Azureから対処までをつなぎ、
承認と実行を管理する。
公式発表の要約
2026年11月17日、ServiceNowはMicrosoft Igniteで紹介する自律IT運用のデモを公表しました。Azureで見つけた異常をServiceNowへ渡し、AIによる診断と記録、対処へつなぐ内容です。背景にあるのは、読み切れないアラートと、複数のツールを行き来する運用担当者の負担です。[1]
図:公式発表[1]のデモを整理したもの。導入完了や効果測定を示す図ではありません。
発表では、AIOps Agentが診断内容などをアラートの作業メモへ残した後、アラートを閉じてインシデントを作ると説明されています。その先は、Azureの情報、Microsoft Foundry IQの知識、ServiceNowの運用情報を合わせて対処を進めます。[1]
Azure SRE Agentは、クラウド側の調査や原因候補・対処を支援するAI。Foundry IQは、複数の情報源から根拠となる知識をAIへ届ける仕組みです。それぞれの得意な役割を組み合わせています。[2][3]
今回のキーは、「承認」
AIが調べ、対処を提案できるようになったとき、実際にその操作を会社として認めるかが問われます。今回の発表も、承認と実行を統制することを明示しています。
それを支える基盤として挙げられているのが、ServiceNowのSuper Intelligence Control TowerとMicrosoft Agent 365です。AIが動く前のポリシー設定と、両社のエージェント間の引き継ぎを含む行動記録が説明されています。[1]
なお、ServiceNowとAzureを接続すること自体が初めての話ではありません。Microsoftの既存資料にも、ServiceNowのインシデントを取り込み、調査や更新へつなぐ連携が記載されています。[4] 今回は、その先を承認・実行まで含めた一連の仕事として見ることが大切だと考えます。
「何を、誰が、どんな判断で」承認したか。
その履歴が、with AIの設計資産になる。
Numberの視点
ServiceNowの強みは、AIの提案を受けて、その場で「承認」ボタンを押せることだけには収まりません。承認が、プラットフォーム全体で使えるコア機能として用意されていることに、私は大きな意味を感じています。
承認は、個別の画面に付いた機能にとどまらない
ServiceNowの公式資料では、承認はワークフローを次へ進めるための中心的な役割を担い、変更要求やサービス申請など、さまざまな仕事に組み込める仕組みとして説明されています。承認レコードには、対象、承認者、承認・却下などの状態、コメントを残せます。[5][6]
つまり、AIが提案した変更案も、会社の承認の流れへつなげられます。何を認めたのか、誰が判断したのかを、対象の仕事にひも付けて残す。そのうえで、判断理由や確認した根拠も記録していけば、「何を、誰が、どんな判断で承認したか」がプラットフォームに蓄積されていきます。
| 残す情報 | 後から分かること |
|---|---|
| 何を | 対象の変更・申請、AIの提案、実行を認めた範囲。 |
| 誰が | 承認した担当者と、その判断を引き受けた役割。 |
| どんな判断で | 確認した影響、参照した根拠、認めた条件、却下や差し戻しの理由。 |
| その後どうなったか | 実行結果や復旧の状況。同じ判断を次も使えるかを振り返る材料。 |
表:Numberの設計例。承認レコードに、提案・判断理由・実行結果を関連付けて残す考え方です。すべての項目が自動で記録されるという意味ではありません。
会社の判断を、次のAI活用へ返せる
たとえば、ある変更は影響が小さく、決めた手順で問題なく実行できた。別の変更は、業務時間帯や他システムへの影響を理由に見送った。そうした判断と結果が残っていれば、次の提案を作るときに、過去の似た案件を参照する使い方が考えられます。
人が確認すべき観点をAIに整理させる。承認条件を見直す。十分に確かめた作業から、任せる範囲を広げる。承認履歴は、監査に使う記録であると同時に、人とAIの役割分担を育てる材料にもなります。
私は、何をどこまで任せるかを、会社が実際に下してきた判断から考えられることを、with AIで業務設計を行う時代の、ServiceNowの大きな強みだと捉えています。
日本企業の承認を、
判断が残る仕組みへ。
Numberが考える日本企業への適用
日本企業には、稟議や承認を通じて、現場の工夫と会社としての責任を両立させてきた積み重ねがあります。AIが仕事を進めるようになっても、この判断の役割は大切です。
ただ、システムには「承認済み」だけが残り、実際に何を確かめたかは会議やメール、担当者の記憶に分かれていることもあります。そのままでは、次の担当者もAIも、なぜ認められたのかを読み解くのに苦労します。
すでに行っている承認を、会社の判断が伝わる記録へ整える。私は、ここに日本企業が取り組む価値があると考えます。
ITの変更から、ほかの仕事にも考え方を広げられる
今回のデモはIT運用ですが、同じ問いはソフトウェアの利用申請や購買などにもあります。何をAIに準備させ、どこで誰が判断し、認めた条件をどう実行へ渡すか。承認を共通の仕組みとして組み込めると、仕事ごとの違いを保ちながら、こうした設計の考え方を使い回せます。
すべての承認を一律に重くする必要はありません。確立した条件の中で進められる作業と、個別に影響を判断する作業を分ける。その境界を、履歴と結果を見ながら更新していくのです。
AzureとServiceNowを使い、変更の提案や承認を繰り返している企業には、まず一つの業務で試す意味があります。一方、対象や承認者が曖昧な場合は、AIの実行範囲を広げる前に、いま誰が何を判断しているかを整理するところから始めたいと思います。
自社で運用するために、
まず整えること。
承認の履歴を、次の判断につなげる
① 過去の承認から、判断の観点を拾う
最近の変更案件を、承認されたもの、却下・差し戻しになったものから選びます。誰が何を確認したのか。どんな条件で認め、何を懸念して止めたのか。記録に足りない部分は担当者に聞き、暗黙の判断基準を言葉にします。
② AIの提案と、人の判断理由を一緒に残す
対象、提案内容、影響、根拠、実行してよい範囲を、承認する人が確認できる形へそろえます。判断後は、理由と認めた条件を記録し、実行結果にもつなげる。長い作文を求めるより、次の人が判断を理解するための要点を残す設計にします。
③ 承認した範囲を、実行側へ渡す
承認された対象と操作だけを実行できるよう、Azure側とServiceNow側の権限や処理を対応付けます。提案内容が変わったときは再確認する。失敗したときは人へ戻す。承認の記録と、実際に行ったことを照らし合わせられるようにします。
④ 履歴を使って、任せる範囲を育てる
過去に承認したからといって、条件の違う次の案件も同じ判断になるとは限りません。現在の業務影響や方針と照らし合わせ、承認者が見やすい提案になったか、不要な確認を減らせたかを確かめます。
AIが仕事をするほど、会社として何を認めたかが、次の仕事を良くする材料になる。承認を日々の手続きとして回しながら、その蓄積をwith AIの業務設計へ返していく。私は、そこにServiceNowを基盤にする意味を感じています。
出典・参考情報
- Microsoft Ignite: ServiceNow delivers governable autonomous IT to Azure ↗
- Microsoft Learn — Overview of Azure SRE Agent ↗
- Microsoft Learn — What is Foundry IQ? ↗
- Microsoft Learn — ServiceNow incident indexing in Azure SRE Agent ↗
- ServiceNow Docs — Classic approvals ↗
- ServiceNow Docs — Ask for Approval step ↗
- ServiceNow Docs — Approvals widget ↗
参照日:2026.11.18。公式発表と製品資料の説明、執筆者の考察・業務設計例を区別しています。デモの紹介であり、顧客の導入実績や効果測定の報告ではありません。製品名・商標は各権利者に帰属します。