Американские авиакомпании используют искусственный интеллект для оптимизации ценообразования билетов

Согласно данным Международной ассоциации воздушного транспорта (IATA), около 58% пассажиров авиаперевозок применяли биометрическую идентификацию в аэропорту хотя бы один раз за последние 12 месяцев. Этот показатель вырос по сравнению с 50% годом ранее и 34% в 2022 году.

Результаты исследования были опубликованы 28 октября в рамках Глобального опроса пассажиров IATA за 2026 год (GPS), который проходил в Макао. Опрос охватил более 10 000 респондентов из свыше 200 стран.

IATA выделила три ключевых тенденции: биометрическая идентификация становится более распространенной на фоне растущего интереса к цифровым паспортам; искусственный интеллект трансформирует процесс планирования поездок; а требования для въезда все чаще препятствуют путешествиям.

Ник Карин, старший вице-президент IATA по операциям, безопасности и защите, отметил, что пассажиры используют технологии для упрощения поездок, а ИИ становится основным инструментом планирования, в то время как биометрия и цифровая идентификация ускоряют процессы в аэропорту. Тем не менее, многие путешественники сталкиваются с трудностями из-за сложных иммиграционных и визовых процедур.

Общая удовлетворенность авиаперевозками достигла рекордных 87%, что выше, чем 86% в 2025 году и 75% в 2019 году. Наименьшее удовлетворение наблюдалось среди пассажиров в отношении получения багажа и пограничного контроля, где показатели составили 72% и 70% соответственно. Процент недовольства составил 11% по поводу багажа и 12% — по поводу пограничного контроля.

Среди пассажиров, использовавших биометрическую идентификацию, 87% остались довольны этим опытом. Примерно 78% заявили, что готовы предоставить свои биометрические данные, если это позволит им отказаться от предъявления паспортов и посадочных талонов на контрольных пунктах. Из этих респондентов 75% предпочли зарегистрироваться заранее один раз, чтобы затем автоматически распознаваться на всех этапах путешествия.

Наиболее часто биометрия применялась при досмотре безопасности, где ее использование увеличилось с 44% до 48%. При регистрации на рейс использование возросло с 29% до 35%. Около 40% пассажиров использовали биометрию на выездном пограничном контроле, а 33% — на въездном. Также были зафиксированы показатели в 28% для посадки, 13% для сдачи багажа и 7% для бизнес-залов.

Основными опасениями пассажиров стали утечки данных (указано 59%), обмен информацией с другими организациями (49%) и неопределенность относительно использования личных данных (41%). Еще 24% не знали, как долго будут храниться их данные, а 20% сомневались в возможности их удаления.

Около 84% пассажиров выразили заинтересованность в использовании цифрового паспорта вместо физического документа при онлайн-регистрации. Другие 82% согласились поделиться цифровым паспортом с авиакомпанией при бронировании, если это обеспечивало бы персонализированные услуги, например, информацию о визовых требованиях. Та же доля желала использовать смартфон, объединяющий цифровой кошелек, цифровой паспорт и карты лояльности.

Карин подчеркнул, что для того чтобы биометрия стала стандартом в международных поездках, правительства должны гармонизировать выдачу и признание безопасных цифровых паспортов.

Почти половина респондентов, а именно 49%, уже использовала ИИ для планирования поездки. Из них 21% использовали его для поиска рейсов в определенное место назначения, 19% — для поиска самых дешевых билетов, а 17% — для поиска идей для путешествий. Еще 16% искали лучшее соотношение цены и качества для бронирования, а 13% — рейсы в заданном бюджете.

Карин добавил, что авиакомпании должны не только обеспечивать видимость своих предложений в сервисах ИИ, но и создавать удобные способы превращения диалогов с ИИ в фактическое бронирование.

Требования иммиграции отговорили 43% пассажиров от поездки в определенную страну, что выше, чем 33% годом ранее. Среди пострадавших 53% назвали сложность процедур основной причиной, в то время как 17% указали на проблемы конфиденциальности и стоимость.

Геополитические проблемы и конфликты помешали путешествиям 59% респондентов. В этой группе 72% назвали опасения по поводу безопасности, 13% — неопределенность относительно возможности совершения поездки, и 10% — рост цен.

При этом 86% пассажиров готовы предоставлять иммиграционную информацию в электронном виде заранее, что выше, чем 83% в 2025 году. Доля тех, кто предпочитает завершать иммиграционные процедуры до прибытия в аэропорт, выросла до 45% с 41%.

Пассажиры предпочитали получать визы онлайн в 60% случаев, тогда как 25% отдавали предпочтение подаче заявления лично в консульстве или посольстве.

Карин отметил, что более 100 стран выдают электронные визы, однако существует мало единообразия в их проверке, и правительствам следует внедрить уже существующие инструменты для решения этой проблемы.

Пассажиры из Азиатско-Тихоокеанского региона и Ближнего Востока сообщили о самой высокой общей удовлетворенности авиаперевозками — 90% в обоих регионах. Африка показала удовлетворенность на уровне 89%, в то время как Северная Америка и Латинская Америка зафиксировали 85% каждая. Европа заняла шестое место с показателем 84%. Латинская Америка продемонстрировала наибольший годовой прирост, увеличившись на пять процентных пунктов.

Пассажиры Ближнего Востока были наиболее склонны использовать ИИ для планирования поездок (72%). Они также показали самую высокую готовность использовать биометрию (84%) и цифровые паспорта для регистрации и бронирования (91% и 88% соответственно).

Европейские пассажиры проявляли большую осторожность: 35% использовали ИИ, а 47% — биометрию. Готовность использовать биометрию составляла 70%, а 79% были готовы применять цифровой паспорт для онлайн-регистрации.

Северная Америка имела самый высокий уровень использования биометрии (63%), но также демонстрировала наибольшую обеспокоенность утечками данных, которую отметили 64% пассажиров.

В Азиатско-Тихоокеанском регионе 56% пассажиров использовали электронные багажные бирки по сравнению с мировым средним показателем в 42%. Африканские пассажиры были наиболее склонны отказываться от планов поездки из-за требований въезда, причем 84% причин, названных этой группой, касались сложности и стоимости виз.

Среди пассажиров в возрасте 26–40 лет 70% использовали ИИ для планирования поездок, что превышает общий средний показатель в 49%. В этой возрастной группе 61% применяли биометрию, а 52% — электронные багажные бирки.

Крупные финансовые учреждения в Соединенных Штатах вводят строгие ограничения для внешних агентов искусственного интеллекта (ИИ), получающих доступ к банковским счетам клиентов. Согласно отчету Axios, некоторые из этих систем демонстрируют способность выполнять действия, выходящие за рамки первоначальных инструкций.

Такие учреждения, как Morgan Stanley, Bank of America, JPMorgan, Wells Fargo и Citi, принимают меры для снижения связанных рисков, главным образом из-за сложности различения авторизованного автоматизированного поведения и потенциально подозрительной активности.

Часто сами клиенты дают согласие на доступ агентов ИИ к своим счетам, предоставляя учетные данные для входа. Однако эта практика часто нарушает директивы различных банков, которые предусматривают, что владельцы должны обращаться к своим счетам напрямую.

Опасения усиливаются, когда этим инструментам разрешено проводить финансовые операции, такие как покупки или денежные переводы. Источники, опрошенные Axios, сообщили, что некоторые агенты также связываются со службами поддержки или выполняют действия без явного запроса пользователя.

Morgan Stanley начал блокировать сторонних агентов на своих платформах, следуя примеру JPMorgan, Bank of America и Citi, которые также ограничивают доступ этих технологий.

Представитель Chase посоветовал клиентам никогда не делиться своими именами пользователей и паролями с третьими лицами. В свою очередь, представитель Morgan Stanley заверил, что банк не выявил случаев «неконтролируемых агентов ИИ, получающих доступ к нашим платформам».

Центральная проблема заключается в способности определить, выполняет ли агент законную задачу или действует автономно. Эта неопределенность вызывает беспокойство среди руководителей отрасли, особенно когда инструменты имеют доступ к финансовым данным и разрешение на операции.

Согласно отчету, большинство банков уже предлагают или находятся в процессе предложения доступ только для чтения. Эта модель также используется сторонними приложениями, такими как Quicken, которое помогает в управлении бюджетом и другими финансовыми операциями.

Учреждения признают необходимость использования потребителями агентов ИИ для управления финансами. Поэтому полный запрет такого доступа может быть не идеальным решением. Текущий фокус направлен на разработку методов, которые позволяют просматривать данные и использовать эти инструменты, не подвергая клиентов риску непреднамеренных операций.

Банки инвестируют в механизмы предотвращения и готовят протоколы реагирования на возможные инциденты. Источники Axios сообщили, что эти планы включают меры по защите счетов и обеспечению быстрого восстановления доступа пользователями.

Быстрое развитие искусственного интеллекта еще больше усложняет эту работу, поскольку новые уязвимости могут возникать в режиме реального времени, вынуждая учреждения адаптировать свою защиту, одновременно отслеживая расширение этих инструментов.

Неизбежность дефолтов является частью процесса кредитования. В последние годы активно обсуждалась возможность использования предиктивной аналитики для выявления заемщиков, которые собираются допустить дефолт еще до его фактического наступления.

Однако неоднократно становилось очевидно, что эта идея имеет свои ограничения. Дефолты — это не проблема прогнозирования, которую в конечном итоге устранит технология; это присущая самому процессу кредитования неопределенность. Следовательно, кредиторам необходимы системы, способные эффективно работать в условиях этой неопределенности, а не машины, предполагающие ее полное устранение.

Невозможно предсказать индивидуальный дефолт конкретного заемщика. Максимум, что можно сделать, это статистически спрогнозировать уровень дефолта в достаточно крупной группе заемщиков. Поведение больших групп поддается статистическому прогнозированию, тогда как поведение отдельного человека — нет.

При наличии миллиона заемщиков можно сделать весьма точные заявления о состоянии всего портфеля. Если сузить выборку до 100 000 заемщиков в Карнатаке, можно по-прежнему делать полезные прогнозы. Дальнейшее сужение когорты по истории погашений, географии, занятости, кредитному рейтингу и другим характеристикам риска позволяет создавать все более значимые группы.

Тем не менее, по мере уменьшения размера когорт, уверенность в этих прогнозах начинает снижаться. В конечном итоге мы приходим к отдельному заемщику, например, Ашоку. Модель не сможет знать, что зарплата Ашока не поступила вчера из-за проблем с денежным потоком у его работодателя, если только не будет нарушено его и его окружения конфиденциальность, что категорически недопустимо.

Это и есть фундаментальное ограничение попыток прогнозировать дефолты на индивидуальном уровне. Например, среди заемщиков, зарегистрированных в Карнатаке, которые вовремя выплатили 60% своих ежемесячных платежей (EMI) и имеют кредитный рейтинг 650 или выше, можно с разумной уверенностью утверждать, что 90% из них погасят долг вовремя в апреле. Но невозможно указать, кто именно входит в эти 90%.

Кредиторы вынуждены работать с этой неопределенностью. Заемщики не вписываются в простую формулу Excel. Даже если бы они вписывались, было бы невозможно учесть все переменные, влияющие на расчет. Некоторые из этих переменных являются макроэкономическими. Например, в западном регионе сбор платежей может ослабнуть в августе и сентябре в связи с праздником Ганеш Чатурти. Также наблюдаются периоды, когда финансовое положение домохозяйств испытывает давление в начале учебного года, когда семьи оплачивают школьные взносы, зачисления, книги и другие образовательные расходы.

Эта информация полезна, поскольку она позволяет предвидеть, как может вести себя портфель в определенный период, указывая на возможное снижение сбора платежей. Однако она по-прежнему не говорит, кто именно пропустит свой EMI.

Существуют также микроскопические обстоятельства: задержка зарплаты, неудачный месяц для бизнеса, непредвиденные траты, необходимость расставить приоритеты в оплате школьных сборов, семейные события или просто забывчивость в поддержании достаточного баланса на счету. Кредитору невозможно знать обстоятельства каждого человека в каждый момент времени. Именно поэтому кредитование в конечном счете является игрой больших чисел.

Модели оценки рисков могут быть чрезвычайно эффективны в оценке поведения достаточно большой когорты. Но каждый человек в этой когорте уникален и переживает свой собственный набор обстоятельств. Это не означает, что предиктивная аналитика бесполезна; напротив, она является мощным инструментом, когда используется для решения той задачи, для которой она действительно способна. Она может показать, куда может прийти портфель, куда следует направить усилия, идентифицировать группы заемщиков, которым, вероятно, потребуется вмешательство, и помочь кредиторам более разумно распределять ресурсы для сбора средств и устанавливать реалистичные ожидания от производительности портфеля.

Ошибка заключается в предположении, что это приводит к определенности на индивидуальном уровне, чего не происходит. На этом уровне всегда будет оставаться неопределенность, а значит, дефолты всегда будут существовать.

Поэтому более интересная возможность для ИИ заключается не в предсказании каждого дефолта до его наступления, а в улучшении способности кредиторов реагировать на дефолты, когда они случаются. Когда заемщик пропускает EMI, система должна помогать определить дальнейшие шаги: кому требуется немедленное вмешательство, кто, вероятно, исправит ситуацию самостоятельно, какие заемщики нуждаются в разговоре с человеком, какой канал и время являются подходящими, и как команда по сбору средств должна расставить приоритеты в своих ограниченных ресурсах.

Именно здесь предиктивная аналитика в сочетании с принятием решений и коммуникациями на основе ИИ может принести ощутимую пользу. Целью должно быть не то, чтобы более настойчиво преследовать каждого заемщика, а то, чтобы сделать каждое вмешательство более релевантным.

Это различие имеет большое значение, особенно по мере расширения кредитования на миллионы новых заемщиков по всей Индии. В таком масштабе сбор средств не может полностью зависеть от ручных проверок, равно как и от предположения, что алгоритм идеально предскажет человеческое поведение. Будущее лежит в более практическом направлении: использование данных для понимания портфелей, ИИ для приоритизации решений и человеческого суждения там, где наиболее важны индивидуальные обстоятельства.