لماذا ServiceNow و Atlassian و BMC يعيدون تشكيل سوق ITSM والنقاش حول المنصات في 2026

النقاش حول ما يجب أن تكون عليه ITSM الجاهزة للذكاء الاصطناعي في عام 2026 لا يتعلق بعد الآن باختيار روبوت محادثة لدعم المستوى الأول، بل يتعلق بالعمارة. طورت السوق نهجين: الأدوات المعبأة التي تحقق نتائج سريعة في المهام القياسية، والمنصات حيث يصبح الذكاء الاصطناعي طبقة منفصلة مدارة بتدقيق وسياسات وصول واختيار نماذج والقدرة على تشغيل عوامل مستقلة ضمن العمليات التجارية. على مدى السنوات الثلاث الماضية، تغير دور الذكاء الاصطناعي في أنظمة الخدمات بشكل ملحوظ.

إذا كان يُستخدم في السابق في الغالب لتصنيف الطلبات وتقديم اقتراحات للمشغل، فإن موردي ITSM يتحدثون الآن عن التوجيه التنبؤي والإغلاق التلقائي للطلبات القياسية وإنشاء التقارير اللاحقة والسيناريوهات حيث لا يقتصر العامل على الرد فحسب، بل ينفذ أيضاً إجراءات ضمن الأذونات المعينة. هذا بالضبط هو السبب في أن التركيز قد تحول من الميزات الفردية إلى مسألة مدى إمكانية إدارة وأمان وقابلية توسع هذه البنية الأساسية للذكاء الاصطناعي بالكامل. تسلط المقالة الضوء على سيناريوهين أساسيين.

النهج المعبأ مصمم للنشر السريع: تحصل الشركة على وظائف مدمجة مثل ملخص التذاكر واقتراحات الإجابات ومساعد افتراضي والتصنيف التلقائي، والتنفيذ عادةً يستغرق أسابيع فقط. العيب هو أن خيارات التخصيص محدودة، والتطوير يعتمد على خريطة الطريق للمورد. يتطلب نهج المنصة المزيد من الوقت والموارد للبدء، لكنه يوفر بدلاً من ذلك أدوات لبناء عوامل مخصصة وربط نماذج LLM مختلفة وتكاملات API وتدقيق إجراءات مفصل وفي بعض الحالات التشغيل ضمن محيط محلي.

يعتبر هذا الخيار أكثر جاذبية للمؤسسات الكبرى حيث يجب أن يخدم الذكاء الاصطناعي ليس فقط مكتب خدمة واحد بل عدة أقسام برقائق مختلفة. من بين الفاعلين العالميين، يتم مناقشة ServiceNow و Atlassian و BMC Helix كأمثلة منصات أكثر نضجاً. يبني ServiceNow طبقة ذكاء اصطناعي فوق نظامها البيئي بالكامل ويقدم أدوات لإنشاء مهارات وعوامل مخصصة، لكن القدرات الموسعة تتطلب دفع منفصل، والتنفيذ يمكن أن يكون طويلاً ومعقداً.

تراهن Atlassian على Rovo، وهي إضافة فوق Jira و Confluence و Jira Service Management، حيث تنشأ القيمة من رسم بياني بيانات موحد وتكامل وثيق مع سير العمل الحالي. يحتل BMC Helix موقفاً وسيطاً: لديه مكون منصة متطور وعدد غني من العوامل الجاهزة، بالإضافة إلى القدرة على العمل في السحابة وضمن محيط الشركة. في الطرف الآخر من الطيف توجد حلول معبأة أكثر مثل Freshservice.

ميزتها الرئيسية هي سرعة تحقيق النتائج: يتم أتمتة العمليات القياسية بسرعة، ويمكن تفعيل الذكاء الاصطناعي المدمج دون تحضير معماري ثقيل. لكن البساطة تأتي بتكلفة سياق محدود: يعمل النظام بشكل جيد مع البيانات الموجودة بالفعل داخل المنتج، لكنه أقل ملاءمة للسيناريوهات المعقدة بين الأنظمة والتخصيص العميق لسياسات الشركة. يتم عرض Ivanti في هذا الاستعراض كلاعب عند تقاطع كلا النموذجين: تجمع الشركة ITSM وإدارة نقاط النهاية والأمان، لكن اتجاهها الذكاء الاصطناعي الوكيل لا يزال قيد التطوير ولا يبدو ناضجاً مثل قادة السوق.

تتعلق طبقة منفصلة من النقاش بسوق روسيا. هنا، غالباً ما يتم تحديد الاختيار ليس فقط من خلال الميزانية وجدول الزمنية للتنفيذ، بل أيضاً بمتطلبات النشر المحلي وتخزين البيانات الحساسة والاستقلالية عن موفر نماذج غربي معين. لذلك، بالنسبة للعملاء الروس، تبدو حجج نهج المنصة قوية بشكل خاص: من المهم النشر المحلي (on-premise) وتدقيق الطلبات والإجابات وإدارة الحدود ونموذج الوصول القائم على الأدوار والقدرة على استبدال نموذج LLM بآخر دون إعادة كتابة العمليات.

كمثال محلي، يستشهد المؤلف بـ SimpleOne، حيث يركز التركيز بالضبط على هذه العمارة: محيط محلي وتسجيل كل استدعاء نموذج والتجريد فوق نماذج LLM المختلفة والعمليات الذكاء الاصطناعي البصرية لسيناريوهات مكتب الخدمة القياسية. الخلاصة الرئيسية للمقالة هي أن سوق ITSM مع الذكاء الاصطناعي يتحرك بعيداً عن عرض ميزات "ذكية" فردية نحو مناقشة البنية الأساسية الناضجة. بالنسبة لمكتب خدمة صغير أو متوسط، قد تكون الحل المعبأ لا يزال الخيار الأفضل إذا كان النشر السريع مطلوباً والأتمتة القياسية كافية.

لكن بالنسبة للشركات الكبيرة، خاصة في الصناعات المنظمة، يصبح العامل الحاسم ليس مجرد وجود الذكاء الاصطناعي، بل القدرة على إدارته: فهم النموذج الذي يتم استخدامه وأين تتم معالجة البيانات ومن يتحمل مسؤولية إجراءات العامل وكيفية سهولة تكييف النظام مع المتطلبات الجديدة.