Despliegue de IA de Booking.com aumenta la satisfacción un 73% y presenta un playbook de cinco pasos

Booking.com convirtió experimentos con agentes de IA en servicios en producción, logrando un aumento del 73% en satisfacción mediante un enfoque centrado en casos concretos y una plataforma de datos integrada.

Qué ocurrió: el 4 de mayo de 2026 Booking.com reportó un incremento del 73% en la satisfacción de clientes tras poner en producción servicios basados en agentes de IA. Huy Dao, director de plataforma de datos y machine learning, lideró la transformación que permitió convertir pruebas y prototipos en servicios operativos con métricas de valor medible. Detalle del producto: el primer servicio agentivo desplegado fue un sistema partner‑to‑guest que automatiza y facilita la comunicación entre huéspedes y socios hoteleros. Ese agente responde consultas prácticas — por ejemplo, disponibilidad de instalaciones o cambios en la hora de llegada— y actúa como intermediario cuando el personal del hotel no puede atender inmediatamente.

o de producto: la iniciativa forma parte del concepto 'connected trip', cuyo objetivo es tratar vuelos, hoteles y actividades como una experiencia integrada. Al reducir fricciones durante la reserva y la estancia, la empresa pretende ofrecer una atención más fluida y coherente a lo largo de todo el viaje, no solo en reservas puntuales. Impacto operativo: al automatizar y apoyar las respuestas entre huésped y hotel, Booking.com acortó tiempos de espera que antes podían prolongarse horas cuando el personal estaba ausente o debía verificar información. La mejora del 73% en satisfacción sugiere que agentes bien diseñados pueden traducirse en mayor calidad de experiencia para el cliente y en beneficios operativos concretos.

Lecciones prácticas — identificar el reto: el equipo priorizó un problema claro: la lentitud en las respuestas del hotel a preguntas habituales (por ejemplo, uso de la piscina o cambios de hora de llegada). Focalizar la solución en esa fricción real permitió diseñar capacidades agentivas útiles desde el primer despliegue, en lugar de desarrollar experimentos genéricos sin impacto inmediato. Lecciones prácticas — construir la plataforma: la adopción se apoyó en una pila integrada que incluye Snowflake para almacenamiento y gobernanza de datos, ThoughtSpot para analítica y Astronomer con Airflow para orquestación. Según Dao, esa infraestructura fue determinante para acelerar la adopción de machine learning y escalar agentes desde pilotos hasta servicios en producción.

muchas exploraciones con agentes se estancan en fase piloto y las empresas que no aprovechen estas capacidades corren el riesgo de quedarse atrás.