AI-agenter vil forandre rejser, før rejsende lægger mærke til det

AI-rejseagenter har forbedret sig hurtigt over de sidste to år. KAYAK lancerede AI-tilstand i 2025 og udvidede det med Ask AI i 2026. Booking.com har fortsat med at udvide de AI-rejseplanlægningsværktøjer, som de først introducerede i 2023, mens tilføjer nye produkter til bestemte dele af rejsen, herunder AI-drevet biludlejningssøgning og assistance. Begge illustrerer, hvordan rejse søgning bevæger sig fra lister over resultater til naturlige sprogkonversationer.

En AI-agent kan omdanne en langvarig søgeproces til en højtpersonlig kortliste, hvilket sparer rejsende tid, samtidig med at det fremhæver muligheder, der bedre matcher, hvad de virkelig ønsker. I stedet for at åbne ti faneblade og sammenligne hoteller én for én, kunne en rejsende bede om en stille ejendom nær en bestemt kontor, med sen check-in og plads til en stor hund.

Men selvom udsigten til dette er tiltrækkende, betyder det ikke, at rejser er klar til autonome agenter. Den primære begrænsning er stadig infrastrukturen, der understøtter modellen: en agent kan kun træffe en pålidelig beslutning, når den information, den modtager, er struktureret, aktuel og detaljeret nok til at handle på. I rejser er denne information stadig fragmenteret og mangler ofte den detalje, en autonom agent har brug for for at træffe en selvbevidst beslutning. Et flydende svar kan skjule svag kilde data; når agenten også er ansvarlig for reservationen, bliver svagheden operationel.

AI-Rejser har et Data Problem

Overvej noget så enkelt som at finde et hotel, der tillader hunde. Vi har allerede set rejsende spørge en AI-værktøj, om et hotel var venlig over for kæledyr, modtage et forkert svar og ankomme for at opdage, at hunde ikke var tilladt. Problemet var kilde data, som modellen afhang af. Selv en positiv “kæledyr tilladt” felt kan udelade detaljerne, der afgør, om opholdet er muligt: om hotellet accepterer alle hunde eller kun små racer, hvor mange kæledyr er tilladt, og hvilken gebyr er opkrævet.

Anmodninger bliver sværere, jo mere specifikke de bliver. En rejsende kunne bede om et hotel med et godt fitnesscenter. For at svare korrekt har agenten brug for mere end et “fitnesscenter tilgængeligt” felt. Den har brug for at vide, hvilket udstyr der er til rådighed, hvor gammel faciliteten er, om den er åben 24/7, og om den inkluderer dedikeret cardio-, styrke- og funktionstræningszoner samt faciliteter som en sauna. Så mange forskellige faktorer kombinerer for at bestemme, om et fitnesscenter virkelig er godt for en bestemt rejsende.

Tilgængelighed skaber det samme problem. En generisk “tilgængeligt” mærkat siger lidt om, hvorvidt en bestemt gæst kan faktisk bruge ejendommen. En nyttig beskrivelse ville sige, for eksempel, at indgangen er trinløs, elevatoren kan rumme en kørestol, og badeværelset har en rulle-ind-skydeskål. Hoteller har brug for at offentliggøre denne niveau af detalje i en maskinlæsbar format, men det sker stadig ikke på det meste af markedet.

Problemet strækker sig til selv lageret. Forskellige leverandører kan beskrive det samme rum på forskellige måder, og kommercielle praksisser kan tilføje endnu en lag af inkonsistens. Et standardværelse kan fremstå som et “superior” værelse gennem en anden distributionskanal, selv når den underliggende produkt er essentiel set det samme. Et dobbeltværelse kan være opført som et “twin” værelse et andet sted, eller en delvis havudsigt kan være markedsført som en fuld, afhængigt af hvilken kanal der har prissat det. Rate-paritetsaftaler kan forstærke denne inkonsistens: når et hotel ikke kan tilbyde det samme værelse billigere gennem en anden kanal, kan omdøbning eller let omforpagning af værelset skabe et nominelt forskelligt produkt.

Ingen af dette er nødvendigvis bedragerisk; det er ofte bare, hvordan forskellige systemer mærker det samme fysiske lager. Men det betyder, at det samme værelse kan vises under flere forskellige beskrivelser, hver teknisk korrekt, men uperfekt for et automatiseret system, der forsøger at afklare dem. Mens mennesker, der arbejder i rejser, har lært at fortolke disse forskelle, har agenter brug for langt renere input, hvis de skal træffe beslutninger i stor målestok.

Rejsedata blev bygget til menneskelige workaround

Rejser har længe afhængigt af mennesker til at løse inkonsistente værelsesnavne, manglende attributter og modstridende leverandørdata. Autonome agenter kan ikke afhænge af den samme antagelse: når software træffer en beslutning, bliver usikkerhed direkte til en forkert reservation. En misforståelse, der tidligere skabte ti minutters manuelt arbejde, kan nu sende en rejsende til det forkerte værelseskategori eller et hotel, der ikke kan opfylde en afgørende krav.

Det giver struktureret lager en ny strategisk værdi. Expedia’s Rapid API giver nu adgang til over 800.000 ejendomme og 32 millioner ejendomsbilleder, mens deres B2B-platform behandler 21 milliarder API-opkald om dagen. Booking.com rapporterer over 31 millioner overnatningsmuligheder og 370 millioner verificerede anmeldelser. Størrelsen af disse datasæt hjælper med at forklare, hvorfor store platforme har en tidlig fordel, når det kommer til AI som endnu en grænseflade for rejsesøgning.

Hvis AI-assistenter stadig afhænger af de kilder, de kan forespørge og stole på, vil forbrugergrænsefladen ændre sig meget hurtigere end distributionslaget bagved.

Bedre data rejser også et spørgsmål om, hvordan personalisering bør bruges. AI kan lære en rejsendes præferencer og bruge dem til at give bedre anbefalinger, men samme profil bør ikke bestemme, hvad rejsende betaler. Der er en vigtig forskel på at vise en person det hotel, der bedst matcher deres historik, og at opkræve dem mere for det samme værelse, fordi en algoritme mener, de kan betale mere.

Husk, at en bruger normalt rejser med en hund eller foretrækker hoteller med ordentligt styrketræningsudstyr, forbedrer anbefalingen. At bruge deres indkomst, enhed eller tidligere udgifter til at estimeere den højeste pris, de vil acceptere, bevæger sig fra personalisering til profilering.

At finde hotellet er kun en del af arbejdet

For en autonom agent er at finde det rette hotel kun en del af transaktionen. Den har også brug for adgang til live-lager, bekræfte reservationen og betale for den. Selv med perfekt struktureret lager møder agenter stadig en anden flaskehals, når de forsøger at fuldføre transaktionen: betalinger og afregning er stadig nogle af de mest fragmenterede dele af rejsestakken.

I juni 2026 lancerede Travala en rejsedatabase, der giver AI-agenter mulighed for at søge og reservere over 2,2 millioner hoteller, med betalinger afregnet programmeret i USDC gennem Coinbase’s agentic wallet-infrastruktur. Samme måned sagde Accor , at de investerede i systemer, der ville give rejsende mulighed for at reservere og betale for hoteller direkte inden for LLM’er som ChatGPT, et af de klareste tegn endnu på, at store hospitality-grupper ser agent-naturlige betalinger som et nær-tid-produkt. Disse lanceringer bringer agenten tættere på at fuldføre reservationen inden for en enkelt samtale, i stedet for at omdirigere rejsende gennem flere frakoplinger systemer.

Lager og betalinger har brug for at være tilgængelige for software inden for den samme arbejdsgang. I dag kan en hotelreservation stadig gå gennem flere mellemled før den når ejendommen, mens betaling og afregning ofte håndteres i separate systemer.

Programmerbare betalingsrør kan hjælpe med at forbinde disse skridt. Stablecoins er en mulighed, da de understøtter døgnåbent, programmeret afregning. Rejsende har ikke brug for at holde stablecoins selv, og hoteller kan fortsat modtage lokal valuta, med omregning, der sker i baggrunden.

Målet er en transaktion, som en agent kan føre fra udvælgelse til reservation og afregning uden at overdrage processen til en person. Det kræver, at betalingsinfrastrukturen bliver lige så tilgængelig for software som rejselager er ved at blive.

Forbrugerne kan være de sidste, der lægger mærke til det

De første store effekter af AI-agenter i rejser vil ske bag bookinggrænsefladen, lang tid før rejsende lægger mærke til nogen synlig ændring.

Hoteller har brug for mere detaljeret maskinlæsbar indhold. Leverandører har brug for at forbedre, hvordan lager er normaliseret på tværs af systemer. Mere distribution vil gå gennem API’er, og betalingsinfrastruktur har brug for at understøtte transaktioner initieret af software. For mange hoteller vil det første tegn på agent-rejser derfor være operationelt: nye datafelter at udfylde, strengere værelseskortningskrav og mere krav om adgang til tilgængelighed og priser i realtid.

AI-assistenten kan være den mest synlige ændring for forbrugere, men disse underliggende forbedringer vil bestemme, hvor nyttig den ultimate bliver. En simpel anmodning som “book den bedste mulighed for mig” kan afhænge af hundredvis af kontroller, der sker usynligt, fra at matche værelsesposter til at bekræfte prisen og tilknytte betalingen til den korrekte reservation.

Rejser har opereret med fragmenteret data og inkonsistente systemer i årtier, fordi mennesker kunne kompensere for dem. Autonome agenter efterlader langt mindre plads til disse workaround. Et data-problem, der tidligere skabte ekstra manuelt arbejde, kan nu forhindre transaktionen i at ske korrekt. Dette ændrer grundlaget for konkurrence.

Agent-rejser afhænger af data og infrastruktur, som autonome systemer kan stole på. Inden rejsende lægger mærke til, at AI booker mere af deres ture, vil meget af transformationen allerede være bag dem.