Booking.com LLM 轉介帶來的客房晚數仍不足 1%

Booking Holdings 於 11 月 3 日表示，儘管近期增長加快，Booking.com 從大型語言模型轉介獲得的客房晚數仍明顯不足 1%。大型語言模型（LLM）會生成對話式 AI 助理背後的回應。Booking.com LLM 轉介為這些助理對住宿預訂的貢獻提供了具體衡量方式，也揭示了協助旅客構想行程與把他們帶往預訂地點之間的落差。

這項披露對「通用 AI 助理已在取代成熟旅遊平台」的說法構成壓力。Booking Holdings 同時公布，其品牌內部助理取得令人鼓舞的成效。這種對比很重要，因為外部探索與預訂平台內的協助，分別處於購買流程的不同位置。一份吸引人的行程與一項完成的預訂，代表截然不同的商業成果。

Expedia 亦透過 ChatGPT 參與對話式旅遊探索，因此可作為有用的競爭參考。兩家公司都面對同一項策略問題：有多少客戶關係會轉移至外部介面？Booking 的披露提供了現時轉介渠道的證據，但未能定論旅客日後會在哪裏開始規劃、比較或完成行程。

Booking.com LLM 轉介實際衡量甚麼

披露的百分比衡量的是獲歸因的客房晚數，而非 AI 對旅遊決策的完整影響。

Booking Holdings 在其季度業績電話會議中表示，轉介正在加速增長，但仍遠低於該門檻。管理層亦區分了增長中的自然轉介與付費合作關係。自然轉介來自非付費推薦或連結；付費轉介則涉及商業分銷安排。

這項區分令標題比一般談論聊天機械人流量的說法更具資訊價值。它把一個獲客渠道與住宿需求單位連結起來。不過，重要問題仍未獲解答。公司未有提供該渠道的確切百分比或絕對數量。

客房晚數指一間客房預訂一晚。它不代表獨立旅客、單次網站瀏覽或整個行程。這些單位回答的是不同問題。混淆它們，很容易誇大這項披露所能證明的內容。

企業範圍同樣重要。Booking.com 隸屬 Booking Holdings，旗下其他品牌包括 Priceline 和 Agoda。與 Booking.com 掛鈎的百分比應保留這個範圍，不應悄然變成關於母公司旗下所有住宿預訂的說法。

同樣地，獲歸因的轉介與 AI 輔助作出的決定並不相同。假設一名旅客要求聊天機械人比較不同社區，之後自行打開熟悉的旅遊應用程式。助理確實有助塑造選擇，但最終預訂是否獲得轉介歸因，取決於衡量方法。

另一名旅客可能立即跟隨聊天機械人的連結，並在該次瀏覽中預訂住宿。這段旅程在推薦與交易之間形成較直接的聯繫。這些例子說明，探索影響與轉介歸因需要分別標示。它們是情境示例，而非 Booking.com 已披露的客戶旅程。

時間點同樣值得審慎看待。管理層在第三季業績簡報中談及近期加速增長。這種表述並未提供詳細的每月數列，或轉介佔比的精確衡量時段。讀者不應只憑單一門檻重建趨勢線。

因此，Booking.com LLM 轉介建立了一個有限但有用的基準。按公司所述的預訂衡量方式，該渠道仍然規模甚小。關於所有受 AI 影響的旅遊行為，仍需要額外證據；關於該渠道的未來，則需要預測，而非重新詮釋現時數字。

這個區分亦應指引企業如何理解其他地方的類似披露。先看被計算的行動，識別相關品牌，並檢查歸因邊界，然後才可將結果與另一家公司的指標比較。一個熟悉的百分比，可能掩蓋非常不同的底層行為。

旅遊平台正爭奪客戶的起點

眼前的策略壓力，關乎在旅客選擇預訂平台前接觸他們。

通用助理可以成為旅客首次描述目的地、日程或偏好組合的地方。這個位置帶來影響候選清單的機會，也令旅遊平台有理由在該渠道成為主要預訂來源前參與其中。

對 Booking 而言，策略問題不止是助理會否帶來即時預訂，還包括誰了解旅客偏好，以及誰接收下一個查詢。平台可以保留交易，同時分享更多探索關係。這些結果應分開評估。

這是基於分銷模式的分析含意，而非已披露的客戶所有權流失。單憑轉介數字無法衡量品牌偏好、議價能力或重複使用行為。不過，它有助說明，目前獲歸因的住宿量對最強烈的替代論述支持有多麼有限。

競爭背景已經可見。Booking.com 和 Expedia 均名列於 2025 年 10 月推出的 ChatGPT app integrations服務之中。它們的參與顯示成熟旅遊企業正投入對話式分銷，但並不代表採用程度、商業條款或預訂表現相同。

對外部助理來說，成熟平台的參與解決了部分產品問題。一段對話需要有地方取得相關選項，並將購買意向送往該處。對平台而言，參與可接觸從其他地方開始的客戶。這種關係可以一面合作，一面競逐介面控制權。

這種重疊解釋了為何目前規模細小的渠道仍能吸引管理層注意。分銷合作需要在產生有意義的規模前投入工作。等到佔比已經很大，理解用戶行為和協商安排的時間就會更少。因此，及早參與可以是理性選擇，並不代表替代已迫在眉睫。

酒店亦面對與可見度相關的問題。若旅客要求的是候選清單，而非瀏覽熟悉的搜尋結果，獲選便變得尤其重要。住宿物業會希望知道助理是否辨識其相關特質，也會希望了解是哪個中介提供資訊。

根據 Booking 的披露推斷存在特定排名劣勢，仍屬言之過早。該數字沒有包含物業層面的推薦審核。不過，它指出可見度工作最終需要支持的商業終點。若旅客沒有繼續下一步，出現在答案中的預訂價值便有限。

對 AI 產品團隊而言，壓力則來自相反方向。引人入勝的探索體驗需要證據，證明用戶其後完成有用行動。對話長度和吸引人的回應可以反映參與度，但無法獨立證明住宿需求或可持續的分銷業務。

因此，Booking.com AI 旅遊應從探索、購買與服務三方面評估。平台可以強化其中一個階段，而另一個階段仍依賴合作夥伴。實際的競爭問題是，每個參與者在哪裏增添足夠價值以維持關係。現時的轉介佔比只回答了其中一部分。

Booking 旗下品牌內的助理更接近購買環節

嵌入旅遊平台的助理，面對的任務與協助用戶探索目的地的通用聊天機械人不同。

Booking Holdings 表示，Priceline 的 Penny 與 Agoda 的 AI Assistant 用戶，轉換率約為非用戶的兩倍。此處的轉換率指用戶完成預訂的比率。管理層亦表示，Agoda 助理用戶的平均預訂金額較高。這些是公司自行報告的比較，而非獨立確立的因果效應。

內部與外部協助之間的差異，構成本故事的核心張力。外部轉介仍是獲歸因客房晚數的一個小型來源；與此同時，公司形容使用自家助理的旅客展現良好行為模式。這些證據涉及不同群體，以及旅遊規劃的不同階段。

Booking 的 AI product plans描述了與可預訂旅遊庫存相連的助理，以及現有品牌內擴展的功能，也提及預訂後服務任務的開發。這個產品方向把協助功能放在完成旅程所需的資訊與行動旁邊。

再假設一名旅客正選擇會議場地附近的住宿。一般對話可協助識別合適社區並釐清偏好，但預訂決定還需要特定日期、房型配置、供應情況及取消條款。當助理能在選擇過程中保留這些限制條件時，便更具實用價值。

這個例子並不能證明任何具名產品的表現，而是說明為何連接交易系統十分重要。推薦必須經得起實際優惠的檢驗。若推薦房間無法容納旅客同行的人數，先前的答案便未完成任務。

同樣的邏輯也適用於購買後。旅客要求取消時，需要相關預訂及適用條件。一般解釋取消政策，不能取代對該預訂作出的獲授權行動。將對話連接至預訂，會產生不同的營運責任。

因此，AI 旅遊預訂不僅是改善回應措辭。產品團隊需要可靠方法，把偏好轉化為有效選項，也需要維持展示選項與最終預訂之間的關係。流暢對話有助用戶表達意向，但執行必須把意向保留下來。

這不代表成熟平台必然能提供最佳的對話體驗。外部助理可能提供更方便的起點或更廣闊的脈絡。旅客可能偏好在選擇中介前，先討論整段旅程。重點是，不同的產品位置會創造不同優勢。

Booking.com 的 AI 旅遊服務同樣屬於一系列實驗組合的一部分，而非單一取代式介面。這種做法讓管理層可從多個角度測試對話式協助在哪些環節發揮作用。然而，這亦帶來另一項評估挑戰：不能把某個品牌或功能的結果，假定為所有相關產品的結果。

因此，最有力的解讀比樂觀或悲觀的標題所暗示的都更為收窄。接近可預訂庫存的協助功能具備合理的商業機制；外部發現渠道則具備合理的分發角色。已披露數字為這些機制提供不同類型的證據，卻未有提供兩者之間的受控比較。

對企業買家而言，這是超越旅遊業的一項實用評估原則。應詢問助理在哪個工作流程環節介入，以及它實際能完成甚麼。面向已接近購買決定的用戶的工具，所面對的條件與服務開放式研究的工具不同。效能比較必須考慮這個起點。

數字令樂觀者與懷疑者同樣留下空白

較小的引薦佔比不足以證明 AI 無關重要，而助理用戶較高的轉換率亦不足以證明存在因果增長。

第一項限制涉及歸因。旅客可以查詢助理，卻不會沿著可量度的引薦路徑前往網站。他們可能稍後才回來、轉用其他裝置，或自行開啟 app。這些只是可能的量度情境，並非關於 Booking 系統遺漏多少活動的證據。

這項保留應防止任何方向的過度解讀。它並不代表可以用想像中更大的數字取代已披露的佔比，只是將結論限制於該指標所涵蓋的內容。要估計更廣泛的影響，便需要把研究行為與其後預訂連結起來的證據。

第二項限制涉及用戶選擇。選擇使用助理的人可能與忽略助理的人不同。他們可能有較複雜的要求、更強的購買意向，或更願意互動。若沒有恰當的比較，這些差異可影響觀察到的預訂行為。

隨機測試所處理的問題，與已報告的用戶比較不同。它會比較獲提供不同體驗、但在其他條件上相近的群組。這類設計可協助分離助理所帶來的貢獻。Booking 的重點轉換率比較不應被視為已提供這種結果。

Cathy Walsh 對 助理轉換率的報道指出另一項缺失：基礎轉換率以及使用助理的訪客佔比均未披露。缺少這些分母，讀者便無法把比較轉化為對全公司業務的貢獻。一個有利的比率可以與有限的整體採用率並存。

Booking.com LLM 引薦亦為更廣泛的業界比較帶來類似的分母問題。某個品牌的佔比不能自動與另一家公司由 agent 產生的訂單或網站瀏覽量相比。這些指標計算的是不同動作，也可能反映不同產品、市場及歸因規則。

agent 一詞亦帶來另一層模糊性。AI agent 是為實現用戶目標而採取行動的軟件，並可能使用已連接的服務。引薦至旅遊網站不一定表示該軟件已完成預訂。若將每次由聊天機械人帶來的訪問都視作自主商業行為，便會模糊兩者的分別。

商業質素還帶來更多問題。完成的預訂仍可能導致取消、服務支援工作，或客戶從此不再回來。獲客渠道的價值取決於首次預訂後發生的事情。引薦百分比並未提供這些結果。

同樣地，提高購買完成率的助理可能引入額外營運成本。評估應包括交付及支援該體驗所需的資源。這是建議的評估框架，而非聲稱 Booking 的助理經濟效益不佳。已披露的比較並未完成整項計算。

更廣泛的商業環境亦令解讀變得複雜。Booking 的季度營運業績顯示，集團客房晚數增長 7%，並預測第四季增長為 1% 至 3%。這些全公司指標描述的是更廣闊的需求環境，不應歸因於規模較小的外部 AI 引薦渠道。

對樂觀者而言，缺少的是具規模、可持續的商業貢獻證據；對懷疑者而言，缺少的是證明目前有限引薦量構成長期上限的證據。兩種立場都不能從現有門檻得出定論。可辯護的結論仍應限於目前已報告的活動。

關注引薦質素、增量預訂及客戶回流

下一項有用證據應把 AI 參與與已完成、具經濟價值的旅遊行為連結起來。

未來數月首個值得留意的訊號，是更精確的外部引薦披露。確切佔比或持續一致的時間序列，會比寬泛門檻更有幫助。若能分別說明免費推薦與付費分發，亦會更清晰，因為這些渠道可因不同原因而增長。

若引薦佔比上升，將加強外部助理正成為住宿購買重要途徑的論點。若佔比持續偏低，則會削弱短期內預訂被取代的說法。若有清晰的量度窗口，任何結果都會更具資訊價值。可比較的定義與更多小數位同樣重要。

質素應與數量並列考慮。讀者應尋找有關預訂完成、取消及所獲客戶價值的證據。一個渠道可以帶來更多活動，卻未必改善最終業務成果。相反，若能有效率地帶來有價值的需求，即使渠道規模小，仍可能具商業吸引力。

這正是 Booking.com LLM 引薦值得持續留意、但不應成為唯一記分板的原因。其策略重要性部分取決於所帶來的旅客，以及這些旅客所建立的關係。較大的數字代表更廣泛採用，但不會自動揭示誰獲得最大的經濟利益。

第二個訊號，是更有力的證據顯示助理創造增量預訂。增量預訂是指若沒有介入便不會發生的預訂。這個問題不止於助理用戶是否較常轉換，而是詢問協助是否改變了可比較人群的結果。

受控測試的證據可加強這一論點；配合已報告用戶比較的更清晰採用數字亦可如此。若在考慮用戶差異後，有利表現消失，因果解讀便會減弱；若該表現能在更廣泛使用中持續，商業論點便會更具說服力。

對 AI 旅遊預訂而言，有幫助的互動與額外需求之間的分別至關重要。助理可能令原本已存在的購買更容易完成，卻未必產生新的旅程。這仍可惠及旅客並改善產品，只是支持的主張與創造原本不存在的需求不同。

第三個訊號，是客戶在首次由助理協助完成購買後，會到哪裡回流。直接回到市集的旅客，與反覆從外部助理開始的人，建立的是不同關係。重複行為有助釐清合作關係主要是提供初次介紹，還是持續保留對發現流程的控制。

這個訊號亦會令與 Expedia 的競爭比較更清晰。整合公告證明參與其中，但持續的客戶行為更能揭示分發力量。跨越後續旅程的一致證據，比單次成功示範更重要。真正相關的問題是：哪種體驗會成為習慣。

開發者在評估自己的產品時，也可採用相同紀律。把研究協助與已授權行動分開，然後量度用戶是否完成預期工作流程。保留理解失敗所需的資訊。一個看似合理的答案，必須先帶來有效結果，才配得上商業成功的標籤。

關注此事的知識工作者，應連同標題數字保留這些區別。個人知識庫可保存來源文件及較早前的披露資料，以便日後比較。這使人更容易察覺熟悉的指標何時改變了範圍或定義。更好的記錄有助更準確判斷表面上的進展。

下一次披露到來時，先從被計算的行動、相關品牌及量度期間開始。然後把引薦量與增量預訂及重複客戶行為的證據作比較。將 Booking.com LLM 引薦與其姊妹品牌內部的助理使用情況分開。把有利的用戶比較視為值得調查的證據，同時檢查受控結果是否支持因果主張。下次評估 AI 產品時，請供應商追蹤用戶的請求如何經過選擇、授權、完成及後續服務。這段旅程的哪一部分已有經核實的表現，哪一部分仍取決於假設？