«Мы изобрели трактор, а возим на нём лопаты»: авиакомпании ищут, как высвободить потенциал ИИ

Ташкент, Узбекистан (UzDaily.uz) — Авиационная отрасль понимает, что искусственный интеллект меняет её облик. Чего она ещё не выяснила — так это как использовать технологию в полную силу, не позволяя ей опережать механизмы управления, необходимые для обеспечения безопасности, справедливости и соответствия общественным интересам.

Таков откровенный вывод панельной дискуссии с участием руководителей авиакомпаний и специалистов в области ИИ на Генеральной ассамблее IATA 2026 — сессии, охватившей темы от скандала вокруг динамического ценообразования до сюрреалистичного вопроса о том, как заставить ИИ-агента влюбиться в бренд авиакомпании.

«Такое ощущение, что мы изобрели трактор и используем его для перевозки лопат», — сказал Никил Равишанкар, генеральный директор Air New Zealand, описывая отрасль, которая располагает революционными инструментами, но применяет их на второстепенных задачах. «Нам нужно начать использовать его по назначению».

Динамическое ценообразование: от статистики к чтению мыслей

Сессия открылась темой, вызывающей наибольшую тревогу у пассажиров за последний год: динамическое ценообразование. Меган О'Кифи, вице-президент по авиационным решениям Amadeus, аккуратно разграничила то, чем авиакомпании занимались всегда — системы управления доходами, корректирующие тарифы на основе исторических данных и прогнозов спроса, — и то, что стало технически возможным сегодня: модели глубокого обучения, определяющие в режиме реального времени, какую цену показать каждому конкретному пассажиру, исходя из его профиля.

Эндрю Селлерс, вице-президент по технологической стратегии Confluent, привёл поучительный пример из смежной отрасли. В гостиничном секторе, рассказал он, ИИ-модели ценообразования научились зондировать корпоративные командировочные политики: если политика компании допускает проживание стоимостью до 650 долларов в данном рынке, система начинает устанавливать цену на номера в 649,90.

«Это не удивительно, но именно поэтому так важно» следить за тем, действительно ли ИИ-системы ориентированы на общее благо, а не только на максимизацию маржи, подчеркнул он.

Ключевая техническая проблема — интерпретируемость. Предыдущее поколение ИИ отдавало предпочтение моделям, способным объяснять свои решения. Современные системы глубокого обучения и большие языковые модели несравнимо мощнее, но практически непрозрачны. «Мы крайне плохо понимаем, почему они принимают те или иные решения. Эти системы по своей природе стохастичны — вероятностны.

Мы просто не всегда знаем, что они сделают», — констатировал Селлерс.

Красная линия недискриминации

Равишанкар обозначил то, что назвал «красной линией»: практики недискриминационного ценообразования должны соблюдаться вне зависимости от сложности применяемых инструментов. Эта норма обязана быть закреплена — регуляторно или через самоконтроль отрасли. Опасения не абстрактны. Абха Догра, директор по продукту IBS Software, описала сценарий, где гиперперсонализация становится этически проблематичной: система с доступом к данным программ лояльности и истории поездок теоретически способна определить, что пассажир летит на похороны или по медицинской необходимости, — и выставить цену соответственно.

«Если предложение формируется динамически, гиперперсонализация может оказаться невыгодной для клиента» в самые уязвимые моменты его жизни, предупредила Догра. «То, насколько нужно сдерживать этот аспект персонализации, ещё не откалибровано, не интегрировано и не урегулировано».

Управление нештатными ситуациями: где ИИ уже работает

Если динамическое ценообразование — спорная территория, то управление сбоями в расписании — это область, где, по единодушному мнению участников дискуссии, ИИ уже приносит осязаемую пользу. Когда зимний шторм закрывает узловой аэропорт и авиакомпании нужно одновременно перебронировать тысячи пассажиров, перераспределить экипажи и переназначить выходы на посадку в нескольких аэропортах — это, по формулировке Селлерса, аксиоматическая задача: ограничения определены, ресурсы конечны, правила известны.

О'Кифи указала на это как на направление развития отрасли в ближайшие два года: переход от ИИ как инструмента поддержки решений к тому, что она назвала «принятием решений под контролем с переходом к действию» — системам, способным обнаруживать неожиданный спрос, обновлять сетевое планирование и перебронировать рейсы, но с обязательными точками проверки, встроенными в рабочий процесс.

От чат-ботов к агентам

Переход от нынешнего этапа — который Селлерс охарактеризовал как «топтание на периферии» — к агентному ИИ, способному вести диалог и одновременно координировать сложные многоступенчатые рабочие процессы, он назвал ключевым рубежом.

Показательна история из его собственной практики: в начале карьеры в ВВС США формирование суточных приказов на выполнение авиационных задач требовало сотен человеко-часов и считалось не поддающимся автоматизации.

Сегодня аэропортовые клиенты делают эквивалентную работу полностью в автоматическом режиме — не благодаря суперсложным моделям, а потому что наконец выстроили качественное управление данными. «По мере того как данные приходят в надлежащий вид, это откроет больше потенциала и больше сценариев применения, чем мы когда-либо видели».

50% синтетической рабочей силы — и кто это регулирует

Равишанкар, позиция которого требует одновременно стратегического и операционного мышления, дальше всех заглянул в будущее. Он признался, что тратит значительное время на вопросы, казавшиеся фантастическими ещё несколько лет назад: как встроить искусственную рабочую силу в человеческую; каков должен быть операционный облик авиакомпании, если половина её сотрудников — синтетические агенты; и где проходит граница между перевозчиком и пассажирами в мире, где ИИ даёт клиентам инструменты для самостоятельного «управления тем, что представляет собой авиакомпания».

По вопросу регулирования его позиция шла вразрез с привычными отраслевыми лоббистскими инстинктами. Попытки регулировать саму технологию, по его мнению, вероятно, обречены с учётом скорости её изменений. Более устойчивый подход — регулировать на уровне принципов: недискриминация, безопасность как абсолютный приоритет, доверие — и позволять конкретным реализациям эволюционировать.

Он также предложил, пожалуй, самую нестандартную модель управления: использовать ИИ для регулирования ИИ. «Сопровождать всё, что мы пытаемся делать с помощью ИИ, ИИ-решением, которое его контролирует» — своего рода алгоритмическая система сдержек и противовесов — становится практическим эвристическим правилом в Air New Zealand.

Вопрос о лояльности к бренду, на который пока нет ответа

Сессия завершилась вопросом, над которым команда Равишанкара активно работает, не имея пока ответа: как заставить ИИ-агента полюбить ваш бренд?

Вопрос менее причудлив, чем кажется. По мере того как ИИ-агенты всё активнее выступают посредниками между потребителями и услугами — бронируя поездки, управляя маршрутами, выбирая между конкурирующими предложениями, — авиакомпании, десятилетиями выстраивавшие эмоциональную лояльность у людей, рискуют столкнуться с ситуацией, когда их клиенты делегируют эти решения системе, не испытывающей привязанности ни к одному перевозчику.

«Мы все строили бренды, рассчитанные на то, чтобы люди влюблялись в них. Мы пытаемся разобраться с этим вопросом, и пока не знаем ответа», — признал Равишанкар.

Догра завершила дискуссию призывом не впадать в крайности: «Осторожность — это хорошо, но чрезмерная паранойя вредна. Это технология, которая повсеместна. Она здесь, чтобы остаться».