Ahmad Al‑Dahle januárban csatlakozott az Airbnb‑hez műszaki vezetőként (CTO). Korábban a Meta generatív mesterséges intelligenciáért felelt, és a Meta Llama nyílt forráskódú modelleinek 2023–2025‑ös bevezetésében játszott szerepet. Az Airbnb‑nél Al‑Dahle feladata, hogy a vállalatot „AI‑natív” céggé tegye: először belsőleg használják az AI‑t a termékfejlesztés felgyorsítására, majd ezekre a képességekre építve javítják a felhasználói élményt — ezt a megközelítést Al‑Dahle és a beszélgetés leírása „inside‑out AI” néven említi.
Miért váltott Meta‑ról Airbnb‑re?
Al‑Dahle azzal indokolta a váltást, hogy a Meta‑nál már értették a modellfejlesztés ciklusát („a flywheelt”) és a generációról generációra történő képességnövelést. Szerinte a következő kihívás a modellek éles, nagy léptékű bevezetése: „ezek az eszközök átalakítják a munkavégzést, és mi arra törekszünk, hogy ezeket rendszereket kreatív módon üzemeltessük a felhasználói élmény értékének növelésére.”
Mekkora az átalakulás? Konkrét számok
Al‑Dahle néhány statisztikát említett az AI beágyazottságáról az Airbnb‑nél:
- A kód körülbelül 60%-a ma már AI által írt vagy AI segítségével készült.
- Év/év alapon közel 80%-kal több funkciót és fejlesztést adtak ki.
- Az egy átlagos mérnök által kezelt pull‑request throughput körülbelül 1,6‑szorosára nőtt.
Ezek a számok azt jelzik, hogy a vállalat eredményesen integrálta az AI‑t a fejlesztési folyamatokba.
Folyamatok átalakítása: kódtól a prototípusokig
A változás kulcsa szervezeti és folyamatbeli átalakulás: korábban a termékkövetelmény→Figma‑design→mérnöki implementáció→tesztelés hagyományos átadási lánca működött. Az Airbnb most arra ösztönöz, hogy a termék, design és mérnöki csapatok közvetlenül prototípusokkal dolgozzanak, a kódot pedig elsődleges „artifaktnak” tekintsék.
Al‑Dahle szerint ez az időmegtakarítás a hagyományos szoftvercégek számára az egyik legnagyobb ugrást jelenti, és jelentős lendületet adott a termékfejlesztésnek.
Ügyfélszolgálat: az első ügyfélfelé mutatott AI‑használat
A support volt az első ügyfélfelé mutatott terület, ahol AI‑t vezettek be. Al‑Dahle ezt „a legnehezebb telepítési problémaként” írta le, mivel a hibák következményei nagyok.
- Körülbelül a megoldott jegyek fele most már kizárólag AI által kezelődnek; a cég negyedéves (Q2) jelentése szerint ez az arány közel 45%.
- A megbízhatóság érdekében Airbnb széles körben használ szintetikus adatokat: először modellt és ügynököt építenek, majd nagy mennyiségű szintetikus adatot generálnak és tesztelnek a produkció előtti fázisban.
- Bizonyos esetekben, például biztonsági kérdésekben, szándékosan hagynak emberi beavatkozást—tehát míg az ügynökök megoldják a jegyek felét, van tudatos kiválasztás arra, mely jegyeket nem automatizálnak.
Everest: az AI kontextusgráf és új szolgáltatások
Az Airbnb‑nél egy belső kontextusgráfot fejlesztettek Everest néven, amely LLM‑eket, embeddingeket és AI‑alapú lekérdezési technológiákat használ a kód és szervezeti tudás leképezésére. Everest fontos szerepet játszott abban, hogy az idén indított új külső szolgáltatások — például a házhoz szállított élelmiszer (grocery deliveries) és a reptéri felvételek (airport pickups) — gyorsabban piacra kerülhessenek.
- Az Airbnb Q2‑es jelentése szerint a grocery szolgáltatás fejlesztése nyolc‑kilenc hónapot vett igénybe, míg az airport pickups projekt nagyjából hat hét alatt készült el, részben az Everestben rögzített tanulságoknak köszönhetően.
- Everest lehetővé teszi, hogy nem feltétlenül specialisták dolgozzanak nagyon szakterületi kódrészeken: a kontextusgráf áthidalja a szakértelem hiányát, így általánosabb fejlesztők is hatékonyan dolgozhatnak.
Mindkét szolgáltatást Brian Chesky, az Airbnb vezérigazgatója kiemelte a 2026‑os Summer Release rendezvényen májusban.
Többmodell‑stratégia és modelldöntések
Al‑Dahle szerint az Airbnb „többmodellű” vállalat: többféle modellt futtatnak produkcióban. Keverik a frontier (vezető teljesítményű) és a nyílt modelleket, de a legtöbb poszt‑tréninget és megerősítéses tanulást saját maguk végzik nyílt modelleken. Legalább 10 testreszabott modellt használnak produkciós esetekre.
A modellek kiválasztását költség, teljesítmény és késleltetés (latency) Pareto‑határán értékelik, és minden alkalmazásnál más kompromisszumot választanak. Például a kódolási feladatoknál inkább a legjobb frontier modellt használják a hibák költséges volta miatt, míg a keresésnél – amely nagyon latency‑érzékeny és nagy forgalmú – kisebb, specializált modelleket preferálnak.
Al‑Dahle azt is megjegyezte, hogy bizonyos szűk feladatokra a kisebb, poszt‑tréningelt modellek időnként túl is szárnyalják a frontier modelleket: gyorsabbak, olcsóbbak és speciális feladatokra továbbfejleszthetők.
Aszinkron ügynökök és az ügynökök következő generációja
Airbnb belső ügynökrendszere AirChat néven fut, és tartalmazza a szükséges szervezeti kontextust (MCP). Al‑Dahle szerint a következő fontos elmozdulás az aszinkron ügynökök használata: konténerekben futó, események által aktivált ügynökök, amelyek például automatikusan ellátják az on‑call triage feladatokat.
- Ha egy monitoring riasztás aktiválódik, az ügynökök felpörögnek, elvégzik az első hárítást és akár lezárhatják az incidenst, ha hibás (flaky) riasztást találnak. Egy emberi mérnök átnézheti az ügynök által javasolt pull‑requestet.
- Al‑Dahle elképzelése szerint ezek az aszinkron ügynökök később a piactér egészét segíthetik automatizálni: csalásfelderítés, „trust violations”, piactéri minőség és szoftverhibák monitorozása.
A szoftvermérnöki mesterség megőrzése
Al‑Dahle hangsúlyozza, hogy a szervezeteket eredmények és célok mentén érdemes felépíteni, nem pedig feature‑fejlesztésre koncentrálva — ez szerinte elengedhetetlen az AI‑korban való boldoguláshoz.
Ugyanakkor aggályai is vannak: hogy a junior mérnökök valódi ítélőképességet és szakmai érzéket szereznek‑e, ha az AI sok munkát elvégez helyettük. Tapasztalt mérnökök évek alatt, hibákon keresztül alakítják ki a döntési képességüket. Ennek kezelésére Al‑Dahle azt sürgeti, hogy minden mérnök, még ha az AI hozta is létre a PR‑t, legyen képes elmagyarázni, mit épített és miért. Ezzel kívánják biztosítani a felülettervezés, architektúra, illetve a tesztelés (unit és integrációs tesztek) magas szintjét.
Összegzés
Ahmad Al‑Dahle vezetésével az Airbnb belsőleg helyezi az AI‑t a fejlesztési munkafolyamatok középpontjába, majd ugyanazokból az alapokból építve hoz létre ügyfélfelé mutató szolgáltatásokat. A cég mutatói — AI‑szerkesztett kód aránya, az AI‑alapú support hatékonysága, a gyorsan bevezetett új szolgáltatások — azt jelzik, hogy az „inside‑out” megközelítés jelentős hatással van az Airbnb működésére és termékfejlesztésére.
