随着每天都有更新的人工智能创新被揭示出来，许多人渴望加入人工智能的潮流并利用其优势，包括 IT 服务台。81% 的受访 IT 领导者被生产力水平飙升和卓越体验的承诺所吸引，他们表示他们希望将人工智能嵌入到企业范围内的 IT 服务运营中。然而，真正的问题是确定人工智能可以最大限度地提高影响和投资回报率的用例。

在本文中，我们将解决最耗时、最手动但最关键的 ITSM 作之一：员工入职。我们剖析了这些挑战，并探讨了如何在员工入职工作流程中嵌入人工智能功能来消除流程效率低下并增强服务交付。

员工入职工作流程

由于人力资源、法律、IT 和设施部门等多个团队之间的跨职能依赖关系，员工入职本质上很复杂，每个团队都有自己的一组任务。招聘经理提交入职请求后，人力资源部门对其进行审查和批准，法律部门进行背景调查，IT 部门提供所需的硬件和软件，并分配适当的工作空间。使用遗留系统和脱节的工具集进一步加剧了这些后勤挑战，造成了流程孤岛，同时阻碍了协调和沟通。例如，人力资源部门可能无法让 IT 了解情况，导致员工在第一天上班时准备不足。此外，企业团队可能会在手动和重复性任务上花费不成比例的时间和精力，从而导致效率低下。

这些挑战可以通过采用 ESM 和编排引擎来自动执行配置任务，在一定程度上得到解决。招聘经理只需从自助服务门户填写一份入职表格，然后将其提交给人力资源服务台 。

一旦人力资源部门检查、验证招聘信息并批准工单，就会在相邻的企业团队中自动创建特定于部门的任务，从而在促进协调的同时建立共享上下文。

此外，可视化工作流可以帮助团队自动化其部门特有的入职流程，从而提高生产力。例如，通过丰富的上下文，法律团队可以定义和规划复杂流程中涉及的步骤，例如使用可视化工作流程进行背景验证。

同时，工作流编排引擎可以连接不同的混合工具和系统，使 IT 团队能够编排配置任务，从创建 AD 用户到软件安装和数据库更新，而无需任何手动干预。

然而，尽管利用了ESM 和广泛的工作流程自动化，但各种挑战可能会阻碍员工顺利入职。

• 手动填写冗长的表格可能会让招聘经理不知所措，导致信息收集不准确。
• 僵化和过时的基于规则的分类、优先级以及将入职请求分配给人力资源助理可能会延迟入职流程。
• 从多个来源收集信息、审查大量文件并确保合规性非常耗时，可能会延迟法律团队的响应时间。
• 一刀切的 IT 资产配置方法可能会导致缺乏个性化，从而影响员工满意度。
• 设施团队的容量规划不当可能会导致资源短缺和新员工座位分配延迟。

员工入职工作流程的 AI 优势

IT 领导者应确定最合适的 AI 功能，以解决整个入职工作流程中的这些差距。让我们深入了解员工入职的每个阶段，以了解特定的 AI 功能如何满足您的生产力和体验目标。

创建请求

当招聘经理手动填写入职表格时，可能会导致信息收集不准确或不完整，从而导致处理延迟。此外，手动花费了不成比例的时间和精力来对入职请求进行分类并将其分配给所需的团队。

预测性人工智能通过分析工作类型、地点和加入时间等因素对请求进行分类并确定优先级。它还可以考虑其他标准，例如部门、招聘紧迫性和人力资源助理专业知识，以及确保将请求分配给最合适的人力资源助理的入职趋势。随着自然语言案例提取等进步，人工智能模型可以从录取通知书和人力资源电子邮件中捕获相关信息详细信息，包括候选人姓名、职位和部门，自动填写必要的表格并创建服务请求，所有这些都加快了入职流程。

人力资源团队

在手动处理入职请求时，人力资源助理需要筛选大量信息，从请求详细信息到员工资格证明，可能会遗漏关键细节。这是一个容易出错的过程，可能需要与招聘经理经常沟通以准确填补空白。

通过案例总结，安孚AI 可以从众多来源制作简洁的概述，以获取有助于人力资源团队的招聘详细信息，包括薪酬、试用期和认证要求。此外，虚拟支持代理可以通过直接与招聘经理沟通来收集所需的任何其他信息。在 AI 代理的帮助下，人力资源入职代理可能能够执行所有活动来处理入职请求，例如管理通信，包括起草和向候选人发送电子邮件通信以及共享在线入职培训会议的会议链接。

法律团队

在背景核查过程中，法律团队手动分析繁琐的记录，包括录取通知书、雇佣协议和合规表格。这个耗时的过程增加了错过验证任务截止日期的风险，可能会延迟入职流程。

在这里，安孚AI 可以通过突出显示候选人的身份、就业类型、加入日期等关键细节来生成这些庞大文档的动态摘要。法律助理还可以与 LLM 驱动的虚拟代理进行交互，并具有自然语言的检索增强生成功能，以验证合同条款（例如工作时间和福利）是否符合地区劳动法和组织规范，以提供上下文见解。随着新发展的形成，预测性人工智能可以通过分析历史趋势、角色的重要性和法律复杂性来触发向正确的利益相关者进行智能升级，确保主动完成验证过程。

IT 团队

IT 团队通常会努力应对信息过载，并处理跨电子邮件、电话和协作平台等多个渠道的配置请求。但是，基于预定义配置的僵化资产分配模型使事情变得复杂，并且无法满足独特的设备要求。由于手动知识管理机制使信息保持最新变得困难，因此员工通常很难找到准确的详细信息，例如设置 VPN 和启用 SSO 以进行软件访问。他们可能会反复向服务台寻求支持和解决方案。

通过将工作负载和性能需求与工作角色相关联，预测性人工智能可以建议合适的硬件、软件和所需的访问权限。GenAI 可以通过根据安全要求定制配置建议来进一步微调这一点。进一步加速这一进程，未来人工智能代理将寻求服务所有者的必要批准，然后通过相关系统（从特权访问管理到 UEM）执行作来自动配置软件和基于角色的权限。

为了维护动态且相关的知识库 ，安孚AI 可以搜索内部和外部资源来策划和更新知识文章，同时让人工代理审查和批准它们。利用用户意图和情绪，LLM 驱动的虚拟代理对用户的查询提供个性化响应，并及时分享从知识库中得出的准确解决方案。通过这种方式，人工智能有助于个性化服务体验并提高生产力，同时促进对员工的主动支持。

设施团队

尽管利用了集中跟踪系统，但设施团队在实时了解座位占用情况方面仍苦苦挣扎。不明确的员工人数预测、异构的工作模式和突然的组织转变阻碍了规划工作。结果，座位分配延迟，员工需求可能得不到满足，办公空间利用效率低下。

通过评估招聘模式、流失率和季节性入住率变化等劳动力趋势，预测性人工智能可以系统地推荐座位容量扩展。安孚AI 通过提供特定于角色和以用户为中心的见解来确保最佳空间利用率，从而进一步增强这一点。

在未来的改进中，实时 安孚AI 驱动的通信机制或专用的 AI 代理将使团队充分了解入职流程的实时上下文更新。入职流程完成后，AI 代理将能够向新员工发送欢迎电子邮件，并包括访问权限和量身定制的组织策略文档。

在整个入职流程中利用 AI 的好处

导航人工智能采用之旅

从案例总结到个性化虚拟支持代理，利用AI跨企业级ITSM工作流程解锁了最高效率。然而，一个结构化的AI采用策略至关重要，该策略在考虑实施成本的同时最大化收益。从小处着手，解决像高量L1票这样的日常问题。例如，AI驱动的虚拟代理可以立即提供准确解决方案和补救措施，用于常见的问题，如应用程序崩溃，并转移L1票。试点使用正确的AI技术的针对性用例。然后，将AI扩展到关键的服务交付工作流中，以推动企业级的转型。这种方法不仅最大化了AI的投资回报率，还加速了成果，使组织能够在最佳成本下提供真正卓越的服务体验。

安孚官网：https://www.anfa.com.cn/

转载：Manage Engine