AI 时代下的旅游业变革：Booking.com 的实践、投资逻辑与组织韧性
核心主题
本期播客围绕 Booking Holdings 如何在 AI 时代重塑旅游预订体验展开，深入探讨了智能体（Agent）驱动的旅游规划机制、企业在技术投入与股东回报之间的资金分配哲学，以及如何通过员工技能升级应对 AI 带来的裁员焦虑。
基本信息
- 节目：No Priors
- 嘉宾：Glenn Fogel（Booking Holdings CEO）
- 日期：2026-07-10
- 来源：Megaphone
- 链接：18a5d0ce-73e6-11f1-80e0-175857be9792
核心观点
- 智能体化预订是旅游业的终局，但全自动化存在体验边界：AI 智能体（如 Priceline 的 Penny）能够通过多轮对话显著降低复杂行程规划的门槛，但完全的自动化无法应对旅行突发状况，保留人类客服的实时介入是维持用户信任的底线。
- 技术壁垒在于底层物理资产的数字化连接，而非算法本身：AI 技术本身并不构成不可逾越的护城河，旅游平台的真正壁垒在于全球庞大且复杂的物理酒店及客房库存的实时接入、动态定价和履约能力。
- 企业应对 AI 引发的工作流重塑进行前置的“技能升级（Upskilling）”投资：技术迭代必然导致特定工种（如翻译）的消失，但企业应当承担培训责任，将员工转化为人机协同模式下的新角色，以缓解社会焦虑并提升组织人效。
Highlights 核心亮点
- 嘉宾 Glenn Fogel 分享了其加入 Priceline 恰逢 2000 年互联网泡沫破裂的经历，公司市值曾暴跌，但最终通过长期资本配置和业务聚焦实现了千倍增长。
- Booking 每年在技术和 AI 领域投入超过 7 亿美金，重点在于平衡前沿算法开发与基础物理房源数据库的集成。
- 智能体规划的复杂行程存在极高的 Token 经济学挑战，多轮对话交互需要极高的计算和接口调用成本，企业必须精细评估每笔交易的 ROI。
- 即使在 AI 替代率最高的客服领域，Booking 依然坚持人机协同，AI 负责处理常态化标准问题，人类员工负责处理航班取消、天气异常等高情绪价值场景。
- Glenn Fogel 指出，公众对 AI 的恐惧与历史上的历次技术革命（如工业革命、互联网爆发）高度一致，解决焦虑的唯一出路是企业主导的员工技能转型。
长文笔记
智能体预订的运行机制与体验边界
观点结论
旅游业的未来在于 Agentic Travel Planning（智能体化旅游规划）。通过如 Priceline 的 AI 助理 Penny，用户可以通过自然语言完成复杂的多目的地行程规划。然而，这种自动化的智能体体验并非完全无缝，依然需要人类客服在关键节点提供安全网。
支撑论据与案例
Glenn Fogel 分享了他使用 Priceline “Penny” 规划家庭旅行的实际案例。行程涉及两间客房、不同的乘机舱位需求、特定的酒店地理位置以及多段复杂的出行路线。在传统界面下，用户需要在几十个标签页之间切换，比对价格和房态。而 AI 智能体通过多轮自然语言对话，理解了“青年与成年人分房”、“回程航班时间微调”等模糊意图，并直接生成了绑定支付的推荐方案。
底层逻辑与运行机制
智能体化旅游规划的本质是将“意图解析”和“API 调用连锁”结合。AI 并非简单地进行关键词搜索，而是通过 LLM 解析用户的复杂长文本意图，将其拆解为多个子任务（如：查询特定区域酒店 -> 筛选家庭房型 -> 比对多舱位机票 -> 整合打车服务），再通过函数调用（Function Calling）实时请求 Booking 底层的分布式数据库，最终将碎片化的信息拼装为结构化的行程单。
行业影响与实践启发
对于开发者和产品经理而言，纯 AI 智能体在旅游场景下的最大挑战在于“容错率极低”。一封写错名字的邮件或许无伤大雅，但一张订错日期的机票会导致用户的重大财产损失。因此，在工程实践中，必须引入“人机协同模式（Human-in-the-Loop）”。Booking 的实践表明，AI 能够解决 80% 的常规查询与预订，但当发生暴风雨导致大面积航班取消时，用户需要的是能够提供即时情感支持和应急改签权限的人类客服，这是技术短期内无法完全替代的。
旅游平台的护城河：AI 算法 vs. 物理网络规模
观点结论
在 AI 时代，算法和模型正在迅速商品化，没有一家软件公司可以仅凭 AI 模型本身构建持久的护城河。旅游科技巨头的核心壁垒依然是全球物理世界的网络效应和极其复杂的线下房源连接生态。
支撑论据与案例
Glenn 提到，在 GPT 等大模型爆火初期，硅谷曾预测像 ChatGPT 这样的通用入口将直接杀死所有垂直旅游 OTA 平台，因为用户可以直接要求 ChatGPT 订房。但实际上，通用大模型很快遇到了瓶颈：它们无法实时获取全球数百万家独立民宿和酒店的真实房态，也无法处理退改签等后端履约。Booking 平台拥有超过 860 万个非传统住宿（如公寓、别墅、民宿等）房源，这些物理实体的数据接口和利益分配网络是无法被纯软件算法瞬间复制的。
底层逻辑与运行机制
这背后的壁垒是由两层网络构成的：
- 供应端的多样性与碎片化（Supply-side Fragmentation）：全球大量酒店和民宿使用的是极度过时且标准不一的 Property Management Systems (PMS)。Booking 花费了数十年时间通过技术和地面团队将这些碎片化的系统连接起来，形成实时双向同步的库存网络。
- 全球化合规与本地化履约能力（Global Compliance & Settlement）：各国的旅游法规、支付网关（Payment Gateways）和退改政策千差万别。当 AI 智能体协助用户做出决策后，必须依赖底层的支付和履约清算网络才能完成闭环。
行业影响与实践启发
这给创业者的启示是：不要把精力耗费在试图开发比巨头更聪明的垂直旅游大模型上，而应该关注如何利用 AI 去优化物理世界与数字世界之间的摩擦。真正的商业价值存在于大模型无法直接触及的物理接口、动态库存管理以及复杂的线下纠纷解决机制中。
Token 经济学与旅游规划的 ROI 算账
观点结论
复杂的智能体预订面临着高昂的计算成本与较低的转化率之间的冲突。如果每一次多轮交互所消耗的 Token 成本超出了单笔订单的佣金利润，智能体模型在商业上就是不可持续的。
支撑论据与案例
在播客中，主持人Elad Gil与Glenn探讨了 Agent 的 Token 经济学。旅游预订是一个低频、长决策周期的行业。用户在最终下单前，通常会进行多轮对话、比对和修改。每一次 AI 生成包含数十家酒店详情的推荐列表，都会消耗数十万甚至数百万个 Token。
底层逻辑与运行机制
- Token 消耗公式：旅游规划的多轮对话中，上下文窗口（Context Window）呈指数级增长。每一次用户说“换个便宜点的”，智能体都需要重新阅读之前的历史对话、房源结构化数据以及用户的偏好档案。
- 推理成本 vs. 转化溢价：如果单次预订的佣金是 $50，而智能体多轮推理的 API 成本累计达到了 $10，再加上用户最终不一定下单的流失率，平台的获客及服务成本将急剧飙升。
行业影响与实践启发
企业在部署 AI 智能体时，必须建立动态的模型路由机制（Model Routing）：
- 对于简单的常见问题（例如：“酒店是否有无线网络？”），路由至参数量小、成本极低的开源小模型或经典的知识库匹配系统。
- 只有在处理多意图、多变量的复杂行程规划时，才调用最高规格的闭源商业大模型。
- 此外，产品设计上需要合理限制对话轮数，或者适时将自然语言交互转换为卡片式（Structured UI）交互，以降低 Context 长度，优化 Token 转化比。
AI 引发的组织变革与员工技能升级（Upskilling）
观点结论
AI 的普及确实会消灭特定类型的岗位，但企业可以通过前置性的“技能升级计划（Upskilling）”，引导员工从单点任务执行者转型为 AI 系统的监督者与协同者，从而实现组织效率提升与员工保留的平衡。
支撑论据与案例
Glenn 举了 Booking 内部翻译团队的例子。在过去，由于 Booking 支持数十种语言，公司需要雇佣庞大的专业翻译团队来翻译全球酒店的描述信息。随着机器翻译和 LLM 翻译质量达到人类级别，纯人工翻译的岗位需求急剧缩减。然而，Booking 并没有简单地解雇这些员工，而是将他们转型为“AI 翻译质量审计员”以及“本地化文化语境优化师”，利用他们的语言直觉去训练和调优 AI 模型的本地化表现。
底层逻辑与运行机制
岗位消亡与新岗位诞生之间存在时间差。AI 消除的是“任务（Tasks）”而非完整的“职业（Jobs）”。绝大多数工作都是由多项任务组合而成的。企业技能升级的核心逻辑是：将重复性的、基于规则的任务彻底交给 AI，释放员工的带宽，让他们承担更高阶的任务，如人机交互设计、异常事件兜底处理、模型对齐与安全审计。
行业影响与实践启发
对于现代企业的管理者而言，对抗 AI 裁员恐慌的最佳方式是建立系统化的 Upskilling 机制。管理者应当：
- 梳理业务流程中哪些环节的效率正因 AI 发生百倍级提升；
- 预测哪些岗位将受到冲击，并在技术完全成熟前 6-12 个月启动员工的转型培训课程（如提示词工程、AI 输出评估）；
- 引导员工理解：AI 不会取代你，取代你的是率先掌握 AI 工具的同行。这种组织文化能够显著降低技术变革带来的内部阻力。