Amadeus：2026智能体式AI时代下的航空公司-人工智能落地指南与应用案例研究报告（30页）.pdf

核心结论速览。 AI是对航司现有系统的增强，而非替代：AI模型不会存储订单或处理支付，而是作为精明的指令发起者，高度依赖既有核心系统（PSS、OMS、支付）执行操作。真正释放价值的关键在于调取现有系统并编排核心流程。 智能体式AI将呼叫中心从成本中心变为效率引擎：AI已能同时处理多通改签来电，自主定位预订、理解诉求、推荐方案、执行改签并结算。需要人工介入时提供“前情上下文摘要”，大幅提升人效。 多智能体系统有望终结航司长期存在的部门孤岛：收益管理、CRM、网络规划、营销等智能体可自主对齐、跨界沟通、协同作战，将跨部门协调从数周压缩至几分钟。 “一个已规模化的智能体，远胜于100个试点” ：微软专家建议聚焦能产生最大回报的单一场景，而非追求智能体数量。巴西蔚蓝航空的实践验证了这一原则——在识别高价值旅客和优化座位安排上取得显著成果。 数据准备是AI落地的核心工作：AI效果取决于数据质量和可用性。需对系统重构以提供事件数据流、对API重构以便AI调取、提高数据质量、确保对航业特有术语的语义理解。 治理必须内置于设计，而非事后补救：AI的幻觉、偏见和数据泄露风险要求确定性治理（后台规则系统检查AI建议）+“人在回路”监督。欧盟《AI法案》要求根据风险进行分类管理。航司CIO/CTO视角：智能体式AI的落地挑战与机遇。对于正在规划或已开始部署AI的航空公司技术负责人而言，智能体式AI带来的冲击是一场三十年一遇的产业生产力大洗牌，其历史宿命与战略张力完全可以与当年互联网雏形降临相媲美。核心挑战并非技术本身，真正的挑战在于：跨职能协同机制、组织变革管理、全面合规治理、容错试错文化的建设。美国西南航空AI与智能平台副总裁Justin Bundick指出：“人们低估了AI所需的变革管理。从初学者到AI工程师，每位员工都能参与AI素养培训项目——每个人都有能力在变革中发挥作用。”。AI与现有系统的关系，Amadeus工程技术高级副总裁Alexandre Sbragia明确指出：“AI将运行在航司现有的科技核心底座之上，成败与否取决于这新旧两个世界之间能否完成天衣无缝的深度融合与高效协作。”AI与高度可靠的核心记录系统（PSS/OMS）以及高质量数据紧密整合，是发挥真正潜力的前提。高优先级应用场景。场景一：呼叫中心智能化，AI已能即时接听旅客改签来电（可同时处理多通），自主确认身份、调取预订、理解口语诉求、推荐方案、算清运价差额与手续费并发起支付，还能切换语言。这还仅仅是开始——智能体式AI未来将全面渗透并重塑航司绝大部分工作流，从航线网络规划延伸至零售分销。场景二：运控中心决策辅助，西南航空已搭建预测型机器学习模型，模拟航班延误在整个航线网络中对机组、行李、旅客及技术运营的影响。冰岛航空企业架构总监Johann Valur Sævarsson表示：“在做出运营决策之前模拟即将面临的成本，已为我们带来了显著的投资回报。就目前而言，运营领域是我们从智能体式AI中获得最大回报的环节。”。场景三：商业策略敏捷化，传统模式下，上线新策略需数周跨部门协调。在Amadeus Altea和Nevio之上启用智能层后，分析师可上传策略文档，AI自动构建业务规则，数周工作压缩至几分钟。Navitaire支持团队AI智能体已减少10%手动工作量，释放工程资源专注于更复杂问题。技术协议栈与企业架构考量。五大协议正在定义智能体交互标准，MCP（Anthropic）使AI能调用API；UCP（谷歌+Shopify）支持结账与支付；ACP（OpenAI+Stripe）支撑纯对话购买闭环；A2A（谷歌主导50+企业）实现跨系统协同；NLWeb（微软）降低自然语言交互门槛。对航司企业架构的启示：技术标准仍在高速演进，但航司应立即着手梳理底层核心数据，确保可被AI高效调阅；加速完成IT基础架构兼容性升级；提前布局AI分销渠道；建立跨部门AI评审机制。数据准备：最容易被低估的工作量。AI取得的效果在很大程度上取决于数据的质量和可用性。事实上，所需的大部分工作既不涉及构建AI智能体，也不涉及开发AI模型——因为现成的模型随处可见。主要工作包括：对系统进行重构使其能够提供事件数据流，将数据导入中央数据湖供AI分析和实时推理；对API进行重构以便AI智能体（如MCP）使用；提高数据质量（低劣或不一致数据将导致错误建议）；确保对航业特有业务流程的语义理解——通用AI模型无法天然理解IROPS恢复程序、时段管理、载重控制等精确术语。多智能体协同的价值释放。AI智能体不应被孤立看待。智能体式AI的长期价值在于多智能体系统——多个智能体通过相互通信和共享洞察，协同优化决策并完成复杂任务。协同示例：收益管理智能体检测到某航线预订量与预测存在偏差，发现目的地将举办大型会议→与CRM智能体交互确认参会者出行习惯→触发网络规划智能体评估更换机型增加商务舱座位→委派营销智能体创建定向推广活动→各团队确认可行性后执行变更。治理框架：平衡创新与风险。确定性治理机制，通过后台规则系统对AI建议和行动进行检查，构建覆盖法规遵从、数据保护、授权、身份认证和定价的治理规则。Amadeus建立了企业级AI办公室，以一致、负责任且透明的方式协调AI工作，包括一套伦理框架指导AI的设计和部署。“人在回路”机制，对于许多应用场景，Amadeus预计航司将引入“人机协同”监督。微软专家认为：“AI不应是一个黑箱。它需要具备可审计性和可解释性，以便航司能够了解AI的推理过程。”。变革管理：从第一天启动。西南航空的AI素养培训项目覆盖从初学者到AI工程师的全体员工。巴西蔚蓝航空持续审查各部门业务流程，在AI自动化开发过程中在成效与投入之间取得平衡。冰岛航空的渐进式实践：“我们已经部署了一批专门处理特定工作流的智能体，且已取得良好成效。虽然尚未搭建庞大的多智能体联动网络，但已清晰预见智能体之间的协同将是未来方向。”。落地路线图。第1-3月：选定1-2个高影响场景（如呼叫中心改签自动化或运控延误模拟），组建跨职能团队，开展数据质量评估。第3-6月：完成必要的数据准备和API重构，构建最小可行治理框架，启动试点。第6-12月：评估试点成效，优化模型和流程，将成功经验复制至第二、三场景。第12-18月：建立跨场景多智能体协同机制，启动全员AI素养培训，进入规模化部署阶段。延伸阅读：以上为白皮书核心框架的CIO/CTO落地视角解读，如需获取完整报告详细内容及全部案例，请访问下载页下载完整PDF报告。FAQ。Q1：航司CTO/CIO应该从哪里开始AI落地？A：建议从1-2个高影响场景开始（如呼叫中心改签自动化或运控延误模拟），而非追求智能体数量。核心原则是“一个已实现规模化的智能体远胜于100个试点”。同时务必从第一天启动数据准备和变革管理。Q2：数据准备为什么是AI落地的核心工作？A：AI效果取决于数据质量和可用性。主要工作包括系统重构以提供事件数据流、API重构以便AI调取、数据质量提升、对航业术语的语义理解。这部分工作量往往被低估，但决定了AI能否在生产环境中可靠运行。Q3：如何确保AI智能体的决策安全可靠？A：需建立“确定性治理”机制——后台规则系统对AI建议进行检查，覆盖法规遵从、数据保护、授权、身份认证和定价等领域。同时引入“人机协同”监督，对高风险决策进行人工复核。Q4：多智能体系统如何解决信息孤岛问题？A：多个专业智能体（收益管理、CRM、网络规划、营销、运行等）通过A2A等协议相互通信、共享洞察，将跨部门协调从数周压缩至几分钟，实现原本各自为战的孤岛部门之间的高效协同。Q5：AI会取代航司员工吗？A：AI不会取代人类，而是改变岗位性质——实现交易性任务自动化，将人类专家重新部署到创新思维、AI协调和客户服务等新岗位上。当基础工作自动化后，人类便能专注于此前难以触及的更复杂场景。数据来源说明。本报告内容来源于Amadeus与微软联合发布的《智能体式AI时代下的航空公司——人工智能落地指南与应用案例研究》白皮书。