旅行场景正成为AI落地最严厉的父亲

2026年上半年的AI行业，被生产力场景的情绪笼罩着。

这种情绪有扎实的收入曲线支撑。Agentic coding在过去一年确立了大模型时代第一个没有太多争议的PMF：

Claude Code在2025年5月正式发布，六个月后年化收入达到10亿美元，今年2月做到25亿；Cursor的年化收入在今年3月越过20亿美元，较四个月前翻了一倍；GitHub上4%的公开代码提交，已经出自同一个AI工具之手。商业软件的历史上，没有产品以这样的速度跨过这些收入门槛。编程从一个功能，变成了大模型在应用层的第一次真正爆发。

爆发改变了整个行业的注意力分配。资本与叙事涌向基模层和生产力工具，每一家模型公司都把coding当作第一优先级的战场，融资额、算力订单、人才流向都在围绕这条主线组织。AI创造的价值也随之高度集中——绝大部分沉淀在模型和token层，应用层分到的只是零头。

相形之下，垂类行业的AI改造在这个阶段像是一门不够性感的生意——讲垂类故事的公司越来越少，认真做垂类的团队进入了某种空窗期。

一个顺理成章的推论也随之流行开来：既然coding上这套配方被验证了——一个足够聪明的Agent，加上一批工具，加上自主执行的耐心——把它平移到订机票、点外卖、逛电商，只是时间问题。发布会上，Agent替人下单的演示反复出现，浏览器Agent、手机Agent轮番登场，“AI进入真实世界”成了新的叙事高地。

进入下半年，这种平移的紧迫性在增加，因为coding自身的增长开始放缓。到今年年中，九成以上的开发者已经在使用AI编程工具，渗透接近饱和；编程工具的新增安装曲线在4月之后明显走平，Claude Code稳定在每天约12万次安装，不再陡峭爬升，行业开始讨论这是算力受限还是企业年度AI预算提前花完。上半场最确定的红利在变薄，行业需要下一个能承接住算力和资本的场景。

但演示并没有迅速变成习惯，平移并没有发生。

“去年年初，用户能在ChatGPT这类原生AI产品里完成交易的比例不足10%；一年多过去，欧美最前沿的AI公司也只能做到低双位数。但同一时间里，模型的智力翻了不止一倍，榜单的分数一轮轮刷新，编程收入以月为单位翻番，而聊完之后把事办成这件事，进展慢得与前者完全不成比例。”近期的一场闭门分享会上，飞猪CTO陈烨分享到。

聊天机器人会写代码了，会做研究了，会生成视频了，却始终订不明白一张机票。差距出在哪里，可能是这个阶段整个行业最值得回答的问题。

而在诸多场景里，旅行可能是最能把这个问题的所有难处集中呈现出来的那个行业。

1

陈烨在硅谷工作多年，做过大模型创业，一年多前加入飞猪。在交流里，他把这两年的AI进程放进了一个更长的坐标系里。

“上半场是纯线上的，用一个信息的闭环解决问题；下半场开始进入线下，用上半场建立起来的连接方式，闭环地解决物理世界的问题。”他拿互联网的历史作对照——从搜索和门户起家，加上配送，长出了电商；加上内容生产，长出了短视频。“很有可能AI的演进，也沿着这条路径。”

在他看来，coding给行业的最大启示是可验证。代码世界里有编译器，对错一跑便知，好坏的标准可以直接写成代码，模型在一个近乎完美的训练环境里飞速进化。用他的话说，agentic coding是“第一次给我们指向AGI的一道曙光”，因为它把所有问题都用接近封闭形式的方式解决了。

但进入到具体的问题，消费世界几乎在每个环节上都是它的反面。而旅行，又是消费里最极端的样本。

很多人没有意识到旅行行业的复杂性。比如，商品会随时间变异。一双袜子今天和明天是同一个商品，一间酒店却不是——时间一变、价格一变、房型一变，它就成了另一个商品。昨天的供应链和今天的供应链不一样，模型要理解的“真实”，每天都在更新。

品类碎到难以复用经验。交通、酒店、度假三个大类只是表象，一个线路游背后各种供给的组织方式、提供方式、使用规则互不相同。以及，好坏难以定义，所谓的标准是不唯一的。比如两条航线哪条更好，因人因时而异。行业人士戏称，“每一个品类纵向进去，就是一个小淘宝”。这些都导致这个行业的评价数据异常稀疏。

而且，供给侧也没有为AI准备接口。很多人不知道的是，值机是很多航司只留给官方渠道的能力，几乎不开放给任何第三方；机票查询的输入侧长期停留在ODD（出发地、目的地、日期）三个字段的水平。

拿自动驾驶做个类比，看起来最难的自动驾驶，落地反而更快，因为一百多年来道路、信号灯、车轮、交通规则全是为汽车出行建的，“供给侧”的基础设施改造进度实际上已经领先其他行业，核心命题是解决尽可能多的bad case、corner case；看起来全是数据的在线旅行，供给侧朝AI时代的改造反而还没有真正开始。

在这样的环境里，AI犯错没有报错信息，只有用户真金白银的损失和一段无法重来的旅程。

这些挑战是AI从数字世界走向真实场景的过程，无论是消费、出行还是本地服务都迟早要遇到的难题。而旅行的特殊之处只在于，它把这些挑战以最集中、最极端的方式摆在了一起：在这里能及格的能力，放到多数真实场景里都够用；在别处跑通的能力，到这里未必过关。

套用网络上的流行说法，旅行场景就这样成了AI落地时那个最严厉的父亲。

2

巨头们并非没有行动。Expedia推出了AI助理Romie，主打行程规划、群聊总结和行程变动提醒；Booking的AI Trip Planner是架在搜索前面的规划层；Trip.com在扩展TripGenie，Agoda在做度假规划，酒店集团的AI大多停在智能客服。

但这些海内外OTA与酒店集团的探索加起来，仍然是点状的——或是售前的房源对比，或是售后的客服机器人。其中，卷得最厉害的一个功能就是行程规划。但事实上，行程规划恰恰是离交易和履约最远的环节。用户的行程被打乱之后，改签和重订在多数产品里仍要回到人工客服。另一条路线是OTA把自己变成AI平台背后的履约基础设施——Expedia和Booking接入了ChatGPT的站内预订。但无论哪条路线，一个体系化的、覆盖完整旅程的消费级旅行AI，在全球范围内仍未出现。

8月10日飞猪上线了飞猪帮帮，这是最新的一个值得被放进行业坐标系观察的产品。它的探索相对更整体：能力覆盖行前、行中、行后的完整生命周期，嵌进首页、搜索栏、行程页、订单页和各个旅行品类的频道；功能从做攻略、订机酒，延伸到退订改签、值机选座、升级房型、开票报销；交互上甚至可以算作激进——它把一块LUI面板直接架在了成熟的GUI货架之上，两套界面互相控制。

这种更加体系化的做法自然不是一天建成，飞猪去年推出的“问一问”是国内OTA里最早的Agent产品之一，一年多的迭代让V10版本的帮帮成了这条路线上走得最远的产品。而这些经验让这款产品在激进的尝试之外，也保持了它认为必须有的克制。在和这个团队的交流中，你能明显感到，他们希望把取舍标准永远锚定用户价值，避免“为了AI而AI”。

这使得它的很多尝试都非常值得研究。它比较激进的地方，最先体现在履约上。飞猪帮帮上线了十余项办事能力：订单退改、酒店升房、值机选座、订接送机、填入境卡、开票报销。单看是一份功能列表，放回这个行业里，每一项都要穿过供应链。

升房是最典型的例子。用户订好酒店后想试试免费升房，一句话交代给AI，这通电话它会自动打——“我是你们的会员，今天有没有空的房型帮我升一下，我想住靠窗的大床房”。沟通发生在飞猪的闭环之外，用户看不到过程，升房成功后订单自动更新。值机同理。航司很少把值机开放给外部渠道，Agent是在看不见的地方，在用户的授权下完成了这件事。

飞猪对此的概括是，对旅行AI来说，“能聊”和“能订”之间隔的是整个供应链。这也就意味着，履约能力的每一项，都对应着一段供应链改造的苦活。

同时，交互上的激进尝试也让人眼前一亮。帮帮的AI面板有大、中、小三种形态，收起时不打扰，需要时一划展开，出现在用户所在的任何页面。更少见的是它选择了部分场景由LUI对GUI进行控制：比如，在酒店频道说一句“滨江的酒店，400左右一晚，要双床房”，后面的货架界面会跟着变——星级、价格、房型、排序，筛选条件被语言直接驱动。

“越泛化的需求，过去的GUI满足得越好；越精准的需求，AI满足得更好。”飞猪帮帮产品的负责人这样解释他们的思考。比如，在迪士尼附近找酒店，货架一次给你十家，效率更高；但“我要一家八楼能看到太和殿金顶的酒店”，任何搜索框都无能为力，AI却可以直接命中。

这种分工的思路也带来了“克制”的部分。“从一个负责任的商业公司来说，轻易把这个（GUI）放弃掉，可能不是对用户最负责任的做法”。所以帮帮的选择是在GUI的基础上架一层LUI，“给你一根魔法棒，让你慢慢去习惯”。目前，产品在面板上保留了“帮我想、帮我订、帮我办”三个入口，为此，据了解，飞猪内部也争论了许久。最终大家认为这是用户需要的中间态——当AI号称什么都能干的时候，谁都不信；把能力收敛成三个具象的动词，用户才知道该开口问什么。

3

这种取舍在工程上也体现得很清晰。对于那些关乎交付的环节，必须要保证真实，这些不适合AI的就拿最扎实的工程方式完成；而关于智能的部分，则大胆“赌注”模型的进步。

比如，飞猪帮帮的算法负责人介绍了一个“短别名闭环”的工程工作。它解决的问题很朴素：一般的模型是会编造商品的。而酒店ID、房型ID是几十位的长串，机票ID甚至是基于GDS信息实时生成的，如果把这些直接交给模型，它一定会一本正经地编出不存在的商品。因此，飞猪的做法是让模型完全不接触真实ID——它手里只有A1、B1这样的虚拟别名，任何请求都必须调用背后的工具，由系统把别名回填成真实的商品、标题、价格和库存。

“模型手里只有白名单，白名单之外都是编造的。”

再比如，旅行行业非常重要的“时空合理性”也被直接写进了代码。行程规划里，下一段行程的出发时间不能早于上一段的到达时间，这类约束不交给模型领会，而是做成验证器内化进框架，错了就打回重改。

与此同时，在架构上，飞猪则在对模型发展的预判基础上，提前做准备。刚开始打造飞猪帮帮的时候，研发团队在上一代产品“问一问”的Multi-Agent架构上大胆做减法，换成了更轻的Multi-Agent架构、更偏ReAct的方式，尽可能摒弃Workflow。这在当时看来甚至有些“超前”，切换初期，结果一度退化，甚至还不如旧架构。为此，团队扛了相当的压力，但内部讨论后统一的判断标准是，必须要站在三五个月之后的模型状态来评估今天的选择是否正确。

从目前数据来看，这个选择目前还是正确的。据飞猪透露，飞猪帮帮交付结果的可用率评分较上一代提升超过70%，可比任务的平均耗时减少近10%。

不过，飞猪也坦诚，旅行AI进入办事、履约的时代，才刚刚开始，目前飞猪帮帮支持的十多项办事能力，也远远没有达到用户预期甚至是内部预期，项目组还在以周为单位来迭代版本，继续强化。一切需要更多的耐心。

“今天99%的价值集中在token层的状态是不可持续的，而价值向应用层迁移的前提，是交易真的开始在物理世界发生。”在交流里，陈烨说到。他认为，这个过程可能不会有coding那样的爆发时刻。

“token是能源。从发明电力到大规模应用，中间隔了二十年。它不是爆发式的，可能是润物细无声的，可能两年，可能五年，但这一步一定会来到。”

来源 | 张良计（ID：Si-Planet）

作者 | 玄宁 ; 编辑 | 呼呼大睡

内容仅代表作者独立观点，不代表早读课立场