Η ιδέα ότι μπορείς να πληρώσεις 118 δολάρια για μια πτήση που αρχικά κοστολογείται στα 1.260 ακούγεται σχεδόν εξωπραγματική. Κι όμως, δεν πρόκειται για σφάλμα συστήματος ή για κάποιο μυστικό κόλπο που λειτουργεί μία φορά. Είναι αποτέλεσμα μιας διαφορετικής προσέγγισης στην αναζήτηση ταξιδιών, όπου η τεχνητή νοημοσύνη αξιοποιείται ως εργαλείο ανάλυσης και όχι ως «μαγικό κουμπί».
Στην καρδιά αυτής της μεθοδολογίας βρίσκεται μια αλλαγή νοοτροπίας. Ο ταξιδιώτης σταματά να σκέφτεται με όρους «θέλω αυτή την πτήση, αυτή την ημέρα» και αρχίζει να θέτει πολύ πιο ανοιχτά ερωτήματα. Η τεχνητή νοημοσύνη καλείται να εξετάσει ολόκληρα γεωγραφικά σύνολα, μεγάλα χρονικά διαστήματα και κάθε πιθανό συνδυασμό αεροδρομίων, διαδρομών και εταιρειών. Κάτι τέτοιο είναι πρακτικά αδύνατο να γίνει χειροκίνητα, όχι λόγω έλλειψης γνώσης αλλά λόγω όγκου δεδομένων.
Ένα από τα πρώτα πράγματα που αποκαλύπτει αυτή η διαδικασία είναι πόσο περιοριστική είναι η κλασική αναζήτηση πτήσεων. Τα μεγάλα μηχανάκια αναζήτησης τείνουν να προβάλλουν απευθείας πτήσεις, συγκεκριμένα μεγάλα αεροδρόμια, εισιτήρια μετ’ επιστροφής από την ίδια εταιρεία. Η τεχνητή νοημοσύνη, αντίθετα, διερευνά δευτερεύοντα αεροδρόμια, κοντινές πόλεις, συνδυασμούς διαφορετικών αεροπορικών και διαδρομές που περιλαμβάνουν μεγάλες στάσεις ή αλλαγές. Εκεί ακριβώς κρύβονται συχνά οι τεράστιες διαφορές τιμής.
Ιδιαίτερο ρόλο παίζει και ο τρόπος που «σπάει» το ταξίδι. Ένα ενιαίο εισιτήριο μετ’ επιστροφής φαίνεται πιο απλό, αλλά συχνά είναι ακριβότερο. Όταν η τεχνητή νοημοσύνη εξετάζει ξεχωριστά σκέλη, ακόμα και με διαφορετικές εταιρείες ή ημερομηνίες, ανακαλύπτει ναύλους που δεν εμφανίζονται ποτέ ως ολοκληρωμένο πακέτο. Το αποτέλεσμα μπορεί να είναι λιγότερο βολικό, αλλά οικονομικά εντυπωσιακό.
Η ευελιξία στις ημερομηνίες αποδεικνύεται εξίσου καθοριστική. Δεν μιλάμε για μετατόπιση μιας ημέρας πριν ή μετά, αλλά για ανάλυση ολόκληρων εβδομάδων ή και μηνών. Οι αλγόριθμοι τιμολόγησης των αεροπορικών εταιρειών δημιουργούν συχνά μικρά «παράθυρα» χαμηλών τιμών που διαρκούν ελάχιστα. Η τεχνητή νοημοσύνη, εξετάζοντας μαζικά δεδομένα, μπορεί να εντοπίσει αυτά τα μοτίβα και να τα αναδείξει πριν εξαφανιστούν.
Η διαδικασία θυμίζει κάτι σαν υπολογιστική εξάντληση: χιλιάδες σενάρια δοκιμάζονται, τα μη αποδοτικά απορρίπτονται και τα καλύτερα επανεξετάζονται με πιο αυστηρά κριτήρια. Δεν υπάρχει παραβίαση συστημάτων ούτε πρόσβαση σε κρυφές τιμές. Υπάρχει απλώς κατανόηση του πώς λειτουργεί η αγορά και χρήση της τεχνητής νοημοσύνης ως ενισχυτή ανθρώπινης σκέψης.
Σημαντικό είναι να τονιστεί ότι η τελική απόφαση ανήκει πάντα στον ταξιδιώτη. Η τεχνητή νοημοσύνη δεν αγοράζει εισιτήρια ούτε εγγυάται διαθεσιμότητα. Προτείνει σενάρια, τα οποία πρέπει να επιβεβαιωθούν χειροκίνητα στις πλατφόρμες κρατήσεων ή απευθείας στις ιστοσελίδες των αεροπορικών εταιρειών. Εκεί μπαίνουν στο «παιχνίδι» και άλλοι παράγοντες, όπως οι ώρες πτήσης, οι αποσκευές, οι χρόνοι αναμονής και η προσωπική αντοχή στην ταλαιπωρία.
Αυτό που συχνά παραβλέπεται είναι ότι αυτή η μέθοδος δεν ταιριάζει σε όλους. Όποιος ταξιδεύει με αυστηρό πρόγραμμα ή με οικογένεια ίσως να μη θέλει να αλλάξει τρία αεροπλάνα για να γλιτώσει χρήματα. Για άλλους όμως, ειδικά για ευέλικτους ταξιδιώτες ή ψηφιακούς νομάδες, η εξοικονόμηση μπορεί να είναι τόσο μεγάλη που αλλάζει εντελώς τον τρόπο που βλέπουν τα ταξίδια.
Το πιο ενδιαφέρον συμπέρασμα είναι ότι η τεχνητή νοημοσύνη δεν «ρίχνει» τις τιμές των αεροπορικών. Απλώς φωτίζει επιλογές που υπήρχαν πάντα, αλλά ήταν θαμμένες κάτω από την πολυπλοκότητα των συστημάτων κρατήσεων. Στην ουσία, μετατρέπει τον ταξιδιώτη από παθητικό καταναλωτή σε ενεργό αναλυτή, δίνοντάς του πρόσβαση σε μια εικόνα της αγοράς που μέχρι πρόσφατα ήταν προνόμιο επαγγελματιών.
