Polecenia Booking.com z LLM nadal stanowią mniej niż 1% noclegów

Booking.com pozyskuje znacznie mniej niż 1% swoich noclegów z poleceń generowanych przez duże modele językowe, mimo niedawnego przyspieszenia, poinformował Booking Holdings 3 listopada. Duże modele językowe, czyli LLM, generują odpowiedzi udzielane przez konwersacyjne asystenty AI. Polecenia Booking.com z LLM stanowią konkretną miarę wkładu tych asystentów w rezerwacje noclegów. Ujawniają też lukę między pomaganiem komuś w wyobrażeniu sobie podróży a skierowaniem go do miejsca, w którym może ją zarezerwować.

Ujawnione dane podważają twierdzenia, że ogólne asystenty AI już zastępują uznane platformy turystyczne. Booking Holdings jednocześnie poinformował o zachęcających wynikach asystentów działających w jego własnych markach. Kontrast ma znaczenie, ponieważ zewnętrzne odkrywanie ofert i pomoc wewnątrz platformy rezerwacyjnej zajmują różne pozycje w procesie zakupu. Atrakcyjny plan podróży i sfinalizowana rezerwacja to różne wyniki biznesowe.

Expedia stanowi użyteczny punkt odniesienia dla konkurencji, ponieważ również uczestniczy w konwersacyjnym odkrywaniu podróży przez ChatGPT. Obie firmy stoją przed strategicznym pytaniem: jaka część relacji z klientem przeniesie się do zewnętrznych interfejsów? Ujawnione przez Booking dane dostarczają informacji o obecnym kanale poleceń. Nie rozstrzygają, gdzie podróżni z czasem będą zaczynać, porównywać ani finalizować swoje wyjazdy.

Co faktycznie mierzą polecenia Booking.com z LLM

Ujawniony odsetek mierzy przypisane noclegi, a nie pełny wpływ AI na decyzje dotyczące podróży.

Podczas kwartalnej konferencji wynikowej Booking Holdings opisał przyspieszenie wzrostu poleceń, które nadal pozostają znacznie poniżej tego progu. Zarząd rozróżnił również rosnące organiczne polecenia od płatnych partnerstw. Polecenia organiczne pochodzą z nieodpłatnych rekomendacji lub linków; płatne polecenia obejmują komercyjne umowy dystrybucyjne.

To rozróżnienie sprawia, że nagłówek jest bardziej informacyjny niż ogólne stwierdzenie o ruchu z chatbotów. Łączy kanał pozyskania z jednostką popytu na noclegi. Nadal jednak pozostawia ważne pytania bez odpowiedzi. Firma nie podała dokładnego odsetka ani bezwzględnej liczby dla tego kanału.

Nocleg oznacza pokój zarezerwowany na jedną noc. Nie opisuje pojedynczego podróżnego, indywidualnej wizyty na stronie ani całego planu podróży. Te jednostki odpowiadają na różne pytania. Ich mylenie ułatwia zawyżanie znaczenia ujawnionych danych.

Znaczenie ma również granica korporacyjna. Booking.com należy do Booking Holdings, którego inne marki obejmują Priceline i Agoda. Odsetek przypisany Booking.com powinien zachować ten zakres. Nie powinien po cichu przekształcać się w twierdzenie dotyczące wszystkich rezerwacji noclegów w całej spółce macierzystej.

Podobnie przypisane polecenie różni się od decyzji wspomaganej przez AI. Rozważmy hipotetycznego podróżnego, który prosi chatbota o porównanie dzielnic, a następnie samodzielnie otwiera znaną aplikację turystyczną. Asystent pomógł ukształtować wybór. To, czy ostateczna rezerwacja otrzyma przypisanie do polecenia, zależy od metody pomiaru.

Inny podróżny może od razu przejść przez link chatbota i zarezerwować nocleg podczas tej wizyty. Taka ścieżka tworzy bardziej bezpośredni związek między rekomendacją a transakcją. Przykłady te pokazują, dlaczego wpływ na odkrywanie ofert i przypisanie polecenia wymagają odrębnych etykiet. Są to scenariusze, a nie opisane przez Booking.com ścieżki klientów.

Moment publikacji danych zasługuje na równie dużą ostrożność. Zarząd omówił niedawne przyspieszenie podczas prezentacji wyników za trzeci kwartał. To sformułowanie nie dostarcza szczegółowego szeregu miesięcznego ani precyzyjnego okresu pomiaru udziału poleceń. Czytelnicy powinni unikać odtwarzania linii trendu na podstawie jednego progu.

Polecenia Booking.com z LLM ustanawiają zatem ograniczony, lecz użyteczny punkt odniesienia. Kanał pozostaje niewielki według wskazanej przez firmę miary rezerwacji. Twierdzenia dotyczące wszystkich podróży, na które wpłynęła AI, wymagają dodatkowych dowodów. Twierdzenia o przyszłości kanału wymagają prognozy, a nie reinterpretacji obecnej wartości.

To rozróżnienie powinno kierować sposobem, w jaki firmy odczytują podobne ujawnienia w innych miejscach. Należy zacząć od mierzonego działania, określić właściwą markę i sprawdzić granicę atrybucji. Dopiero wtedy można porównywać wynik z miarą innej firmy. Znajomy odsetek może skrywać bardzo odmienne zachowania leżące u jego podstaw.

Platformy turystyczne walczą o punkt, w którym klient zaczyna swoją podróż

Bezpośrednia presja strategiczna dotyczy dostępu do podróżnych, zanim wybiorą platformę rezerwacyjną.

Ogólny asystent może stać się miejscem, w którym podróżny po raz pierwszy opisuje cel podróży, harmonogram lub zestaw preferencji. Taka pozycja stwarza możliwość wpływania na krótką listę opcji. Daje też platformom turystycznym powód, by uczestniczyć w tym procesie, zanim kanał stanie się głównym źródłem rezerwacji.

Dla Booking pytanie strategiczne wykracza poza to, czy asystent prowadzi do natychmiastowej rezerwacji. Obejmuje także to, kto poznaje preferencje podróżnego i kto otrzymuje kolejne zapytanie. Platforma może zachować transakcję, jednocześnie dzieląc się większą częścią relacji związanej z odkrywaniem ofert. Te wyniki zasługują na odrębną ocenę.

Jest to analityczna implikacja modelu dystrybucji, a nie ujawniona utrata kontroli nad relacją z klientem. Sama liczba poleceń nie może mierzyć preferencji marki, siły negocjacyjnej ani powtarzalnych zachowań. Pomaga jednak wykazać, jak niewielki przypisany wolumen noclegów obecnie wspiera najsilniejsze narracje o wypieraniu platform.

Kontekst konkurencyjny jest już widoczny. Booking.com i Expedia znalazły się wśród usług wprowadzonych wraz z integracjami aplikacji ChatGPT w październiku 2025 roku. Ich udział pokazuje, że uznane firmy turystyczne angażują się w konwersacyjną dystrybucję. Nie dowodzi jednak równego poziomu wykorzystania, równych warunków handlowych ani porównywalnej skuteczności rezerwacji.

Dla zewnętrznego asystenta udział uznanych platform rozwiązuje część problemu produktowego. Rozmowa potrzebuje miejsca, z którego można pozyskać odpowiednie opcje i do którego można skierować intencję zakupu. Dla platformy udział oferuje dostęp do klientów, którzy zaczynają gdzie indziej. Relacja może łączyć współpracę z konkurencją o interfejs.

To nakładanie się wyjaśnia, dlaczego niewielki obecny kanał może nadal przyciągać uwagę zarządu. Partnerstwa dystrybucyjne wymagają pracy, zanim przyniosą znaczący wolumen. Czekanie na duży udział pozostawiłoby mniej czasu na zrozumienie zachowań użytkowników i negocjowanie warunków. Wczesne uczestnictwo może więc być racjonalne, nie dowodząc jednocześnie, że wyparcie jest nieuchronne.

Hotele stoją przed podobnym pytaniem dotyczącym widoczności. Jeśli podróżny prosi o krótką listę zamiast przeglądać znane wyniki, wybór staje się szczególnie istotny. Obiekty będą chciały wiedzieć, czy asystent rozpoznaje ich istotne cechy. Będą też chciały zrozumieć, który pośrednik dostarcza te informacje.

Przedwczesne byłoby wnioskowanie o konkretnej niekorzystnej pozycji w rankingu na podstawie danych Booking. Liczba nie zawiera audytu rekomendacji na poziomie poszczególnych obiektów. Wskazuje jednak komercyjny punkt końcowy, który działania na rzecz widoczności muszą ostatecznie wspierać. Pojawienie się w odpowiedzi ma ograniczoną wartość rezerwacyjną, jeśli podróżny nie przechodzi dalej.

Dla zespołów produktowych AI presja działa w przeciwnym kierunku. Przekonujące doświadczenie odkrywania ofert potrzebuje dowodów, że użytkownicy później wykonują użyteczne działania. Długość rozmowy i atrakcyjne odpowiedzi mogą wskazywać na zaangażowanie. Nie mogą samodzielnie potwierdzać popytu na noclegi ani trwałego biznesu dystrybucyjnego.

Podróże Booking.com z AI należy zatem oceniać w obszarach odkrywania, zakupu i obsługi. Platforma może wzmacniać jeden etap, podczas gdy inny pozostaje zależny od partnerów. Praktyczne pytanie konkurencyjne dotyczy tego, gdzie każdy uczestnik dodaje wystarczającą wartość, aby utrzymać relację. Obecny udział poleceń odpowiada tylko na część tego pytania.

Asystenci w markach Booking są bliżej zakupu

Asystent osadzony na platformie turystycznej realizuje inne zadanie niż ogólny chatbot pomagający komuś odkrywać kierunki podróży.

Booking Holdings poinformował, że użytkownicy Penny od Priceline i AI Assistant od Agoda dokonywali konwersji z częstotliwością około dwukrotnie wyższą niż osoby niekorzystające z tych narzędzi. Konwersja oznacza tutaj odsetek użytkowników finalizujących rezerwacje. Zarząd podał również wyższe średnie wartości rezerwacji wśród użytkowników asystenta Agoda. Są to porównania raportowane przez firmę, a nie niezależnie potwierdzone skutki przyczynowe.

Rozróżnienie między pomocą wewnętrzną i zewnętrzną stanowi główne napięcie tej historii. Zewnętrzne polecenia pozostają niewielkim źródłem przypisanych noclegów. Tymczasem firma opisuje korzystne zachowania podróżnych używających jej własnych asystentów. Dowody dotyczą różnych grup i różnych etapów planowania podróży.

Plany produktowe AI Booking opisują asystentów połączonych z dostępną do rezerwacji ofertą turystyczną oraz rozszerzone możliwości w ramach istniejących marek. Opisują również prace nad zadaniami obsługowymi po dokonaniu rezerwacji. Ten kierunek produktowy umieszcza pomoc obok informacji i działań wymaganych do sfinalizowania podróży.

Rozważmy kolejnego hipotetycznego podróżnego wybierającego nocleg w pobliżu miejsca konferencji. Ogólna rozmowa może pomóc zidentyfikować odpowiednie dzielnice i doprecyzować preferencje. Decyzja o rezerwacji wymaga następnie konkretnych dat, konfiguracji pokoi, dostępności i warunków anulowania. Asystent staje się bardziej użyteczny, gdy może zachować te ograniczenia podczas wyboru.

Ten przykład nie potwierdza skuteczności żadnego wskazanego produktu. Wyjaśnia, dlaczego połączenie z systemem transakcyjnym ma znaczenie. Rekomendacja musi wytrzymać kontakt z rzeczywistą ofertą. Jeśli polecony pokój nie może pomieścić grupy podróżnego, wcześniejsza odpowiedź nie wykonała zadania.

Ta sama logika dotyczy okresu po zakupie. Podróżny proszący o anulowanie potrzebuje właściwej rezerwacji i obowiązujących warunków. Ogólne wyjaśnienie zasad anulowania nie może zastąpić autoryzowanego działania dotyczącego tej rezerwacji. Połączenie rozmowy z rezerwacją tworzy inną odpowiedzialność operacyjną.

Rezerwacje podróży z AI obejmują zatem więcej niż poprawę sformułowania odpowiedzi. Zespoły produktowe potrzebują niezawodnego sposobu przekładania preferencji na prawidłowe opcje. Muszą również zachować związek między wyświetloną opcją a ostateczną rezerwacją. Płynna rozmowa pomaga użytkownikom wyrażać intencje, lecz realizacja musi je zachować.

Nie oznacza to, że uznane platformy automatycznie zapewniają najlepsze doświadczenie konwersacyjne. Zewnętrzny asystent może oferować wygodniejszy punkt wyjścia lub szerszy kontekst. Podróżny może preferować omówienie całej podróży przed wyborem pośrednika. Chodzi o to, że różne pozycje produktowe tworzą różne przewagi.

Booking.com AI dotyczące podróży również stanowi element portfolio eksperymentów, a nie jednego interfejsu zastępującego inne rozwiązania. Takie podejście daje kierownictwu kilka sposobów na sprawdzenie, gdzie pomoc konwersacyjna jest przydatna. Wprowadza jednak kolejne wyzwanie ewaluacyjne. Wyników jednej marki lub funkcji nie należy automatycznie uznawać za wyniki wszystkich powiązanych produktów.

Najbardziej trafna interpretacja jest więc węższa, niż sugerują zarówno entuzjastyczne, jak i lekceważące nagłówki. Pomoc w pobliżu zasobów dostępnych do rezerwacji ma wiarygodny mechanizm komercyjny. Zewnętrzne odkrywanie ofert ma wiarygodną rolę dystrybucyjną. Ujawnione dane dostarczają różnego rodzaju dowodów dla tych mechanizmów, nie zapewniają jednak kontrolowanego porównania między nimi.

Dla nabywców korporacyjnych jest to użyteczna zasada oceny wykraczająca poza branżę turystyczną. Należy pytać, na jakim etapie przepływu pracy pojawia się asystent i co faktycznie może zrealizować. Narzędzie używane przez osoby już zbliżające się do zakupu działa w innych warunkach niż rozwiązanie obsługujące otwarte badanie tematu. Porównania wyników muszą uwzględniać ten punkt wyjścia.

Liczby pozostawiają luki zarówno optymistom, jak i sceptykom

Niewielki udział poleceń nie dowodzi nieistotności AI, a wyższa konwersja wśród użytkowników asystentów nie dowodzi przyczynowego wzrostu.

Pierwsze ograniczenie dotyczy atrybucji. Podróżny może skorzystać z asystenta, nie podążając mierzalną ścieżką polecenia. Może wrócić później, zmienić urządzenie albo samodzielnie otworzyć aplikację. Są to możliwe scenariusze pomiarowe, a nie dowód na to, jak dużą część aktywności pomijają systemy Booking.

To zastrzeżenie powinno zapobiegać przesadnym stwierdzeniom w obu kierunkach. Nie uzasadnia ono zastępowania ujawnionego udziału wyobrażoną większą wartością. Po prostu ogranicza wniosek do tego, co wychwytuje wskaźnik. Oszacowanie szerszego wpływu wymagałoby dowodów łączących zachowania badawcze z późniejszymi rezerwacjami.

Drugie ograniczenie dotyczy selekcji użytkowników. Osoby wybierające asystenta mogą różnić się od tych, które go ignorują. Mogą mieć bardziej złożone wymagania, silniejszą intencję zakupu lub większą skłonność do interakcji. Bez odpowiedniego porównania różnice te mogą wpływać na obserwowane zachowania związane z rezerwacjami.

Test randomizowany odpowiadałby na inne pytanie niż przedstawione porównanie użytkowników. Porównywałby skądinąd podobne grupy, którym zaoferowano różne doświadczenia. Taki projekt mógłby pomóc wyizolować wkład asystenta. Nagłówkowego porównania konwersji Booking nie należy odczytywać jako dostarczającego takiego wyniku.

Materiał Cathy Walsh dotyczący wskaźników konwersji asystentów wskazuje na kolejny brakujący element: nie ujawniono bazowych wskaźników konwersji ani udziału odwiedzających korzystających z asystentów. Bez tych mianowników czytelnicy nie mogą przełożyć porównania na wkład w skali całej firmy. Korzystny wskaźnik może współistnieć z ograniczoną ogólną adopcją.

Polecenia LLM do Booking.com przedstawiają równoległy problem mianownika w szerszych porównaniach branżowych. Udział specyficzny dla marki nie może być automatycznie porównywany z zamówieniami generowanymi przez agentów lub sesjami na stronie internetowej innej firmy. Miary te liczą różne działania. Mogą też odzwierciedlać różne produkty, rynki i zasady atrybucji.

Termin agent stanowi kolejne źródło niejednoznaczności. Agent AI to oprogramowanie podejmujące działania na rzecz celu użytkownika, potencjalnie z wykorzystaniem połączonych usług. Polecenie do witryny turystycznej nie musi oznaczać, że oprogramowanie ukończyło rezerwację. Traktowanie każdej wizyty pochodzącej z chatbota jako autonomicznego handlu zacierałoby tę różnicę.

Jakość komercyjna rodzi dalsze pytania. Zrealizowana rezerwacja może nadal prowadzić do anulowania, obsługi posprzedażowej lub klienta, który nigdy nie wróci. Wartość kanału pozyskania zależy od tego, co dzieje się po początkowej rezerwacji. Procent poleceń nie dostarcza takich wyników.

Podobnie asystent zwiększający finalizację zakupów może generować dodatkowe koszty operacyjne. Ocena powinna obejmować zasoby potrzebne do zapewnienia i obsługi tego doświadczenia. Jest to proponowany model oceny, a nie twierdzenie, że asystenci Booking mają niekorzystną ekonomię. Ujawnione porównania nie rozstrzygają pełnej kalkulacji.

Szersze warunki biznesowe również komplikują interpretację. Kwartalne wyniki operacyjne Booking wykazały wzrost liczby noclegów w grupie o 7% oraz prognozę wzrostu o 1% do 3% w czwartym kwartale. Te wskaźniki dla całej firmy opisują szersze otoczenie popytowe. Nie należy przypisywać ich niewielkiemu zewnętrznemu kanałowi poleceń AI.

Dla optymistów brakującym dowodem jest trwały wkład komercyjny na dużą skalę. Dla sceptyków brakującym dowodem jest wykazanie, że skromne obecne polecenia narzucają trwały limit. Żadne ze stanowisk nie może twierdzić, że dostępny próg rozstrzyga sprawę. Uzasadniony wniosek pozostaje specyficzny dla obecnie raportowanej aktywności.

Obserwuj jakość poleceń, dodatkowe rezerwacje i powroty klientów

Kolejne użyteczne dowody powinny łączyć udział AI z ukończonymi, wartościowymi ekonomicznie zachowaniami podróżnymi.

Pierwszym sygnałem, na który warto zwracać uwagę w nadchodzących miesiącach, jest bardziej precyzyjne ujawnienie danych o zewnętrznych poleceniach. Dokładny udział lub spójny szereg danych byłby lepszy niż szeroki próg. Pomogłyby też oddzielne opisy bezpłatnych rekomendacji i płatnej dystrybucji. Kanały te mogą rosnąć z różnych powodów.

Rosnący udział poleceń wzmocniłby argument, że zewnętrzni asystenci stają się istotną drogą do zakupów zakwaterowania. Utrzymujący się niewielki udział osłabiłby twierdzenia o rychłym wypieraniu rezerwacji. Każdy z tych wyników byłby bardziej informacyjny przy jasno określonym okresie pomiaru. Porównywalne definicje są równie ważne jak dodatkowe miejsca po przecinku.

Jakości powinien towarzyszyć wolumen. Czytelnicy powinni szukać dowodów dotyczących finalizacji rezerwacji, anulowań i wartości pozyskanych klientów. Kanał może przyciągać większą aktywność, nie poprawiając wyników biznesowych. I odwrotnie, niewielki kanał może być atrakcyjny komercyjnie, jeśli skutecznie generuje wartościowy popyt.

Dlatego polecenia LLM do Booking.com zasługują na dalszą uwagę, nie stając się jedyną kartą wyników. Ich znaczenie strategiczne zależy częściowo od podróżnych, których przyciągają, oraz od relacji rozwijanych przez tych podróżnych. Większa liczba wskazywałaby na szerszą adopcję. Nie ujawniałaby automatycznie, kto osiąga największą korzyść ekonomiczną.

Drugim sygnałem są mocniejsze dowody, że asystenci tworzą dodatkowe rezerwacje. Dodatkowe rezerwacje to rezerwacje, które nie nastąpiłyby bez interwencji. To pytanie wykracza poza to, czy użytkownicy asystentów konwertują częściej. Dotyczy tego, czy pomoc zmienia wyniki dla porównywalnej populacji.

Dowody z kontrolowanych testów wzmocniłyby ten argument. Podobnie jak jaśniejsze dane o adopcji obok raportowanych porównań użytkowników. Jeśli korzystne wyniki znikną po uwzględnieniu różnic między użytkownikami, interpretacja przyczynowa osłabnie. Jeśli utrzymają się przy szerszym wykorzystaniu, argument komercyjny stanie się bardziej przekonujący.

W przypadku rezerwacji podróży z wykorzystaniem AI rozróżnienie między pomocnym zaangażowaniem a dodatkowym popytem ma kluczowe znaczenie. Asystent może ułatwić istniejący zakup bez generowania nowej podróży. Nadal może to przynosić korzyści podróżnym i poprawiać produkt. Wspiera jednak inne twierdzenie niż tworzenie popytu, który w przeciwnym razie by nie istniał.

Trzecim sygnałem jest to, gdzie klienci wracają po początkowym zakupie wspomaganym przez asystenta. Podróżny, który wraca bezpośrednio na marketplace, tworzy inną relację niż osoba, która wielokrotnie zaczyna od zewnętrznego asystenta. Powtarzalne zachowania pomogłyby wyjaśnić, czy partnerstwo przede wszystkim zapewnia pierwsze kontakty, czy utrzymuje bieżącą kontrolę nad odkrywaniem ofert.

Ten sygnał wyostrzyłby również porównanie konkurencyjne z Expedia. Ogłoszenia o integracji potwierdzają udział, lecz dalsze zachowanie klientów ujawniłoby więcej na temat siły dystrybucyjnej. Spójne dowody z kolejnych podróży miałyby większe znaczenie niż pojedyncza udana demonstracja. Istotne pytanie brzmi: które doświadczenie staje się nawykiem.

Deweloperzy mogą stosować tę samą dyscyplinę podczas oceny własnych produktów. Należy oddzielić pomoc w badaniu od autoryzowanych działań, a następnie mierzyć, czy użytkownicy realizują zamierzony przepływ pracy. Zachowaj informacje potrzebne do zrozumienia niepowodzeń. Wiarygodna odpowiedź powinna prowadzić do prawidłowego wyniku, zanim otrzyma etykietę sukcesu komercyjnego.

Pracownicy wiedzy śledzący tę historię powinni zachować te rozróżnienia obok liczby z nagłówka. Osobista baza wiedzy może przechowywać dokumenty źródłowe i wcześniejsze ujawnienia do późniejszego porównania. Ułatwia to zauważenie, kiedy znany wskaźnik zmienia zakres lub definicję. Lepsza dokumentacja wspiera lepsze osądy dotyczące pozornego postępu.

Gdy pojawi się kolejne ujawnienie, zacznij od liczonego działania, odpowiedniej marki i okresu pomiaru. Następnie porównaj wolumen poleceń z dowodami dotyczącymi dodatkowych rezerwacji i powtarzalnych zachowań klientów. Oddzielaj polecenia LLM do Booking.com od korzystania z asystentów w jego markach siostrzanych. Traktuj korzystne porównania użytkowników jako dowody warte zbadania, jednocześnie sprawdzając, czy kontrolowane wyniki wspierają twierdzenie o związku przyczynowym. Przy kolejnej ocenie produktu AI poproś dostawcę o prześledzenie żądania użytkownika przez wybór, autoryzację, realizację i późniejszą obsługę. Która część tej ścieżki ma zweryfikowane wyniki, a która nadal opiera się na założeniu?