IBM och ServiceNow tar sikte på den bortglömda puckel som stoppar företagens AI-satsningar

Lagret av föråldrade applikationer är det första och kanske mest uppenbara. Stora företag vilar på djupt sammankopplade system som har byggts upp under årtionden. Att ersätta dem rakt av är ofta alldeles för dyrt, för riskfyllt eller operativt otänkbart. Istället för att kräva en total utrivning och utbyte, använder sig IBM–ServiceNow-metoden av verktyg som IBM Bob, IBM Enterprise Application Runtimes och watsonx.data för att skanna, omstrukturera och föra in de åldrande Java-baserade applikationerna i AI-eran medan de fortfarande är i drift .

Problemet med AI-redo data är det andra, mindre synliga hindret. Även med modern infrastruktur är företagsdata ofta utspridd, ostyrd och full av kvalitetsbrister som gör den oanvändbar för träning eller analys. Partnerskapet bygger ut ServiceNows Workflow Data Fabric med IBM:s watsonx.data för att leverera funktioner för datakvalitet, observerbarhet och master data management, allt via ServiceNows Data Catalog. Målet är att hålla företagsdata kontinuerligt AI-redo snarare än att kräva smärtsamma punktinsatser varje gång den ska användas .

Tre fokusområden där partnerskapet tar form

Samarbetet är strukturerat kring tre specifika lösningsområden som direkt adresserar de två hindren .

Modernisering av applikationer lutar sig tungt mot IBM Bob, en AI-kodningsagent som är designad för att förstå och omstrukturera äldre kod, tillsammans med IBM Enterprise Application Runtimes för Java-baserade appar. Genom att arbeta inuti befintliga miljöer syftar verktygen till att hjälpa företag att utveckla sina system utan att börja om från början .

Styrning av företagsdata använder en utökad ServiceNow Workflow Data Fabric med IBM watsonx.data som ett extra lager. Det ger organisationer ett enhetligt sätt att hantera datakvalitet, övervaka dataflöden och underhålla master data-poster, allt knutet till ServiceNows Data Catalog för överblick och kontroll .

Autonom infrastrukturdrift för samman Red Hat Ansible, Instana, IBM Bob och HashiCorps infrastrukturverktyg för att upptäcka och åtgärda problem innan de stör verksamheten. Direkt integrerat i ServiceNows IT-arbetsflöden är målet att flytta driftteam från reaktiv brandkår till proaktiv, AI-automatiserad problemlösning .

När de gemensamma lösningarna blir tillgängliga

IBM och ServiceNow har meddelat att de gemensamt utvecklade lösningarna förväntas bli tillgängliga för kunder under andra halvåret 2026 . Inga specifika prisuppgifter eller paketnivåer fanns med i det första tillkännagivandet, vilket tyder på att lanseringen sannolikt kommer att ske i faser allteftersom tekniken integreras djupare.

Ett årtionde av allt djupare AI-samarbete

Många högprofilerade partnerskap falnar snabbt. Det här backas upp av över tio års samarbete, långt innan den nuvarande vågen av generativ AI fångade företagens uppmärksamhet .

IBM har varit en leverantör av hanterade tjänster för hela ServiceNows portfölj sedan 2011 . De två företagen formaliserade sin globala strategiska allians 2017 med fokus på intelligent automation över arbetsflöden för IT, HR, kundtjänst och säkerhet . 2020 utökade de avtalet för att specifikt tillämpa AI på IT-drift, i syfte att minska risker och sänka kostnader genom automatisering .

Vid 2023 hade ServiceNow formellt fördjupat sitt allians-ekosystem med IBM som en central strategisk partner, och båda företagen inledde 2024 med att uppdatera sina partnerprogram för att stötta AI-transformationsleveranser . Sedan, i maj 2024, vid ServiceNows Knowledge-konferens, meddelade de integrationen av IBM watsonx.ai och Granite-språkmodellerna i ServiceNows Now Assist GenAI-upplevelse, tillsammans med ett nytt center of excellence för generativ AI .

I juli 2024 tillkom en vinkel mot talangutveckling när IBM Consulting lanserade en AI-driven lösning för kompetenshöjning av personalstyrkan byggd på ServiceNows plattform, som slog samman IBM:s kompetensdata med expertis inom HR-transformation .

Tillkännagivandet från juni 2026 är ett logiskt nästa steg. Istället för att fokusera på ytterligare ett lager av AI-funktionalitet, adresserar det de grundförutsättningar som avgör om ett företags AI-projekt överhuvudtaget lyckas: kan man lita på datan och kan systemen faktiskt köra modellerna.