Airbnb пишет 60% кода с помощью ИИ: уроки для тех, кто читал Тима Джонса

Ахмад Аль-Дахле пришёл в Airbnb на должность технического директора в январе 2025 года. До этого он руководил направлением генеративного ИИ в Meta и отвечал за запуск открытых моделей Llama в 2023–2025 годах. О деталях трансформации Аль-Дахле рассказал в интервью подкасту Latent Space. Ниже разберём его подход по шагам, чтобы вы могли примерить логику на свои задачи.

Для тех, кто изучает тему глубже (например, читал книгу Тима Джонса «Программирование искусственного интеллекта в приложениях», доступную в PDF), кейс Airbnb полезен как мост между теорией и реальным продакшеном: здесь видно, где академические принципы работают, а где приходится строить собственные инструменты.

Что понадобится

• Доступ к нескольким языковым моделям: и к закрытым (через API), и к открытым (модели с открытыми весами, которые можно дообучить, то есть обучить на своих примерах под узкую задачу)
• Инструмент для генерации синтетических данных (искусственно созданных тестовых примеров, имитирующих реальные запросы пользователей)
• Система оценки моделей (эвалов, evaluation), набор тестов под каждый сценарий
• Внутренняя база знаний или граф контекста, куда складываются наработки команд
• Готовность перестроить процесс: убрать лишние документы-артефакты и перейти к прототипам

Шаг 1. Перестройте цепочку «от идеи до кода»

Традиционная схема в разработке выглядит так: продуктовые требования, затем дизайн в Figma, затем код, затем тестирование. Каждый этап означает передачу от одной команды к другой.

Airbnb убрала промежуточные «артефакты» (документы с требованиями, спецификации) и перевела команды продукта, дизайна и инженеров на совместную работу сразу с прототипами. Код стал единственным артефактом, на основе которого ведётся обсуждение.

«Мы перестали плодить документы и сделали код тем артефактом, вокруг которого рассуждаем, плюс прототипы.» : Ахмад Аль-Дахле, технический директор Airbnb

По словам Аль-Дахле, сокращение этих передач между командами дало самый заметный прирост скорости.

Шаг 2. Измерьте, сколько кода пишет ИИ, и зафиксируйте базовую линию

Airbnb отслеживает три метрики:

• Доля кода, написанного ИИ: сейчас 60%
• Прирост функций и улучшений год к году: около 80%
• Пропускная способность пулл-реквестов на инженера: выросла примерно в 1,6 раза

Без замеров до внедрения невозможно понять, дал ли ИИ реальный эффект. Начните с фиксации текущих показателей: сколько задач закрывает команда за спринт, сколько строк кода в среднем на разработчика, сколько дней от идеи до релиза.

Шаг 3. Постройте граф внутреннего контекста

Внутри Airbnb работает система Everest. Это контекстный граф организации: он собирает знания из кодовой базы, использует LLM (большие языковые модели), эмбеддинги (числовые представления текста, по которым модель ищет смысловую близость) и ИИ-поиск по графу.

Практический результат: сервис доставки продуктов разрабатывали восемь-девять месяцев. Затем наработки попали в Everest, и следующий сервис (трансферы из аэропорта) команда собрала за шесть недель.

Ещё одно следствие: разработчики-универсалы могут работать со специализированными частями кода, потому что Everest даёт им нужный контекст. Не нужно держать узкого специалиста на каждом модуле.

Шаг 4. Начните автоматизацию с самого сложного участка

Интуиция подсказывает начать с простого. Airbnb поступила наоборот: первым участком, куда вывели ИИ для пользователей, стала клиентская поддержка. Аль-Дахле назвал её «самой трудной задачей для развёртывания», потому что цена ошибки высока.

Сейчас ИИ-агенты (автономные программы, которые сами ведут диалог с клиентом) закрывают примерно половину обращений. По данным квартального отчёта Airbnb за второй квартал 2025 года, точная цифра составляет почти 45%.

При этом команда сознательно ограничивает агентов: вопросы безопасности и сложные случаи по-прежнему передаются людям.

«Мы закрываем 50% тикетов, но мы осознанно выбираем, какие тикеты пока не отдаём агентам.» : Ахмад Аль-Дахле, технический директор Airbnb

Шаг 5. Тестируйте на синтетических данных до продакшена

Перед тем как ИИ-агент начинает работать с реальными клиентами, Airbnb прогоняет его через «батарею» синтетических данных. Это искусственно сгенерированные обращения, которые имитируют настоящие сценарии, включая редкие и конфликтные.

Порядок такой:

1. Собрать модель и агента
2. Сгенерировать набор синтетических тестовых запросов
3. Прогнать агента по ним и оценить качество ответов
4. Только после прохождения тестов выпустить в продакшен

Шаг 6. Используйте несколько моделей, а не одну

Airbnb называет себя «мультимодельной компанией». Аль-Дахле сообщил, что в продакшене работают как минимум 10 дообученных моделей. Компания использует смесь закрытых и открытых моделей, при этом основную часть дообучения и обучения с подкреплением проводит именно на открытых моделях.

Для каждого применения модель выбирают по трём осям: стоимость, качество, скорость отклика (латентность, то есть задержка между запросом и ответом). Для поиска используют один набор тестов, для поддержки другой.

Логика выбора модели (упрощённо):

1. Определить задачу (поиск / поддержка / генерация контента)
2. Собрать эталонные запросы из реального продакшена
3. Прогнать кандидатов-моделей по этим запросам
4. Выбрать модель с лучшим балансом цена/качество/скорость для данной задачи

Что делать с этим прямо сейчас?

Автору на Дзене. Принцип «код как артефакт» переносится на контент: вместо подробного плана статьи на три страницы попросите языковую модель сразу сгенерировать черновик, и редактируйте его. Это тот же сдвиг от документа к прототипу. Книга Тима Джонса «Программирование искусственного интеллекта в приложениях» (PDF доступен в сети) помогает понять базовые принципы, но кейс Airbnb показывает, что практика обгоняет учебники.

Маркетологу. Подход «мультимодельность» применим к вашим задачам: одна модель лучше пишет заголовки, другая анализирует данные, третья генерирует изображения. Не ищите одно решение на все случаи, тестируйте модели под каждый сценарий отдельно.

Предпринимателю в РФ. Продукты Airbnb (Everest, внутренний граф) недоступны извне. Но принцип воспроизводим: постройте внутреннюю базу знаний, подключите к ней языковую модель (из доступных в России, YandexGPT или GigaChat), и пусть каждый следующий проект наследует опыт предыдущего. Даже без бюджета Airbnb (рыночная капитализация компании составляет около 93 млрд долларов, по данным Latent Space на момент публикации) граф контекста масштабируется от десятков документов.

Кейс Airbnb доказывает одну вещь: ИИ даёт измеримый эффект только тогда, когда сначала меняется процесс, а технология встраивается в уже перестроенную цепочку. Начните с того, чтобы убрать одну лишнюю передачу между командами, и уже на этом шаге вы увидите, где ИИ действительно нужен, а где он просто модное дополнение.