ServiceNow وAtlassian تقودان سوق ITSM نحو منصات الذكاء الاصطناعي بدلًا من الحلول الجاهزة

السؤال الرئيسي في ITSM عام 2026 لم يعد وجود ميزات الذكاء الاصطناعي بحد ذاته، بل نوع البنية المعمارية التي بُنيت عليها. فخلال السنوات الثلاث الماضية، انتقل السوق من روبوتات دردشة بسيطة تكتفي بتخمين فئة التذكرة إلى طبقة ذكاء اصطناعي مدمجة في منصة الخدمات نفسها. واليوم يشارك الذكاء الاصطناعي في توجيه الطلبات، ويتنبأ بالحوادث، ويغلق الطلبات النمطية تلقائيًا، ويُعدّ تقارير ما بعد الأعطال (postmortem). وصار الأثر العملي ملحوظًا أيضًا: فالشركات التي تعتمد ممارسات ITSM تنبؤية تتعافى من الحوادث أسرع بنحو مرتين من تلك التي لا تزال تعتمد على المعالجة اليدوية.

وفي ظل ذلك انقسم السوق إلى نهجين. الأول قائم على المنصات: تحصل الشركة على طبقة ذكاء اصطناعي مفتوحة يمكنها فيها ربط نماذج LLM مختلفة، وبناء وكلائها الخاصين، وتحديد السياسات والحدود والتدقيق لكل إجراء. هذا الخيار أعقد وأطول في التطبيق، لكنه مناسب للسيناريوهات التي يجب أن يعمل فيها الذكاء الاصطناعي في عدة إدارات في آن واحد، وأن يراعي متطلبات الأمان، وأن يُشغَّل عند الحاجة داخل بيئة مغلقة. والثاني هو النهج الجاهز: الذكاء الاصطناعي مدمج في المنتج أصلًا ويوفر انطلاقة سريعة مع سيناريوهات جاهزة، مثل تصنيف التذاكر، واقتراحات للمشغّل، وتلخيص المحادثات، ومساعد افتراضي. هذا الخيار أبسط، لكن مساحة التخصيص والتوسع فيه تكون عادةً محدودة بخارطة الطريق (roadmap) التي تضعها الشركة المزوِّدة.

تقدّم ServiceNow حاليًا أفضل نموذج للنهج القائم على المنصات. فطبقة الذكاء الاصطناعي لديها توحّد ITSM والموارد البشرية والمالية وإدارة علاقات العملاء (CRM)، وتدعم النماذج الخاصة بها ونماذج الأطراف الثالثة، وتتيح بناء مهارات ووكلاء مخصصين. لكن ثمن هذه المرونة مرتفع: فإمكانات الذكاء الاصطناعي المتقدمة تُرخَّص بشكل منفصل، وقد يمتد التطبيق أشهرًا.

أما Atlassian فتراهن على Rovo، وهي طبقة ذكاء اصطناعي مشتركة فوق Jira وConfluence وJira Service Management. وتكمن قوتها في السياق: فالوكلاء يرون الروابط بين المهام والصفحات والرسائل والتطبيقات الخارجية، ولذلك لا يقتصر دورهم على الإجابة، بل يمكنهم تنفيذ إجراءات داخل العمليات القائمة. والقيد هنا بسيط: إذا كانت المؤسسة تعمل خارج منظومة Atlassian، يضعف أثر هذا النهج بشكل ملحوظ.

ويبدو BMC Helix الخيار الأكثر توازنًا، إذ يجمع بين بنية المنصة ومجموعة غنية من وكلاء الذكاء الاصطناعي الجاهزين. ويمكن نشر HelixGPT في السحابة أو داخل المؤسسة (on-premise)، ويختار العميل بنفسه مزوِّد LLM. وهذا مهم خصوصًا للشركات الكبرى التي تحتاج إلى الاستقلال عن نموذج واحد وإلى التحكم في بياناتها.

أما Freshservice فتبقى، على العكس، مثالًا على النهج الجاهز: يُطلَق Freddy AI بسرعة، ويغلق الطلبات النمطية عبر Slack وTeams وبوابة الخدمة، ويُقاس time-to-value بالأسابيع لا بالفصول. لكن القيود هنا نموذجية للحلول الجاهزة: فالذكاء الاصطناعي يعمل أساسًا مع البيانات الموجودة داخل النظام نفسه، ولا يناسب السيناريوهات المعقدة العابرة للوظائف.

وتحاول Ivanti شغل موقع وسيط عبر الجمع بين ITSM وإدارة نقاط النهاية والأمان، لكن توجهها في الذكاء الاصطناعي الوكيلي (agentic AI) لم يخرج بعدُ بالكامل من مرحلة الوعود.

وبالنسبة إلى السوق الروسية، يكتسب هذا الجدل طابعًا عمليًا خاصًا. فالمنظومات السحابية الغربية والاتفاقيات مع كبار مزوّدي LLM وسيناريوهات المؤسسات المعتادة ليست متاحة للجميع، بينما لم تختفِ المهام: ما زال القطاع بحاجة إلى إغلاق ذاتي للتذاكر النمطية، والبحث في معارف الشركة، والتصنيف التلقائي، ووكلاء يتصرفون فعلًا لا يكتفون بكتابة الردود. ولذلك تكتسب أهمية متزايدة ميزات النشر داخل المؤسسة (on-premise)، وسجل كامل لإجراءات النموذج، والوصول إلى وظائف الذكاء الاصطناعي حسب الأدوار، وإمكانية استبدال نموذج بآخر دون إعادة كتابة العمليات. وحول هذه المتطلبات تحديدًا تُبنى حاليًا المنصات المحلية مثل SimpleOne، التي لا تراهن على زر جاهز واحد، بل على بنية تحتية للذكاء الاصطناعي خاضعة للإدارة.

الخلاصة بسيطة: يتحرك سوق ITSM الجاهز للذكاء الاصطناعي من مجموعة ميزات لافتة إلى بنية تحتية ذات حوكمة (governance) واضحة. فإذا احتاجت شركة إلى نتيجة سريعة لفريق خدمة صغير، فقد يظل المنتج الجاهز هو الخيار الأفضل. أما إذا كان على الذكاء الاصطناعي أن يعمل في عدة إدارات، وأن يراعي البيانات الحساسة، وأن يجتاز التدقيق، وأن يتغير مع سوق النماذج، فيصبح النهج القائم على المنصات هو الحاسم. وفي عام 2026 لن يربح الموردون الذين لديهم روبوتات دردشة أكثر في القائمة، بل أولئك القادرون على منح الأعمال التحكم في كل إجراء يتخذه الذكاء الاصطناعي.