Brian Chesky sur les agents IA : ils ont besoin d’un système d’exploitation, pas d’un énième chatbot

Brian Chesky porte sur les agents IA un message plus tranché que ses précédentes mises en garde contre les chatbots : il manque encore la couche logicielle sous-jacente aux agents grand public. Le PDG d’Airbnb estime que des agents fiables nécessitent des autorisations partagées, des interfaces plus riches et un véritable système d’exploitation.

Ses commentaires sont intervenus alors qu’Airbnb présentait sa première recherche de logements propulsée par l’IA et s’engageait à lancer un agent plus étendu en 2027. Chesky estime toutefois que les agents grand public actuels ne peuvent pas bien gérer Airbnb, en particulier lorsqu’un voyage exige des cartes, des comparaisons, des vérifications d’identité, des paiements et une coordination entre plusieurs personnes.

Cette position place Airbnb à contre-courant de l’approche centrée sur le chatbot adoptée dans l’IA grand public. OpenAI, Meta, les startups d’agents et les plateformes d’applications émergentes veulent de plus en plus qu’un assistant unique devienne l’interface principale de l’utilisateur. Chesky estime que ce modèle réduit des produits spécialisés à une fenêtre de conversation avant que l’infrastructure ne soit capable de préserver leurs fonctions essentielles.

L’argument dépasse le cadre du voyage. S’il a raison, la prochaine phase de l’IA grand public dépendra moins d’un assistant dominant unique. Elle dépendra davantage de la capacité des agents, applications et systèmes d’exploitation à coopérer sans sacrifier le contrôle, le contexte ou la confiance.

La recherche IA d’Airbnb est un point de départ, pas une destination

Airbnb est passé de discussions sur l’IA grand public à son expérimentation au cœur de l’une des décisions les plus importantes liées au voyage.

L’entreprise a ajouté la recherche par IA à sa mise à jour produit d’automne, fin septembre. Les utilisateurs peuvent rechercher des logements à l’aide de requêtes en langage naturel, écrites ou vocales, puis recevoir des filtres adaptés aux besoins qu’ils ont exprimés.

Une personne cherchant un voyage en famille peut par exemple mentionner un bébé. Airbnb peut alors proposer des filtres liés aux lits bébé, aires de jeux, livres pour enfants ou jouets. L’interface peut également mettre en évidence les détails pertinents des annonces et comparer les logements enregistrés grâce à des résumés générés par l’IA.

Il ne s’agit pas d’un agent de réservation autonome. L’expérience reste une recherche guidée dans l’application Airbnb existante, avec des annonces, filtres, cartes, listes de favoris et contrôles de paiement familiers.

Cette distinction est volontaire. Chesky a déclaré à TechCrunch que l’ajout de la recherche IA était relativement simple, tandis que préserver la conversion au sein d’une grande place de marché était plus difficile. Airbnb traite plus de 100 milliards de dollars via sa plateforme, selon de précédentes déclarations de Chesky aux investisseurs.

L’entreprise ne peut donc pas considérer la qualité de recherche comme un projet de démonstration. Une recommandation plausible mais inexacte peut affecter l’hébergement d’une famille, les revenus d’un hôte ou une transaction soumise à des règles d’annulation et d’assurance.

Le déploiement de la recherche IA d’Airbnb montre comment l’entreprise tente de contenir ce risque. Le modèle interprète l’intention, mais des contrôles produits établis continuent de structurer la décision.

Cette structure hybride reflète également l’objection de longue date de Chesky à la planification de voyages par chat. Un voyageur veut rarement une seule réponse. Les gens parcourent des photos, comparent des lieux, examinent des cartes, vérifient les détails d’accessibilité, coordonnent les dates et discutent des compromis avec d’autres personnes.

Une conversation linéaire peut dissimuler ces comparaisons dans une transcription qui s’allonge. Une interface visuelle maintient plusieurs options visibles et permet à l’utilisateur de manipuler directement les filtres.

Le nouveau produit de recherche demeure un test précoce. Airbnb n’a pas publié de preuves indépendantes montrant qu’il améliore la satisfaction liée à la réservation ou réduit le temps de recherche. Chesky a également averti qu’une fonctionnalité IA mal mise en œuvre pourrait nuire à la conversion.

Le déploiement crée cependant un véritable terrain d’expérimentation. Airbnb peut désormais observer où la recherche fondée sur le langage apporte une aide, où les utilisateurs reviennent aux contrôles conventionnels et quelles décisions exigent encore une validation humaine.

Il donne également à l’entreprise une voie vers son agent prévu pour 2027. Chesky s’est publiquement engagé sur cette fenêtre de lancement et a décrit cette future expérience comme plus riche qu’un chatbot.

Le produit actuel doit donc avant tout être compris comme une découverte de l’infrastructure par l’usage réel. Airbnb apprend quelles parties du voyage peuvent devenir agentiques sans abandonner les interfaces qui rendent les choix complexes compréhensibles.

Brian Chesky déplace le débat sur les agents IA vers le système d’exploitation

L’affirmation centrale de Chesky est que les agents grand public sont conçus comme des applications sans les services de système d’exploitation dont les applications fiables ont besoin.

Un système d’exploitation coordonne le matériel, les applications, les autorisations, les fichiers, l’identité et les communications. Chesky souhaite un socle équivalent pour les agents IA, même s’il n’en a pas publié de spécification technique.

Selon lui, les entreprises actuelles placent des applications IA sur iOS, macOS et Windows. Elles ne construisent pas des environnements où les agents opèrent comme des composants système de premier ordre, avec des règles cohérentes.

Cette différence devient visible lorsqu’un agent externe tente de finaliser une réservation Airbnb. L’agent a besoin de plus que des données d’annonce. Il peut avoir besoin d’une identité authentifiée, de disponibilités actualisées, de messagerie, d’une autorisation de paiement, d’un contexte géographique, de politiques d’annulation et du consentement de plusieurs voyageurs.

Les systèmes d’exploitation traditionnels gèrent déjà des frontières comparables pour les applications. Ils déterminent si un logiciel peut accéder à un microphone, lire un fichier, utiliser une localisation ou communiquer via un réseau.

L’IA grand public ne dispose pas d’une couche tout aussi mature pour les actions déléguées. Chaque fournisseur d’agents peut définir ses propres outils, écrans d’approbation, comportement de mémoire et parcours d’authentification. Chaque service doit ensuite décider de l’étendue des capacités à exposer.

Chesky a décrit la compétition actuelle comme une course pour devenir le « quarterback », c’est-à-dire l’assistant principal par lequel les utilisateurs accèdent à d’autres services. Cette stratégie peut donner à l’agent gagnant le contrôle de la découverte et de la relation client.

Airbnb a des raisons de résister à cet arrangement. Si un assistant généraliste choisit une annonce, en résume les détails et finalise la transaction, Airbnb risque de devenir un fournisseur invisible derrière l’interface d’une autre entreprise.

Chesky considère néanmoins les agents externes comme des générateurs potentiels de prospects. Lors de la conférence téléphonique sur les résultats d’Airbnb en février, il a déclaré que le trafic issu des chatbots convertissait à un taux supérieur à celui venant de Google, bien qu’Airbnb n’ait pas fourni de méthodologie détaillée.

C’est là que réside la tension principale de l’article. Airbnb veut que les agents découvrent et utilisent sa place de marché, mais ne veut pas qu’un assistant universel réduise Airbnb à une base de données.

La réponse de l’entreprise est l’interopérabilité, c’est-à-dire la capacité de différents systèmes logiciels à échanger des requêtes et des capacités selon des règles définies. Chesky a indiqué qu’Airbnb prévoit de connecter les agents via le Model Context Protocol, ou MCP.

MCP est une norme permettant de relier des applications IA à des outils et des sources de données. Elle peut aider un agent à découvrir ce qu’offre un système externe, mais un protocole ne crée pas à lui seul un système d’exploitation.

Une plateforme d’agents complète aurait également besoin d’identité, de contrôles de paiement, d’autorisations persistantes, de registres d’audit, de mécanismes de récupération et de limites de responsabilité claires. Elle doit savoir qui a autorisé une action et ce qui doit se passer lorsqu’une exécution échoue à mi-chemin.

Prenons l’exemple d’une réservation de groupe. Une personne peut demander à un agent de trouver une maison, tandis qu’une autre contrôle le mode de paiement. Un troisième voyageur peut rejeter le lieu, et l’hôte peut exiger des identités vérifiées.

Transmettre des données d’annonce entre agents ne traite que la première couche. Le système doit préserver l’autorité de chacun, expliquer les conflits et empêcher l’assistant d’un participant de dépasser son mandat.

L’interview de Chesky sur les agents présente cette question comme un problème à l’échelle du secteur. Apple, Google ou un autre fournisseur de plateforme devrait soutenir cette évolution plus profonde, a-t-il affirmé.

Cette observation limite également le contrôle d’Airbnb. L’entreprise peut rendre ses services compatibles avec les agents, mais elle ne peut pas instaurer seule des règles d’autorisation à l’échelle du système entre téléphones, assistants, fournisseurs de paiement et places de marché concurrentes.

Les interfaces riches remettent en cause le modèle du chatbot universel

La véritable compétition n’oppose pas Airbnb à une entreprise d’IA. Elle oppose les interfaces spécialisées à l’idée qu’une seule conversation puisse remplacer chaque application.

Le chat fonctionne bien lorsque l’utilisateur a une demande claire et souhaite un résultat concis. « Trouve ma réservation » ou « explique cette règle d’annulation » peuvent naturellement s’inscrire dans une conversation.

La découverte d’un voyage est différente. Les gens commencent fréquemment sans destination, type de logement ou itinéraire précis. Leurs préférences émergent au fil de leur navigation.

Une photo peut modifier la décision. Il en va de même de la position d’un logement sur une carte, de la distance aux transports ou de la relation entre les chambres et les espaces communs.

Ces choix sont difficiles à condenser en texte séquentiel. L’utilisateur doit voir les alternatives en même temps et manipuler directement les critères.

La collaboration ajoute une autre complication. Chesky appelle l’expérience nécessaire « IA multijoueur », c’est-à-dire plusieurs personnes pouvant travailler avec le même système intelligent pendant la planification.

La plupart des assistants personnels partent d’un compte individuel, d’un contexte privé et d’un historique de conversation unique. Les voyages de groupe nécessitent un état partagé sans exposer tout ce qu’un participant a confié à un agent.

Un agent de groupe utile doit distinguer les préférences privées des décisions collectives. Il doit également indiquer qui a approuvé les dates, les budgets et les engagements de paiement.

Airbnb prévoyait d’explorer ces interfaces collaboratives au cours des trois à six mois suivant l’interview de Chesky en octobre. Ce calendrier fait de la planification multijoueur l’un des tests à court terme les plus clairs de sa thèse.

L’entreprise n’est pas la seule à remettre en question les logiciels fondés uniquement sur le chat. Wabi a promu des interfaces générées qui apparaissent lorsque les utilisateurs ont besoin de contrôles particuliers. Son fondateur a soutenu que les utilisateurs veulent toujours toucher, faire défiler et examiner les logiciels plutôt que de taper continuellement.

Les interfaces génératives sont des écrans assemblés par l’IA pour la tâche en cours au lieu d’être entièrement définis à l’avance. Elles promettent de la flexibilité, mais peuvent aussi rendre les contrôles moins prévisibles.

Un bouton de paiement qui change d’emplacement ou de signification d’une session à l’autre peut dérouter les utilisateurs. Une information générée peut omettre des éléments qu’un parcours conçu présente systématiquement.

Chesky s’attend à ce que des composants déterministes et générés coexistent. Les interfaces déterministes sont conçues à l’avance et se comportent de manière prévisible, tandis que les éléments générés répondent à la demande actuelle de l’utilisateur.

La nouvelle recherche d’Airbnb illustre cette combinaison. L’IA traduit une demande souple en options pertinentes, mais la place de marché présente toujours des filtres, cartes, cartes d’annonce et étapes de réservation reconnaissables.

Ce modèle offre une alternative pratique au chatbot universel. L’agent peut interpréter l’intention sans devenir la seule interface visible.

Le macro-agent prévu par Airbnb étendrait cette approche à la découverte, au service client et à d’autres domaines de service. L’entreprise utilise déjà une IA spécialisée dans l’assistance et s’attend à ce que la voix gagne en importance.

En mai, Chesky a déclaré que l’IA de support client d’Airbnb traitait 40 pour cent des problèmes sans escalade, contre environ un tiers plus tôt en 2026. L’entreprise a également indiqué que l’IA avait généré 60 pour cent du code produit par ses ingénieurs au cours du premier trimestre.

Ces chiffres sont des affirmations de l’entreprise plutôt que des évaluations indépendantes de performance. Ils montrent néanmoins où Airbnb a trouvé une valeur plus claire : dans des flux de travail d’assistance contraints et le développement logiciel supervisé.

L’accès élargi d’Airbnb aux frontier models renforce cette distinction. L’entreprise utilise les modèles d’OpenAI dans l’ingénierie, la recherche, la détection de fraude, le support et la gestion des sinistres d’assurance.

Airbnb affirme que ses équipes de développement livrent environ 80 % de fonctionnalités en plus qu’il y a un an. Cette déclaration n’isole pas l’IA comme seule cause, mais elle suggère que l’entreprise considère les modèles comme une infrastructure de production.

L’autonomie des consommateurs reste l’objectif le plus difficile. Écrire du code sous la supervision d’un ingénieur est différent de dépenser l’argent d’un voyageur ou de sélectionner un logement inconnu.

Le modèle centré sur le chatbot considère souvent l’interface comme un échafaudage temporaire autour d’un modèle de plus en plus capable. Le modèle de Chesky considère la conception de l’interface comme une partie de l’intelligence du système.

Cette distinction déterminera quelles entreprises conserveront une relation directe avec les clients. Si les applications spécialisées restent nécessaires, les agents généralistes auront besoin de transferts fiables et de contrôles intégrés.

Si le chat devient suffisant, les places de marché pourraient perdre la maîtrise de l’interface tout en continuant à fournir l’inventaire et les transactions. La stratégie actuelle d’Airbnb est conçue pour profiter du trafic des agents sans accepter cette issue.

L’interopérabilité ne résout pas la question de la confiance à elle seule

Un système d’exploitation pour agents IA échouera s’il connecte les services plus vite qu’il ne définit les responsabilités.

L’interopérabilité paraît attrayante parce qu’elle réduit les intégrations ponctuelles. Un agent Airbnb pourrait communiquer avec un agent de calendrier, un service aérien, un prestataire de paiement et l’assistant d’un autre voyageur.

Pourtant, chaque connexion soulève des questions d’autorisation. Un agent de voyage peut-il lire l’intégralité du calendrier de l’utilisateur, ou seulement les dates de vacances déclarées ? Peut-il réserver un logement, ou également effectuer le paiement ?

L’analogie avec le système d’exploitation est utile ici. Les plateformes mobiles modernes imposent aux applications de demander des autorisations spécifiques, que les utilisateurs peuvent ensuite révoquer.

Les agents ont besoin de contrôles similaires, mais la tâche est plus complexe car leurs actions se déploient sur plusieurs services. Une seule instruction peut déclencher une recherche, une négociation, une vérification d’identité, un paiement et des messages.

L’autorisation doit donc s’appliquer à la fois aux données et aux actions. Connaître le nom figurant sur le passeport d’un voyageur ne donne pas l’autorisation de partager un document d’identité avec tous les services.

Un agent doit également disposer d’un historique vérifiable. Les utilisateurs devraient pouvoir voir ce qu’il a demandé, quel service a répondu, quelles informations ont circulé et quel engagement est devenu contraignant.

C’est particulièrement important dans le voyage, car les conditions changent. Un retard de vol peut affecter l’enregistrement. Un hôte peut annuler. Un agent pourrait réagir en réservant à nouveau, mais l’utilisateur n’a peut-être pas approuvé un autre quartier ou une autre politique d’annulation.

La récupération constitue une autre question non résolue. Les systèmes d’exploitation conventionnels peuvent arrêter un processus défaillant ou restaurer un fichier. Un agent ne peut pas toujours annuler un paiement, un message ou une réservation.

La plateforme doit savoir quelles opérations sont réversibles et quand demander une confirmation. Elle doit aussi prévoir des procédures pour les litiges entre agents ou entre un agent et un participant humain.

La place de marché d’Airbnb ajoute sa propre couche de confiance. Chesky a déclaré que la plateforme compte 200 millions d’identités vérifiées et que 90 % des clients qui réservent envoient un message.

Il a également indiqué qu’Airbnb a traité plus de 100 milliards de dollars de paiements. Ces chiffres illustrent pourquoi l’application visible ne constitue qu’une partie du produit.

Le reste comprend des contrôles antifraude, des outils pour les hôtes, un support multilingue, des processus d’assurance, des systèmes d’identité et des politiques de place de marché. Un agent externe doit interagir avec ces systèmes sans les affaiblir.

La transcription des résultats financiers d’Airbnb présente cette infrastructure comme la défense de l’entreprise contre la désintermédiation par l’IA. Cette défense est crédible, mais elle n’est pas permanente.

Une plateforme d’agents capable peut standardiser progressivement des services complexes. Les agences de voyage en ligne ont auparavant standardisé la recherche et la réservation auprès des compagnies aériennes et des hôtels, même lorsque les fournisseurs disposaient de systèmes différents.

La question sans réponse est de savoir qui définit la norme. Apple et Google contrôlent les principaux systèmes d’exploitation mobiles, tandis qu’OpenAI et d’autres fournisseurs d’assistants veulent contrôler la couche conversationnelle.

Des places de marché comme Airbnb contrôlent l’inventaire spécialisé, l’historique des transactions et les règles opérationnelles. En théorie, les utilisateurs contrôlent le consentement, bien que la conception de l’interface influence fortement la façon dont ce consentement est exprimé.

La proposition de Chesky ne résout pas cette lutte de pouvoir. Un système d’exploitation natif de l’IA pourrait protéger les applications spécialisées, ou donner à son propriétaire un contrôle encore plus grand sur l’accès et la distribution.

La même ambiguïté entoure MCP. Les normes ouvertes peuvent réduire les coûts d’intégration, mais les implémentations décident toujours quels outils apparaissent et quelles demandes reçoivent une approbation.

La sécurité devient également plus difficile à mesure que les agents gagnent en autorité. L’injection de prompts, les annonces manipulées, les outils compromis ou les contenus trompeurs peuvent détourner le comportement d’un agent.

Un agent de voyage qui se contente de recommander des options crée un certain niveau de risque. Un agent autorisé à envoyer des messages aux hôtes et à dépenser de l’argent en crée un niveau bien plus élevé.

Les agents fiables doivent traiter le contenu externe comme une entrée non fiable. Ils ont aussi besoin de limites strictes entre les informations recueillies pour une tâche et les instructions autorisées par l’utilisateur.

Pour les travailleurs du savoir, le même principe s’applique lorsqu’un agent connecte des notes, des e-mails, des calendriers et des documents. Une base de connaissances personnelle devient utile lorsque le contexte est disponible, mais l’accès doit rester intentionnel et traçable.

Chesky est convaincant lorsqu’il affirme qu’une infrastructure plus riche fait défaut. Il n’a pas encore démontré que le modèle de système d’exploitation peut aligner les propriétaires de plateformes, les applications et les utilisateurs autour d’un même cadre d’autorisations.

Tant que cela ne se produira pas, « compatible avec les agents » décrira une collection d’intégrations plutôt qu’un environnement informatique grand public fiable.

Trois signaux montreront si la thèse d’Airbnb sur les agents tient la route

Le prochain test ne consiste pas à savoir si Airbnb ajoute davantage d’étiquettes IA. Il consiste à déterminer si l’entreprise peut transformer l’argument architectural de Chesky en comportements produit observables.

Le premier signal est l’interface de planification multijoueur d’Airbnb. Chesky a situé l’IA collaborative à un horizon de trois à six mois après son interview d’octobre.

Une version crédible devrait permettre à plusieurs voyageurs de contribuer leurs préférences, de comparer des logements et d’approuver des décisions communes. Elle devrait également séparer le contexte privé des informations visibles par le groupe.

Si Airbnb livre ces contrôles et que les utilisateurs les adoptent, le résultat renforcera ses arguments contre une planification reposant uniquement sur le chat. Un retard ou un chat de groupe légèrement modifié affaiblirait cet argument.

Le deuxième signal est l’agent Airbnb de 2027. Chesky a rendu le calendrier inhabituellement explicite, en déclarant à une audience du secteur que l’entreprise lancerait son agent l’année prochaine.

L’engagement pour 2027 donne aux observateurs un repère concret. La question importante sera de savoir quelle autorité recevra cet agent.

Un assistant de recherche produisant des recommandations représenterait un progrès progressif. Un agent coordonnant la recherche, l’approbation du groupe, les messages, les services et la réservation testerait la thèse plus large du système d’exploitation.

Airbnb doit aussi montrer comment l’agent gère les erreurs. Des approbations claires, des journaux de transactions, des voies de récupération et une escalade vers un humain compteront davantage qu’une démonstration soignée.

Le troisième signal est une interopérabilité plus profonde en dehors d’Airbnb. Chesky envisage un futur macro-agent capable de communiquer avec d’autres agents, potentiellement via MCP.

Les preuves devraient inclure des transferts fonctionnels avec des services significatifs, et non seulement un connecteur qui renvoie des informations sur les annonces. L’identité, les calendriers, les paiements et les changements de voyage sont les couches difficiles.

Si les agents peuvent transporter un contexte approuvé par l’utilisateur au-delà de ces frontières, Brian Chesky on AI agents ressemblera moins à une critique et davantage à un plan de mise en œuvre.

Si Apple, Google ou un grand fournisseur d’IA introduit d’abord un cadre commun d’autorisations et d’exécution, Airbnb devra s’adapter aux règles de plateforme de quelqu’un d’autre.

Il existe également un indicateur commercial à surveiller. Airbnb affirme que les recommandations issues de chatbots convertissent déjà mieux que le trafic provenant de Google, mais l’entreprise n’a pas publié suffisamment de données pour en évaluer l’ampleur ou la durabilité.

Une croissance des réservations provenant d’agents soutiendrait l’idée de Chesky selon laquelle les assistants externes peuvent élargir la découverte. Une baisse de l’engagement direct indiquerait que ces assistants captent la relation qu’Airbnb veut préserver.

L’approche d’Airbnb est délibérément prudente, mais la prudence ne supprime pas la pression concurrentielle. Les agents généralistes s’améliorent, les startups d’interface expérimentent et les plateformes de voyage développent leurs propres assistants.

L’entreprise doit désormais prouver que son interface plus riche est plus utile qu’une conversation, sans devenir plus complexe que l’expérience qu’elle remplace.

Brian Chesky on AI agents soulève au final une question pratique pour toute plateforme grand public : que doit rester visible lorsque le logiciel commence à agir pour l’utilisateur ?

Surveillez les outils de planification collaborative d’Airbnb, l’étendue de son agent de 2027 et ses premières transactions inter-agents sérieuses. Ces lancements révéleront si un système d’exploitation pour l’IA est en train d’émerger ou si les applications actuelles acquièrent simplement des assistants plus intelligents.