AI+旅游

输入不完整，输出就会失真：航空AI为何败在数据割裂上

环球旅讯赵琳琳2026-05-31 16:18

一段时间以来，航空业关于AI的讨论始终围绕数据质量展开。然而，真正棘手且代价更高的问题，其实隐藏在更深层次：即使数据本身足够准确、干净，如果依然分散在各个孤立的系统和部门之间，AI也可能得出错误判断，其价值更难真正释放。

随着AI即将重塑航空业的每一个环节——从旅客预订机票，到航空公司实时处理航班延误和运营中断，行业讨论的焦点也理所当然地转向了数据。

更具体地说，一个决定未来谁领先、谁落后的关键问题正在浮现：

支撑这些AI系统运行的数据，真的足够好吗？

在此前的一份报告中，OAG曾探讨过这一问题的一个关键维度——数据质量。

我们指出，在航空这样一个对安全性和准确性要求极高、几乎不容许出错的行业里，存在缺陷、偏差或已经过时的数据输入，往往是导致AI项目失败的“隐形杀手”。然而，数据质量只是问题的一半。

还有另一种失败模式，虽然目前受到的关注相对较少，但其造成的代价可能同样巨大——“输入不全，输出失真”（Partial In, Partial Out）。

你可能拥有完全准确的航班时刻数据——每一个起飞时间都经过核实，每一个登机口分配都准确无误，但AI仍然可能给出灾难性的错误结果。

原因在于，准确性并不等于完整性。

这就像一套GPS导航系统使用的是一张缺失了一半道路的地图：

*它已知的每条道路位置都完全正确；
*它推荐的每一个转弯动作在技术上也都可行；
*但它规划出的路线永远不会是最优解，甚至有时会把你带进一条错误的死胡同，因为它根本不知道还有其他道路存在。

不妨来看两个航空业从业者几乎一眼就能认出的典型场景：

先看一个面向旅客的场景：

一家构建在传统GDS（全球分销系统）之外的智能旅行规划AI，依靠公开可获得的航班时刻数据，为旅客推荐了一条从慕尼黑飞往曼谷、经伊斯坦布尔中转的行程，其中中转时间为70分钟。

从表面上看，时刻数据完全准确，没有任何错误。但问题在于，这套AI系统无法获取伊斯坦布尔机场经过验证的最短中转时间（MCT）规则，也不了解德国公民经土耳其中转时可能涉及的过境签证要求，更缺乏针对特定航司组合的航站楼转换信息。

如果是接入了专业数据源的传统OTA，这些规则和限制条件会被自动纳入计算，这条行程很可能在推荐阶段就被系统直接过滤掉。

然而，这个基于不完整数据运行的AI旅行规划工具，却将其判断为“最佳方案”并推荐给了旅客。

最终，问题在登机口才暴露出来。虽然系统显示中转时间有70分钟，但实际上，即使两段航班都准点运行，旅客也几乎不可能顺利完成转机。70分钟远远不足以满足实际中转所需时间。

再来看运营端的场景：

假设一家航空公司使用AI驱动的航班异常管理系统。该系统监测到欧洲某大型枢纽机场即将遭遇暴风雨天气，预计会导致多架进港航班延误。于是，系统开始自动为受影响旅客重新规划行程，并调整后续衔接航班。

这套AI模型拥有非常优秀的天气数据和准确的航班时刻信息，看起来具备作出合理决策的一切条件。但问题在于，它无法获取实时的机组执勤时间数据，也没有考虑到被重新调配航班上的三名机组成员已经接近法定执勤时限。

结果，AI提出的恢复方案非但没有彻底解决问题，反而制造出了新的运营中断。而对于掌握完整信息的人类运行控制人员来说，这类风险往往能够被第一时间识别并避免。

上述两个案例有一个共同点：

数据本身并没有问题。数据是准确的、可信的、经过验证的。

但它们并不完整。

航空业是一个几乎零容错的行业。哪怕只偏差20分钟，都可能导致旅客误机、滞留机场，并进一步引发连锁延误，最终波及航空公司的整个航线网络。

事实上，错过转机是航空旅行中最容易引发焦虑的体验之一，也是航空业旅客满意度长期偏低的重要原因之一。航空公司的一次转机失误，往往会直接转化为旅客的不满、投诉以及对品牌信任度的下降。

这背后的根本原因，主要在于数据完整性问题。

随着AI从“辅助决策”逐步迈向“自主决策”——也就是从提供建议和推荐，发展到直接执行决策——不完整数据所带来的代价将呈指数级增长。

地球上最“吃数据”的行业？

很少有哪个行业能够像航空业一样，既产生如此庞大的数据量，又如此高度依赖数据。

仅从运营层面来看，这些数字就已经相当惊人：

* 一架波音787的发动机每24小时大约会产生1TB的传感器数据。
* 根据《Aerospace America》报道，一架空客A350搭载超过5万个传感器，每天可产生约2.5TB的数据。
* 仅一台典型的GE航空发动机，每秒就会采集约5000个数据点的信息。

而这些数字仅仅代表一架飞机。

如果将其放大到全球机队规模，情况几乎令人难以想象。根据 Oliver Wyman 的数据，仅在2026年一年，全球商用飞机机队就将产生约1亿TB的运营数据。

随着更新一代、搭载更多传感器的飞机陆续投入运营，这一数字在过去十年间快速增长。

产生海量数据只是挑战的一半。真正的问题在于，这些数据产生之后会发生什么。

航空业是一个高度依赖实时协同的行业，至少涉及六大主要参与方：航空公司、机场、空中交通管制机构、地面服务公司、维修团队以及监管机构。每一方都运行着自己的系统，遵循自己的更新周期，并且往往采用不同的数据格式。

一个系统中的航班时刻已经更新，但另一个系统中的信息却存在滞后；登机口变更已经通知给旅客，但未必同步到行李处理系统；某个机场数据库中的延误信息，可能需要数小时才能传递给合作航空公司。

其结果就是结构性的碎片化，而这种问题已经十分明显。根据国际航空运输协会（IATA）的数据，约三分之二的航空公司面临运营数据孤岛问题，而近一半（47%）的航班延误，源于地面服务、维修和飞行运行等职能部门之间协调不畅。

这些都是数据整合失败的表现，而且问题并不止于机库和运行控制中心。

困扰航空业运营后台的碎片化现象，也存在于其商业前端——也就是旅客搜索、比较和预订航班的环节。不同的系统、不同的数据格式、不同的更新周期，同样的问题不断重复，只是参与者换了一批而已。

根据 Sabre 2025年的一项全球调查，91%的旅行社表示，他们同时使用四种或更多不同的预订系统。

目前三种主流分销模式——GDS、NDC以及航空公司直连API，各自采用不同的数据格式、定价结构和内容框架。即使是在NDC标准内部，不同航空公司对标准的理解和实施方式也并不一致，使得无缝整合始终是一项持续存在的挑战。

而就在过去两年里，这一问题的重要性和影响程度已经显著上升。

航空业的商业前端已经不再只是由搜索框和筛选菜单组成的界面。

它正在演变为一种对话式交互界面。

* 根据 Phocuswright 的数据，超过一半的旅客已经在旅行规划过程中经常使用ChatGPT或类似的AI工具。
* 与此同时，根据Skift和麦肯锡的数据，明确表示拒绝使用AI进行旅行规划的旅客比例已经下降至仅11%。

如今，AI已经成为数百万人决定去哪里旅行、何时出发以及愿意支付多少费用的重要工具。

这一变化对底层数据层提出了深远影响。

负责规划（并且很快将直接预订）行程的AI代理，需要获得跨多个领域的全面、实时且标准化的数据，包括航班时刻、座位可用性、中转规则以及价格信息。

其中，价格数据尤为关键。根据我们的研究，截至2024年底，最高约25%的航空票价已经采用动态定价模式，而大多数航空公司都表示，其长期目标是最终彻底取消静态定价。

在一个票价会根据市场需求变化、竞争对手动作以及旅客个人特征实时生成的世界里，如果AI代理所获取的价格数据已经过时，或者仅掌握部分价格信息，那么这样的AI系统从根本上就是失效的。

当前关于航空业中AI代理的讨论，很大程度上仍然忽略了这一缺口。

大多数讨论集中在模型能力、推理水平以及用户体验上，却很少关注一个更基础的问题：这些AI代理所依赖的数据，是否足够完整到可以支撑它们替旅客做出决策。

动态定价使这一缺口变得尤为关键：AI代理在10:00看到的票价，到了11:00可能已经失效。

这也回到了本次分析的核心论点：在航空业中，仅仅拥有来自单一来源的准确数据是不够的。

你需要来自多个来源的准确数据，并且这些数据必须被一致地整合、实时更新，并以AI系统能够直接使用的格式呈现。

这正是为什么航空数据提供商的“覆盖广度”与单一数据集的“深度”同样重要。

数据缺口越少，AI系统需要“猜测”的空间就越小。

当AI遇到不完整数据（一个真实世界的例子）

即使在今天，不完整的数据整合也已经导致了许多痛苦且完全可以避免的失败。

一个来自汉莎航空集团（Lufthansa Group）的真实案例，就非常清晰地说明了这一点。

在每一趟航班起飞前，客舱机组都会收到一份“故障保留项目清单”，用于说明飞机已知的各类缺陷。在汉莎，这份清单可能长达40页，内容是遗留的电报式缩写，并且通常在登机前几分钟才送达，几乎没有时间完整阅读，更不用说逐条交叉核对。

* 第一页可能注明，第7排A至F座位的机上娱乐系统无法使用。
*但在第22页的某一条记录中，却提到该问题已部分修复，目前六个屏幕中已有三个可以正常使用。
*在时间极其紧张的情况下，机组人员要在准备客舱、迎接旅客的同时，在不同页面之间进行逻辑整合和判断，这种“人工拼图式理解”事实上很难真正完成。

于是，7D座位的乘客坐下后发现屏幕无法使用，按下了呼叫按钮。

机组人员是从乘客口中，而不是从系统中，第一次得知这一故障。

这种信息倒置——也就是客户比服务人员更早掌握问题，往往意味着服务补救的窗口已经关闭。

如果此时查看预订数据，本可以发现这是一位高等级常旅客。在飞机推出滑行前做出一个主动致意的补救动作，几乎不需要任何成本。

而最具讽刺意味的是：这些数据本身其实都是存在的——维护记录、部分修复状态、座位分配信息、会员等级，一应俱全。

问题只是，它们分散在不同系统中，从未以可被使用的形式，传递到正确的人手里。

幸运的是，汉莎航空与 zeroG 合作，构建了一套由AI驱动的解决方案：该系统可以在机组平板上以可视化座位图的方式展示所有已知的客舱缺陷，将受影响的座位与对应乘客自动关联，并将补偿处理选项置于一键可操作的位置。

不再需要40页的纸质清单，也不再存在被埋在多页文档中的矛盾信息。

而更具启示意义的是：最困难的部分并不是构建AI模型本身，而是对数据进行整理——从充满矛盾的维修系统记录中进行校正，并在分散的数据源之间建立逻辑规则，以解决彼此冲突的记录问题。

这正是数据完整性问题的一个缩影。

把这种模式放大到航空公司的整个运营体系中（比如机组排班、航班周转协调、航班中断管理、旅客改签等），数据整合不完整所带来的成本将变得极其巨大。

航空业之外的进一步证明

这种模式并不只存在于航空业。

在各个行业中，那些从数据驱动智能中获益最多的企业，往往都是成功整合了分散数据源的公司。

零售领域的Target Corporation就是一个非常典型的例子。

大约十年前，这家美国零售商开始尝试识别其顾客中哪些人可能正在怀孕。他们意识到，像怀孕这样的重大人生阶段，往往会打破原有的购物习惯。对于任何品牌来说，这种“断裂”本身就是机会：处于人生转折期的消费者更容易尝试新产品，并形成新的消费行为，而怀孕尤其会带来持续数年的消费增长，因为随着孩子成长，相关支出会不断延续。

Target 并不想等到婴儿出生之后才行动——因为在那个阶段，新父母的钱包争夺战最为激烈。它希望更早一步介入。

这一突破并不是来自某一个单一数据集，因为现实中没有任何一个数据源会（也理应不会）直接告诉品牌某位顾客是否怀孕。真正的进展来自于将购买历史与人口统计信息统一到一个预测模型中。

Target Corporation 的一位统计学家发现，当某位顾客开始以特定顺序购买无香型润肤露、特定维生素补充剂，以及超大包装的棉球时，其怀孕的概率会显著上升。

单一商品本身并不能构成信号，但当大约二十五种来自不同数据源的商品组合在一起，并绑定到同一个用户ID时，就能够让 Target 不仅预测怀孕，还能估算预产期——而且往往是在顾客尚未告知家人之前。这一做法也因此引发了相当大的数据隐私争议。

据估计，这一项目每年为这家美国零售商带来了数亿美元的额外收入。它之所以成功，并不是因为 Target 的数据比竞争对手更好，而是因为它把原本分散在各个“数据孤岛”中的信息连接了起来。

Starbucks 将这一思路进一步推进。2019年，这家咖啡连锁推出 AI 平台 Deep Brew，将移动应用中的交易历史、实时天气数据、当地活动安排、一天中的时间模式，以及个人会员偏好等信息，整合进一个统一的智能层中。

最终结果是：个性化推荐可以根据情境动态调整。比如在炎热的午后推送冷饮促销，或者在顾客通常的早晨到店时间推荐一款糕点。

*在2023至2024年间，Starbucks 将约21亿美元的新增收入归因于 AI 驱动的个性化推荐。
*同期，其移动应用已成为数字战略的核心，贡献了18亿美元收入，占美国业务总收入的25%。
*对门店表现的影响同样显著：在部署个性化推荐的渠道中，平均客单价提升了12%至15%；而同店销售额在 AI 营销活动直接推动下增长了4%至6%。