Die Service Economy ist Realität: Nutzer:innen und Fachbereiche bewerten Services heute nach Geschwindigkeit, Transparenz, Qualität und Experience. Gleichzeitig wird Künstliche Intelligenz (KI) nicht länger nur als Zusatzfunktion verwendet. Sie greift zunehmend in Analysen, Entscheidungen und in manchen Fällen auch in Aktionen ein.
Genau deshalb reichen klassische, ticketzentrierte und stark manuelle ITSM/ESM-Modelle heute oft nicht mehr aus. Aktuelle ITIL-Guidance betont Governance, Zusammenarbeit, Evidenz und AI-enabled Service Activities. ISO/IEC 20000 verankert Service Management als System für Planung, Bereitstellung und kontinuierliche Verbesserung. Und Forrester beschreibt den traditionellen, tierbasierten Service Desk mit manuellen Workflows als nicht mehr ausreichend für die Anforderungen einer digital-first Belegschaft.
Wenn wir in diesem Beitrag von AI-nativem Service Management sprechen, geht es nicht darum, KI als zusätzliche Funktion in bestehende Prozesse einzubauen. Gemeint ist ein Service-Management-Modell, in dem KI strukturell im Operating Model mitgedacht wird – von der Nutzung von Daten und Wissen über Entscheidungsunterstützung bis hin zu kontrollierter Autonomie.
Im klassischen Modell beginnt Service meist mit einem Ticket: melden, triagieren, weiterleiten, bearbeiten. Das bleibt für bestimmte Fälle sinnvoll. Es wird aber zum Bremsklotz, wenn Organisationen proaktiv, kontextbezogen und in hoher Frequenz reagieren müssen.
Forrester fordert deshalb ein AI-first-Supportmodell, das von reaktiven Ticketworkflows zu proaktiven, datengetriebenen Abläufen wechselt. Für 2025 prognostizierte Forrester zudem, dass bei 50 Prozent der Unternehmen Self-Service der First-Contact-Einstieg am Service Desk sein würde.
In einem KI-fähigen Operating Model beginnt Service nicht erst mit einem Ticket, sondern mit einem Signal: Telemetrie, Experience-Daten, Ereignisse und Wissenskontext werden korreliert, bevor Nutzerproduktivität sichtbar leidet. Das Ziel ist nicht Automatisierung um der Automatisierung willen, sondern weniger Reibung für Anwender:innen und eine bessere Servicequalität über den gesamten Lebenszyklus.
Genau darin trifft sich die analytische Sicht von Forrester mit der aktuellen ITIL-/ISO-Perspektive auf Service Value, Experience und kontinuierliche Verbesserung.
Praxis-Takeaway: Wenn Ihre Serviceorganisation erst aktiv wird, sobald ein Ticket eröffnet ist, reagieren Sie im KI-Zeitalter zu spät.
Klassisches ITSM/ESM ist historisch für klare Freigaben, definierte Prozesspfade und vorhersehbare Wenn-dann-Logik gebaut. Generative und agentische KI arbeiten jedoch probabilistisch: Sie erzeugen antworten mit Wahrscheinlichkeiten, priorisieren Optionen und können, je nach Freigabemodell, auch Aktionen auslösen.
Deshalb reicht es nicht, KI einfach an bestehende Workflows „anzuschrauben“. Die offizielle ITIL-AI-Governance-Perspektive formuliert diesen Punkt ausdrücklich: Traditionelle IT-Governance ist für KI nicht ausreichend.
Erforderlich sind deshalb klar definierte Autonomiestufen, nachvollziehbare Entscheidungslogiken, menschliche Aufsicht, Logging, Eskalation und Rollback. Hilfreich ist dabei eine klare Unterscheidung zwischen Unterstützung, Freigabe und autonomer Ausführung:
Assist: KI unterstützt, ein Mensch entscheidet.
Approve: KI schlägt vor, die Freigabe bleibt beim Menschen.
Act: KI handelt autonom innerhalb definierter Guardrails.
Das ist nicht nur konsistent mit aktueller ITIL-Governance-Guidance. Es passt auch zu den Anforderungen, die der EU AI Act für höher riskante KI-Systeme rund um Risikomanagement, Datenqualität, Traceability, Dokumentatione und Human Oversight hervorhebt.
Vendor-Dokumentation zeigt parallel, dass agentische Systeme bereits natürliche Sprache verstehen, Aktionen ausführen und mit minimalem menschlichem Input arbeiten sollen – genau dort wo Guardrails unverzichtbar werden.
Praxis-Takeaway: Nicht jede gute KI-Antwort ist schon produktionsreif. Entscheidend ist, welche Antworten nur unterstützen, welche freigegeben werden und welche Aktionen ein System autonom ausführen darf.
Viele KI-Initiativen im Service scheitern nicht an der Idee, sondern an der Betriebsgrundlage: uneinheitliche Kategorien, unklare Servicekontexte, veraltetes Wissen, lückenhafte Worklogs und fragmentierte Tool-Landschaften.
Forrester benennt fehlende Kontextdaten und Silos explizit als Schwächen traditioneller Modelle. Gleichzeitig fordert ISO/IEC 20000 ein Service-Management-System, das Services plant, bereitstellt, überwacht und kontinuierlich verbessert. Dafür braucht es verlässliche Daten.
Für die Praxis heißt das: Nicht maximal viele Daten sammeln, sondern eine belastbare Minimum Viable Truth schaffen. Dazu gehören:
eine tragfähige Taxonomie
saubere Ticket- und Worklog-Qualität
ein klares Service- und Abhängigkeitsmodell
sowie ein gepflegter Knowledge-Lifecycle
Praxis-Takeaway: KI skaliert keine Unordnung und löst sie auch nicht auf. Sie skaliert die Daten- und Wissensqualität, die in Ihrer Organisation bereits vorhanden ist.
Viele ESM-Initiativen bleiben in der Praxis „ITSM-plus“: ein Portal, einige Workflows für HR, Finance oder Facilities, aber weiterhin getrennte Daten, Ziele und Verantwortlichkeiten. Aktuelle ITIL-Guidance setzt bewusst auf Value Co-Creation, den Fluss von Wert über den Service Lifecycle und das Aufbrechen organisatorischer Silos zwischen Service-, Produkt- und Operations-Teams.
Das ist für KI entscheidend. Der Mehrwert entsteht nicht dort, wo ein einzelner Bot einen Einzelschritt beschleunigt. Er entsteht dort, wo Services über Bereiche hinweg orchestriert werden können – entlang von End-to-End-Wertströmen.
Die Experience-Management-Guidance in der ISO/IEC-20000-Familie unterstreicht zusätzlich, dass Servicequalität nicht nur über SLA-Erfüllung, sondern auch über Nutzererlebnis und wahrgenommenen Wert betrachtet werden sollte.
Praxis-Takeaway: ESM wird mit KI erst dann strategisch, wenn Fachbereiche, IT, Operations und Wissen in einem gemeinsamen Servicemodell zusammenarbeiten.
Gerade in Serviceorganisationen wird Governance noch zu oft als nachgelagerter Freigabeblock verstanden. Die aktuellen ITIL-AI-Native-Materialien zeigen jedoch einen deutlichen Governance Gap: 90 % der Organisationen nutzen KI im Tagesgeschäft, aber nur 18 % haben ein vollständig implementiertes KI-Governance-Framework. 82 % setzen bereits KI-Agenten ein, während nur 44 % entsprechende Sicherheitsrichtlinien etabliert haben.
Gleichzeitig macht die offizielle ITIL-AI-Governance-Perspektive deutlich, dass traditionelle IT-Governance allein für KI nicht genügt.
Deshalb gehört Governance in das Design des Operating Models: mit Rollen, Policies, Auditierbarkeit, Berechtigungen, Kontrollpunkten und Feedback-Loops. Wer Governance erst nach dem Piloten nachzieht, verzögert die Produktivsetzung, erhöht Risiko und untergräbt Vertrauen.
Praxis-Takeaway: Wer Governance von Anfang an mitdenkt, bringt KI im Service Management schneller und nachhaltiger in die Praxis.
Selbst ITIL beschreibt modernes Service Management heute über Experience, Value und Outcomes. Service Level Management (SLA) wird dabei nicht nur als Kontrolle technischer Kennzahlen verstanden, sondern als das Setzen geschäftsbasierter Ziele für Utility, Warranty und Experience.
Genau hier liegt die Grenze zwischen klassischer ITSM- und ESM-Logik: Wer vor allem Availability, Uptime oder Resolution Time optimiert, kann formal “grün“ sein und trotzdem an der Nutzerrealität vorbeisteuern.
Forrester beschreibt diese Lücke ausdrücklich als wachsende Diskrepanz zwischen klassischen SLA-Metriken und tatsächlicher Zufriedenheit sowie Business Impact. Was wirklich gebraucht wird sind deshalb experience-orientierte und proaktive Steuerungsgrössen statt rein reaktiver Berichterstattung.
Als allgemeines Steuerungsprinzip gilt: Sobald eine Kennzahl zum Ziel wird, steigt der Anreiz, den Score zu verbessern – auch wenn sich der reale Outcome dadurch nicht verbessert.
Praxis-Takeaway: SLA-Erfüllung ist noch kein Outcome. Erst wenn Services messbar Produktivität erhöhen, Reibung senken und Business Value erzeugen, entsteht echte Service-Exzellenz.
Erfolgreich sind derzeit vor allem Service-Organisationen, die sechs Dinge vor dem Einsatz von KI sauber klären:
Service-First statt Ticket-First
Knowledge als Produkt
Minimum Viable Truth
Autonomiestufen mit Guardrails
Governance by Design
Messung von Experience und Outcomes statt ausschließlicher SLA-Sicht
Diese Stoßrichtung ist konsistent mit aktueller ITIL-Service-Guidance, der ISO/IEC-20000-Systemlogik, Experience-Management-Guidance und dem analystischen Shift hin zu proaktivem, AI-first Service Management.
Haben wir ein klares Service-Portfolio mit Ownership?
Sind unsere wichtigsten Anfrage- und Incident-Typen stabil klassifiziert?
Ist unser Wissen aktuell, genutzt und überprüfbar?
Haben wir definierte Autonomiestufen für Assist, Approve und Act?
Sind Logging, Rollen und Audit-Anforderungen für KI festgelegt?
Messen wir neben MTTR und SLA auch Experience, Vermeidung und Auto-Resolution?
Wer ITSM im KI-Zeitalter weiterentwickeln will, muss deshalb nicht nur einzelne Use Cases bewerten, sondern das zugrunde liegende Operating Model. Genau darum geht es auch im folgenden Video aus unserem „Leadership Circle“: Warum klassische Prozessmodelle an strukturelle Grenzen stoßen, weshalb KI oft nicht die erwartete Wirkung entfaltet – und wie sich Service Management vom reaktiven Prozessmodell zur aktiven Steuerung von Services, Kosten und Business Impact entwickelt.