corp's service management with AI

2.

Customers: See How SysAid Transforms Businesses - SysAid

SysAid ITSM Platform

3.

Monitoring and investigating situations - BMC Helix Documentation

4.

Predictive Intelligence - ServiceNow

5.

Fundrise Transforms IT Support with Risotto's Automation

Risotto

6.

Zia AI virtual agent for service desk: Smarter IT ticket support

ManageEngine

7.

Configure Freddy AI Copilot features : Freshservice Support

8.

AI in action: the next chapter for Jira Service Management - Inside Atlassian

9.

Rovo AI Features in the Service Collection | Atlassian | Atlassian

10.

Nebula for IT Service Intelligence

11.

AI for ITSM | Ivanti

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da yapay zeka model'lerini, yapay zeka altyapısını, yapay zeka yönetişimini ve kurumsal yapay zeka uygulamalarını ele alan bir sektör analistidir. Araştırmaları çoğunlukla yapay zekanın pazarlama, sağlık hizmetleri, tedarik zincirleri ve sürdürülebilirlik alanlarındaki kullanımına odaklanmaktadır.
Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalıştı. Sıla, Sosyal Psikoloji alanında yüksek lisans derecesine ve Uluslararası İlişkiler alanında lisans derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder