Airbnb CTO 谈如何把公司改造成 AI 原生：60% 代码由 AI 编写

在1月份加入Airbnb担任CTO之前，Ahmad Al-Dahle是Meta的生成式AI负责人，并在2023至2025年间主导了其开源Llama模型的发布。现在，Al-Dahle负责将Airbnb转变为一家“AI原生公司”。

在实践中，这意味着在内部使用AI来加速产品开发，然后利用这些相同的能力来变革客户体验。我们称之为“由内而外的AI”方法，在本文中我们将深入探讨细节。

Al-Dahle与Latent Space谈论了Airbnb的AI转型。我们首先问他，为什么他从在Meta构建前沿模型转向了在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，或许有意双关。“我们[在Meta]大致知道飞轮是什么样子，我们了解如何一代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“将这些系统投入生产部署，以创造性的方式真正为核心用户体验增加价值。”

跳到原型，代码就是产物

自2008年推出以来，Airbnb一直被视为一家在酒店业运营的科技公司。该公司于2020年上市，目前市值约为930亿美元（截至撰写本文时）。因此，试图使其“AI原生”是一项庞大的工程。

Al-Dahle列举了一些统计数据来表明Airbnb现在已经深度拥抱AI：其60%的代码现在由AI编写，同比发布的功能和改进增加了近80%，普通工程师的拉取请求吞吐量提高了约1.6倍。

但Airbnb究竟是如何做到这一切的呢？

首先，他说这关乎改变软件工程的组织流程。传统上，你可能会先做产品需求，然后在Figma中进行设计工作，接着是工程实现，最后是生产测试。过去，这些都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使用原型进行工作。

“缩短这段时间实际上是许多传统软件公司必须实现飞跃的最大节省之一，”Al-Dahle说。“因此我们实现了这一飞跃，它实际上为我们的产品开发流程增添了巨大的顺风。”

这一变化的副产品是团队直接处理代码，而不是处理产品需求文档之类的“产物”。

“我们从过多的产物生成转向了以代码作为我们推理的产物，以及原型，”他说。

AI解决了大约一半的支持工单

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“犯错的风险和后果都非常高”。

Al-Dahle 表示，Airbnb 目前大约一半的支持工单完全由 AI 解决（这与公司 Q2 业绩一致，该数字接近 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：构建模型、构建智能体，并在你真正投入生产之前就开始生成大量合成数据。”

他指出，尽管智能体处理了大约一半的客户支持查询，但他们在哪些需要人工协助方面非常谨慎——例如安全问题。

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

Everest，Airbnb 的 AI 上下文图谱

你可能还不太熟悉的两个 Airbnb Services 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）。两者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 表示，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，其经验教训在 Everest 中可供使用。这使机场接送团队能够更快地完成项目。在其 Q2 财报中，Airbnb 表示“杂货花了八个月、九个月，机场接送花了大约六周时间开发。”

此外，使用 Everest 意味着其开发人员不一定需要专业知识来开展项目。

“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。”

这两项新服务均由 CEO Brian Chesky 在 5 月的 Airbnb 2026 夏季发布会上重点介绍。

选择使用哪些模型并定制开源模型

为了更直观地了解 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在开源模型上进行。Al-Dahle 表示，该公司为生产用例部署了至少 10 个定制模型。

它还沿着成本、性能和延迟的帕累托前沿评估模型，为每个应用选择不同的权衡。

“我们专门针对每个用例运行评估，”他解释道。“所以如果我们用模型做搜索，我们有一套从生产环境中采样的搜索查询，用来衡量效果。如果我们做客户支持，我们也会采样所有我们最关心的生产查询——包括边缘情况。”

“我们尽量用合适的工具做合适的事，”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。所以他们更倾向于为编码任务使用可用的最强前沿模型。

“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，我们能够采用非常小、非常灵活、速度极快且成本低廉的模型，并对它们进行超越前沿的后训练。”

异步智能体：下一个重大转变

与其他 AI 原生公司一样，Airbnb 也创建了一个内部智能体——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[包含]基本上所有必要的 MCP 组织上下文，”Al-Dahle 说。

但 Airbnb 也开始实施 Al-Dahle 所认为的智能体的下一个发展方向：在容器中运行、由事件激活的异步智能体。

“我们的很多团队开始基本上把他们的值班自动化了，”他解释道。“所以如果有什么触发了，如果 Grafana 限制或你使用的任何监控系统触发了，智能体就会启动，然后进行分诊并运行你的值班，你的初始值班。”

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警报是误报，它可能会自行关闭该事件。

这个过程让我们想起像 Vercel 的 AI SDK、Astro、Flue 和 tldraw 这样的开源项目如何使用软件工厂——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、使命和你试图达成的结果来组织团队的公司，你会没事的。”

话虽如此，在这次 AI 原生转型期间，有一件事让 Al-Dahle 担忧：初级工程师是否还在培养他们的技艺和判断力，因为 AI 现在能替他们做这么多工作。

他说，资深工程师是通过多年交付系统并在生产环境中运营软件——包括一路走来犯下的错误——才获得判断力的。

Al-Dahle 表示，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，每个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仍然成立，那么更多初级工程师将学习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。所以我们正努力保持我们的技艺水平非常高。”