この本のすべてのメトリクスは、数えられるものを生み出すのに本当の労力が要るという前提に立っています。解決されたチケットは仕事を反映していました。書かれた記事は知識を反映していました。マージされた変更は注意を反映していました。生成AIは、その前提を弱めます。返信、記事、テスト、コードのブロックを数秒で下書きでき、下書きされたものはもっともらしく、時に間違っています。件数は上がります。サービスを受ける人々がより良い状態にあるかは、件数が答えられない別の問いです。

AIはまた、測る新しいものを加えます。ユーザーに代わって行動する対話型のアシスタントとエージェントは、解決、引き継ぎ、間違った行動による害の測定値を必要とします。モデル、プロンプト、供給者のガバナンスは、網羅率、統制、インシデント対応の測定値を必要とします。そして、これらのツールの隣で働く人々は、自分たちのスキル、理解、持続可能なペースを守る必要があります。この部の測定値は、この本の残りに頼っています。防護柵は同じだからです。各メトリクスを、それが隠しうるものの確認と組にし、ベースラインと比較し、人々とともに抽出し、人についてのデータを評価の外に置く(トピック 1.2「グッドハートの法則とメトリクスの心理学」を参照)。

アジャイルとITILの働き方は、これらすべてに対する賢明な姿勢を提供します。AIの各利用を小さな実験として扱う。期待される便益を述べ、意欲ある人々と試し、AIなしで行われた類似の仕事と比較し、証拠に基づいて決める。ステークホルダーを継続的に関与させる。シグナルが劣化したことに最初に気づくのは彼らだからです。節約された時間が、需要の自動的な増加ではなく、品質と学びについての選択になるよう、持続可能なペースを目指す。そして、意欲のある個人を中心に築くという狙いを忘れない。AIは退屈な仕事を軽くして人々の判断を尊重するべきで、彼らを監視する方法になってはいけません。

AIのツール、製品、規則についての事実は、素早く変わります。この部の特定の規制、規格、ツールについての記述は、2026年10月時点のものであり、読み手は再確認するべきです。測定の原則は、それが記述する技術のどれよりも持続的です。

この部はまた、四つのレンズの残りの二つ、自動化とアナリティクスも扱います。自動化とオーケストレーションは、誰が仕事をするかを変え、失敗を速く広くするため、何を取り除き、何を壊すかで測られます。パイプラインは変更とコンプライアンスの証拠の多くを生み出すので、システムとして測られます。アナリティクス、予測、オブザーバビリティは、この本の他のあらゆるところで使われる数字を生み出すので、そのデータ品質、不確実性、コストには独自の測定値が必要です。

この部のトピック

  • 10.1 サービスマネジメントの測定におけるAI:AIが仕事のどこに入るか、導入前のベースライン、比較、確認された結果までの時間、完全なコスト。
  • 10.2 AI支援作業の測定:定着、手戻り、レビューの負荷、流出した欠陥、理解、スキル。
  • 10.3 AIエージェントとチャットボットのメトリクス:検証された解決、再問い合わせ、引き継ぎ、人までの時間、答えの正確さ、エージェントの行動の取り消し。
  • 10.4 メトリクスのインフレと品質の希薄化:量と速度がどう膨らむか、有用性の抽出、検証の負担、フィードバックループを壊すこと。
  • 10.5 AIガバナンスとリスクのメトリクス:利用の台帳、リスクのクラス、モデルとプロンプトの変更統制、評価、監督、インシデント。
  • 10.6 自動化とオーケストレーションのメトリクス:自動化が何を取り除き何を壊すか、意味のある網羅率、失敗とロールバック、ヒューマン・イン・ザ・ループの設計。
  • 10.7 パイプラインと自動化された変更のメトリクス:パイプラインの健全性、自動承認、コードとしてのポリシー、パイプラインが生み出す証拠。
  • 10.8 アナリティクスとデータ品質のメトリクス:完全性、適時性、系譜、突合、数字が示せることと示せないこと。
  • 10.9 予測と予測分析のメトリクス:予測誤差、較正、区間、予測が情報を与える判断。
  • 10.10 オブザーバビリティとテレメトリのメトリクス:ログ、メトリクス、トレースの網羅率、シグナルの質、テレメトリのコスト。

これらのトピックの相互関係

基礎のトピック(トピック 10.1「サービスマネジメントの測定におけるAI」を参照)は、方法を設定します。ベースライン、比較、抽出、完全なコスト。この部の他のすべてのトピックに適用されます。支援された仕事のトピック(トピック 10.2「AI支援作業の測定」を参照)は、その方法を、AIを隣に置いて人々が行う仕事に使い、何が残り、理解に何が起きるかを見ます。チャットボットとエージェントのトピック(トピック 10.3「AIエージェントとチャットボットのメトリクス」を参照)は、それを、ユーザーに直接向かう、あるいはユーザーに代わって行動するシステムに適用し、そこでは間違った答えや行動のコストが他の誰かにかかります。

インフレと希薄化(トピック 10.4「メトリクスのインフレと品質の希薄化」を参照)は、これらすべてに対する警告の相棒です。簡単な数字がなぜ上がり、何をそれと組にするかを説明し、他のトピックの有用性の確認に結び付きます。ガバナンス(トピック 10.5「AIガバナンスとリスクのメトリクス」を参照)は、残りを所定の位置に保つ構造です。何を測るかを教える台帳、どれだけ深く測るかを教えるリスクのクラス、振る舞いが見えないうちに漂流するのを防ぐ変更統制、何かがうまくいかないときのインシデントプロセスを提供します。

いくつかの防護柵の組が導かれます。速度の測定値は、確認された結果までの時間と検証の負担とともに読まれるべきです。封じ込めや偏向の数字は、検証された解決と再問い合わせとともに読まれるべきです。登録された利用の件数は、独立したディスカバリーに照らして読まれるべきです。AIツールの導入の数字は記述的なものとして扱い、比較に対する成果が重みを担います。

この部は前の部に結び付いています。第2部のレビューとフローの測定値、第3部のナレッジとセルフサービスの測定値、第8部のセキュリティとリスクの測定値、第9部の人々の測定値。トピック10.6から10.10は、方法を自動化、パイプライン、アナリティクス、予測、オブザーバビリティに拡張します。同じベースライン、速度と品質の同じ組み合わせ、数字が示せないものを確認する同じ習慣。自動化とパイプラインの測定値(トピック 10.6「自動化とオーケストレーションのメトリクス」とトピック 10.7「パイプラインと自動化された変更のメトリクス」を参照)は、トピック10.8のデータ品質の測定値(トピック 10.8「アナリティクスとデータ品質のメトリクス」を参照)に依拠し、予測(トピック 10.9「予測と予測分析のメトリクス」を参照)とテレメトリ(トピック 10.10「オブザーバビリティとテレメトリのメトリクス」を参照)が両方に供給します。最後の内容の部につながります。それはメトリクスのプログラム自体を築くことについてです。注意なしに測定を導入するプログラムは、この部が記述するのと同じ歪みに苦しむからです。