Expedia Group utilizza da anni sistemi di intelligenza artificiale per trasformare una quantità molto elevata di segnali di ricerca, prenotazione, navigazione e assistenza in decisioni operative distribuite lungo l’intero percorso di viaggio. Prima che gli agenti basati su modelli linguistici rendessero naturale l’idea di un assistente capace di pianificare e modificare una vacanza in conversazione, la piattaforma aveva già sviluppato un’infrastruttura fondata su centinaia di modelli predittivi, alimentati da dati storici e in tempo reale relativi a destinazioni, strutture, prezzi, disponibilità, comportamenti degli utenti e prestazioni dei partner.
La scala del problema è particolarmente evidente nel settore alberghiero. Ogni singola ricerca può combinare date di arrivo e partenza, tipologie di camera, regole tariffarie, numero di ospiti, disponibilità residua, condizioni di cancellazione, preferenze espresse dall’utente, storico delle interazioni e variabili esterne come stagionalità, eventi locali o ritardi nei trasporti. Il sistema non deve soltanto trovare strutture disponibili, ma stimare quali risultati abbiano maggiore probabilità di soddisfare il viaggiatore, generare una prenotazione e ridurre la probabilità di annullamento o di contatto successivo con l’assistenza.
In questo contesto, la previsione diventa il livello invisibile che governa ranking, raccomandazioni, pricing, composizione dei pacchetti e distribuzione delle offerte. Un modello può stimare la probabilità che un utente selezioni un hotel, un altro può valutare la pertinenza di una camera rispetto a una ricerca complessa, mentre ulteriori sistemi analizzano la convenienza percepita, il rischio di frode, l’affidabilità di un partner o la probabilità che una richiesta di assistenza possa essere risolta in modalità self-service. Il valore non deriva dalla presenza di un singolo algoritmo, ma dalla capacità di collegare migliaia di decisioni locali in un’esperienza coerente.
L’infrastruttura AI di Expedia elabora centinaia di miliardi di previsioni ogni anno e utilizza oltre 70 petabyte di dati di viaggio. Questa base comprende segnali generati dalle ricerche, dai clic, dalle prenotazioni, dalle recensioni, dalle richieste di assistenza e dalle interazioni con partner e fornitori. La disponibilità di dati su larga scala consente di addestrare modelli in grado di riconoscere pattern che non emergerebbero da una singola sessione utente, come la relazione tra preferenze implicite, periodo di viaggio, fascia di prezzo, probabilità di conversione e probabilità di ritorno sulla piattaforma.
L’arrivo degli agenti AI modifica il modo in cui questi sistemi possono essere utilizzati, ma non sostituisce il livello predittivo esistente. Un agente conversazionale può raccogliere preferenze più ricche rispetto a un modulo di ricerca tradizionale, interpretando richieste come la necessità di evitare scale, privilegiare quartieri tranquilli, organizzare tappe compatibili con un volo in ritardo oppure trovare strutture adatte a un gruppo con esigenze diverse. Per produrre una risposta affidabile, però, l’agente deve interrogare modelli di ranking, inventari aggiornati, regole tariffarie, dati di disponibilità e sistemi di assistenza già costruiti per operare su milioni di transazioni.
Il passaggio verso l’AI agentica richiede quindi un livello di orchestrazione più rigoroso. L’agente non può limitarsi a generare testo: deve decidere quali strumenti utilizzare, in quale sequenza richiamare i servizi, come verificare che una tariffa sia ancora disponibile, quando chiedere conferma al viaggiatore e quando trasferire il caso a un operatore umano. In un flusso di riprotezione dopo una cancellazione, per esempio, il sistema deve combinare dati di volo, disponibilità alberghiera, condizioni contrattuali, eventuali deroghe concesse dai partner, preferenze del cliente e vincoli di pagamento, mantenendo una traccia verificabile delle decisioni prese.
Questo tipo di architettura rende essenziale distinguere tra previsione, ragionamento e azione. I modelli predittivi classificano, ordinano e stimano probabilità; i modelli generativi sintetizzano informazioni, interpretano il linguaggio naturale e compongono risposte; l’orchestrazione stabilisce quali dati e strumenti usare; i sistemi transazionali eseguono realmente prenotazioni, modifiche o rimborsi. Un agente affidabile deve restare vincolato a questi livelli, evitando che una risposta plausibile venga trasformata automaticamente in un’operazione senza controlli su disponibilità, autorizzazioni e condizioni commerciali.
L’esperienza maturata con miliardi di previsioni fornisce un vantaggio concreto anche nella misurazione dei risultati. Per Expedia non è sufficiente verificare se un assistente produce una conversazione gradevole: occorre osservare se migliora il tasso di conversione, la qualità delle prenotazioni, la frequenza di ritorno, la velocità di risoluzione delle richieste, il valore dei pacchetti acquistati e la capacità di gestire picchi di assistenza durante disservizi o cancellazioni diffuse. Gli agenti diventano utili quando aumentano l’efficacia dell’intero sistema, non quando aggiungono soltanto un’interfaccia conversazionale sopra servizi scollegati.
L’evoluzione della piattaforma mostra che gli agenti AI nel travel non nascono dal nulla. Dipendono da anni di lavoro su dati, modelli di previsione, infrastrutture di ricerca, inventory management, fraud detection, assistenza e sistemi di pagamento. La conversazione può rendere l’esperienza più immediata per il viaggiatore, ma la qualità dell’azione finale continua a dipendere dall’accuratezza delle previsioni e dall’affidabilità dei sistemi che operano dietro l’interfaccia.