Airbnb CTO Ahmad Al-Dahle 谈如何把 Airbnb 改造成 AI 原生公司

在领导Meta的Llama模型之后，Ahmad Al-Dahle如今正用AI改造Airbnb——从团队如何开发产品，到如何服务房客。

在今年1月加入Airbnb担任CTO之前，Ahmad Al-Dahle是Meta生成式AI负责人，并在2023至2025年间主导推出了其开源Llama模型。如今，Al-Dahle负责把Airbnb打造成一家“AI原生公司”。

在实践中，这意味着在内部使用AI来加快产品开发，然后再用这些同样的能力来变革客户体验。我们称之为“由内而外的AI”方法，本文将深入探讨其中的细节。

Al-Dahle与Latent Space谈到了Airbnb的AI转型。我们首先问他，为何从在Meta构建前沿模型转向在Airbnb部署这些模型。

“从根本上说，我喜欢追逐我认为艰难前沿所在的地方，”他回答道，或许是一语双关。“我们[在Meta]多少知道飞轮是什么样子，我们懂得如何一代接一代地提升模型能力。”

Al-Dahle认为，下一个挑战是大规模部署模型。在Airbnb，他的目标是“推动人们以不同的方式工作，因为这些工具正在改变你的工作方式”，以及“把这些系统投入生产，以真正为核心用户体验增加价值的创造性方式加以部署”。

直接跳到原型，代码就是产物

自2008年成立以来，Airbnb一直被视为一家在酒店业运营的科技公司。公司于2020年上市，目前市值约为930亿美元（截至本文撰写时）。因此，要把它打造成“AI原生”是一项庞大的工程。

Al-Dahle列举了几项统计数据，以表明Airbnb如今已深度拥抱AI：目前60%的代码由AI编写，功能与改进的交付量同比增加近80%，普通工程师的拉取请求吞吐量提升了约1.6倍。

但Airbnb究竟是如何做到这一切的？

首先，他说，这关乎改变软件工程的组织流程。传统上，你可能先做产品需求，然后在Figma中做设计，接着进行工程实现，最终进行生产测试。过去，这些环节需要从一个团队交接给另一个团队。但现在，Airbnb让产品、设计和工程团队直接转向与原型协作。

“缩短这段时间，实际上是许多传统软件公司要实现这一跨越所必须做出的最大节省之一，”Al-Dahle说。“所以我们实现了这一跨越，结果它实际上为我们的产品开发流程带来了巨大的顺风。”

这一变化的一个副产品是，团队直接与代码打交道，而不是处理产品需求文档之类的“产物”。

“我们不再过度生成产物，而是让代码成为我们据以推理的产物，以及原型，”他说。

AI解决约一半的客服工单

Al-Dahle告诉我们，客户支持是它引入AI的第一个面向用户的领域。他称这是“最难部署的问题”，因为“犯错的风险和后果非常高”。

Al-Dahle说，Airbnb目前约有一半的客服工单完全由AI解决（这与公司第二季度财报一致，该财报给出的数字接近45%）。

他说，关键在于使用合成数据在投入生产之前对系统进行全面测试。

“我们从这里开始：构建一个模型，构建智能体，并在你真正投入生产之前就开始生成一批合成数据。”

他指出，尽管智能体处理了约一半的客户支持查询，但他们对哪些需要人工协助十分谨慎——例如安全问题。

“因此，虽然我们解决了50%的工单，但我们实际上对暂时不选择[用智能体]解决的工单是有意为之的。”

Everest，Airbnb的AI上下文图谱

Airbnb Services中你可能还不熟悉的两个项目是杂货配送和机场接送（杂货服务刚刚扩展到更多城市）。这两项服务都在今年早些时候推出，部分归功于Airbnb由内而外的AI方法。

正是一个名为Everest的内部组织上下文图谱，帮助这些产品快速推向市场。Al-Dahle说，Everest使用LLM、嵌入和基于AI的检索等技术来构建和查询该图谱。

他解释说，杂货配送和机场接送服务是“类似的服务——与合作伙伴服务[外部公司]的API集成，这些服务集成到我们的平台上”。

杂货服务最先构建，其经验被纳入Everest。这使得机场接送团队能够更快地完成项目。Airbnb在第二季度财报中表示，“杂货花了八个月、九个月，而机场接送大约花了六周来开发。”

此外，使用Everest意味着其开发者不一定需要专业知识就能参与项目。

“由于这个存在于整个代码库中的上下文图谱，”Al-Dahle说，“我们能够让通才在非常专业的代码部分工作。”

这两项新服务都在5月Airbnb 2026夏季发布会上由CEO Brian Chesky重点介绍。

选择使用哪些模型并定制开源模型

为了更直观地说明Airbnb内部的AI使用情况，Al-Dahle将其描述为一家“多模型公司”，并表示其生产系统中部署了“许多不同的模型”。

Airbnb混合使用前沿模型和开源模型，但大部分自身的后训练和强化学习都是在开源模型上进行的。Al-Dahle表示，公司至少部署了10个针对生产用例定制的模型。

公司还会沿着成本、性能和延迟的帕累托前沿对模型进行评估，为每个应用选择不同的权衡方案。

“我们针对每个用例分别运行评估，”他解释道。“因此，如果我们用某个模型做搜索，我们会有一组从生产环境中采样的搜索查询来进行衡量。如果做客户支持，我们也会采样所有我们最关心的生产查询——包括边缘情况。”

“我们尽量让合适的工具做合适的工作，”他补充道。例如，编码可以容忍更高的延迟，但错误的代价很高。因此他们倾向于在编码任务中使用最强的前沿模型。

“使用绝对最前沿的编码模型是合理的，因为模型每产生一个缺陷，都可能轻易让我们付出高得多的代价。”

另一方面，搜索被Airbnb用户大规模使用，因此对延迟非常敏感。所以对于这项工作，他们更倾向于更小的专用模型。Al-Dahle声称，经过后训练的较小模型有时会胜过前沿模型。

“对于狭窄的用例，我们能够采用真正小巧、真正灵活、速度非常快且成本低廉的模型，并对它们进行后训练，使其超越前沿。”

异步智能体：下一次重大转变

与其他AI原生公司一样，Airbnb也打造了一个内部智能体——在它这里叫做AirChat。

“我们有自己的内部智能体，我们称之为AirChat，它基本上包含了所有必要的MCP组织上下文，”Al-Dahle说。

但Airbnb也开始着手实施Al-Dahle眼中智能体的下一步发展：在容器中运行、由事件触发的异步智能体。

“我们很多团队正开始把他们的on-call基本自动化，”他解释道。“所以如果有什么触发了，比如Grafana的阈值或你使用的任何监控系统触发了，智能体就会启动，去进行分诊并执行你的on-call，你的初始on-call。”

人类工程师可以审查智能体提出的PR，而如果智能体判定该告警是偶发抖动，它也可以自行关闭该事件。

这一流程让我们联想到Vercel的AI SDK、Astro、Flue和tldraw等开源项目如何使用软件工厂——即智能体团队——来应用修复和功能。

Al-Dahle认为这种方法最终会被用于其整个市场平台；例如用于监控欺诈、“信任违规”、市场质量和软件缺陷。

“我的愿景是大量异步智能体帮助自动化和运营这个市场。”

保持软件工程的技艺

Al-Dahle认为，围绕成果而非功能来组织团队，是成为AI原生公司的关键。

“如果你是一家按功能开发来组织团队的公司，你会在AI时代举步维艰，”他说。“如果你是一家按目标、使命和你想要达成的结果来组织团队的公司，你就会安然无恙。”

话虽如此，Al-Dahle 在这次 AI 原生转型中仍有一件事感到担忧：既然 AI 现在能为初级工程师完成这么多工作，他们是否还在培养自己的技艺和判断力。

他说，资深工程师的判断力是通过多年交付系统、在生产环境中运维软件积累起来的——包括他们一路上犯过的错误。

Al-Dahle 说，解决方案的一部分是确保他们所有工程师都能解释 AI 为他们所做的工作。

“我极力推动的一件事是，每位工程师都必须能够解释，即使 PR 是 AI 生成的，也必须能够解释他们构建了什么。我认为如果这个基本前提依然成立，那么更多初级工程师就会学到界面设计和架构的技艺，以及测试、单元测试和集成测试的重要性。所以我们正努力让我们的技艺保持在高水平。”