Inside-out AI: почему Airbnb начинает с собственной кухни

Airbnb поставила цель стать «AI-native company». Аль-Дахле разбивает её на две очереди работ.

Первая очередь внутренняя: инженеры и продуктовые команды получают AI-инструменты, которые сокращают путь от идеи до релиза.

Вторая очередь клиентская: гость получает новые сценарии в поиске, бронировании и поддержке, собранные на тех же компонентах. В статье Latent Space упоминается внутренний инструмент Everest.

По словам авторов, Airbnb использовала его, чтобы ускорить запуск нового продукта.

Гости Everest не видят, но от него зависит, как быстро до них доберётся следующая функция.

Опыт с Llama здесь пригодится тем, что Аль-Дахле знает, сколько инфраструктуры стоит за одним ответом модели.

В российском бизнесе AI-проект часто начинается так.

Руководство видит демо, команда за месяц делает чат-бота на сайте, бот уверенно отвечает на десять вопросов из презентации и путается на одиннадцатом.

Внешний пилот без внутренней базы проверяет только интерфейс. Данные, интеграции и контроль остаются непроверенными.

Ошибку бота первым замечает клиент, и руководство закрывает проект раньше, чем команда успевает её найти.

Бюджет потрачен, метрика не сдвинулась, и следующий AI-проект согласовать уже сложнее.

Клиент с неверным ответом о статусе заказа, скорее всего, уйдёт к конкуренту.

Поэтому компания обкатывает AI на своих сотрудниках и по ходу строит три слоя, которые потом понадобятся клиентскому продукту. ### Слой данных

Модели нужен доступ к учётным системам, каталогу и документам. В KT.Team мы подключаем 1С, PIM и ERP к моделям двумя способами.

Первый - MCP, открытый протокол, по которому LLM вызывает функции корпоративных систем.

Второй - RAG: модель отвечает по фрагментам, найденным в базе знаний.

Если эта связка уже работает во внутреннем ассистенте менеджера, клиентский бот получает готовую инфраструктуру. ### Слой контроля

Запросы к модели проходят через LLM & Security Gateway.

Шлюз маскирует персональные данные, отсекает промпт-инъекции, логирует запросы и считает расходы по командам.

Через него команда переключается между GigaChat, YandexGPT, Qwen и Claude без переписывания приложений.

Внутренние сценарии дают шлюзу реальную нагрузку и статистику до того, как к нему подключатся внешние пользователи. ###

Слой процесса AI-native development охватывает инженерный цикл между «написал код» и «работает в проде»: генерацию тестов, ревью, документацию, разбор инцидентов. Команда, которая освоила этот цикл, выпускает клиентские AI-функции быстрее, потому что каждая из них проходит уже отлаженный конвейер.