Mengapa Industri Perjalanan Membutuhkan Adopsi AI Berlapis, Bukan Perlombaan Menuju Otonomi

Diskusi tentang AI dalam industri perjalanan sering kali berfokus pada bagaimana teknologi ini dapat dengan cepat mengubah sektor dan memberikan hasil berdampak tinggi. Namun, realitasnya lebih nuansa. Meskipun AI telah menunjukkan nilai nyata di bidang seperti personalisasi, layanan pelanggan, dan efisiensi operasional, tidak semua pihak mengadopsinya dengan kecepatan yang sama. Salah satu alasan utama adalah ekosistem teknologi yang kompleks.

Maskapai penerbangan, Online Travel Agencies (OTAs), dan Travel Management Companies (TMCs) beroperasi dalam jaringan terhubung yang dibangun selama beberapa dekade. Banyak yang masih bergantung pada lingkungan data yang terfragmentasi dan infrastruktur warisan yang membatasi kecepatan penerapan dan skalasi AI. Kekhawatiran yang meningkat terkait transparansi, akuntabilitas, dan keandalan semakin memperparah masalah ini.

Sebagian besar perusahaan perjalanan membicarakan AI sebagai satu kisah transformasi. Namun, penerapannya berkembang pada tiga lapisan yang berbeda sekaligus saling terhubung: kemajuan otomatisasi layanan pelanggan dan operasi, hambatan akibat infrastruktur lama, serta kurangnya kepercayaan kelembagaan. Masing-masing bergerak dengan kecepatan berbeda, menciptakan dinamika tersendiri yang memerlukan tanggapan khusus. Memahami perbedaan ini memberikan kerangka yang lebih praktis untuk menemukan di mana peluang dan risiko terbesar kemungkinan muncul.

1. Menilai Kemajuan

Baik saat mencari penerbangan, mengelola rencana perjalanan, maupun mengatasi gangguan, wisatawan semakin mengharapkan interaksi yang lancar, personal, dan responsif. Asisten AI generatif membantu menyederhanakan perencanaan perjalanan dan dukungan pelanggan. Pada 2025, hampir 40% wisatawan AS menggunakan AI generatif untuk merencanakan perjalanan. Pada saat yang sama, model pembelajaran mesin memungkinkan penawaran yang sangat personal berdasarkan perilaku wisatawan, preferensi loyalitas, dan riwayat pembelian.

AI juga menciptakan nilai luar biasa di balik layar. Perusahaan perjalanan menggunakan analitik canggih untuk memprediksi permintaan dengan lebih baik, mengelola kapasitas, memperkuat perencanaan tenaga kerja, dan menangani gangguan. Misalnya, sebuah penyedia layanan perjalanan besar menurunkan biaya per pemesanan sebesar 10% tahun‑ke‑tahun dengan Gen AI, sementara sebuah maskapai Kanada melaporkan peningkatan pendapatan per unit sebesar 2% dan kenaikan pendapatan yang didorong jaringan sebesar 10% melalui penetapan harga berbasis AI.

Namun, meskipun bukti nilai nyata AI yang dapat diberikan semakin meningkat, sistem warisan tetap menjadi hambatan signifikan bagi adopsi secara luas.

2. Mengatasi Gesekan

Infrastruktur warisan industri tidak dirancang untuk mendukung alur data terpadu secara real‑time yang dibutuhkan AI. Di pusat masalah terdapat Global Distribution System (GDS). Platform GDS dirancang beberapa dekade lalu dengan protokol pesan EDIFACT dan masih menyumbang pangsa terbesar penjualan tidak langsung maskapai secara global. Mengintegrasikan New Distribution Capability (NDC) dengan Passenger Service System (PSS) warisan dapat memakan waktu berbulan‑bulan untuk pengujian dan pengembangan, terutama bagi maskapai yang menawarkan berbagai merek tarif atau produk tambahan. Tantangan ini meliputi pembatasan kontraktual pada distribusi konten, kesiapan organisasi, dan tidak adanya data standar di pasar regional.

Kekurangan visibilitas data end‑to‑end lebih lanjut membatasi kemampuan organisasi untuk menskalakan AI secara efektif.  Sebuah survei GBTA mengungkapkan bahwa hanya 12% pembeli perjalanan korporat memiliki tampilan terintegrasi atas data program mereka, sebuah kendala mendasar yang membatasi apa yang dapat diberikan oleh sistem AI mana pun, terlepas dari kecanggihan modelnya.

Maskapai, OTA, dan TMC menavigasi hal ini dengan mengadopsi strategi hibrida yang melapisi kecerdasan pada sistem yang ada menggunakan API yang siap untuk agen. Sementara itu, pemain yang berbasis NDC mengambil pendekatan berbeda, membangun layanan berbasis AI dan kepatuhan kebijakan langsung ke dalam arsitektur mereka serta mengurangi ketergantungan pada saluran GDS tradisional.

Namun, integrasi teknologi saja tidak menjamin keberhasilan. Seiring AI semakin terbenam dan mulai memengaruhi keputusan dengan taruhannya lebih tinggi, tantangan berikutnya muncul: kepercayaan.

3. Meningkatkan Kepercayaan

Penelitian dari GBTA menunjukkan bahwa meskipun 92% pembeli perjalanan tertarik pada perkiraan pengeluaran berbasis AI dan 89% pada manajemen gangguan otomatis, hanya 57% dari pembeli yang sama merasa nyaman dengan AI yang secara otonom mengubah atau membatalkan pemesanan. Kontras ini menyoroti kesenjangan kepercayaan yang mendasar.

Para pemimpin perjalanan mencari solusi yang dapat dijelaskan dan diaudit. Sementara itu, pelanggan semakin menuntut transparansi dan akuntabilitas. Membangun kepercayaan di antara beragam kelompok pemangku kepentingan memerlukan komitmen terhadap ‘evolusi bertanggung jawab,’ menyeimbangkan inovasi dengan transparansi dan tata kelola.

Artinya, organisasi yang membuat kemajuan terbesar tidak selalu yang menerapkan model paling canggih atau bergerak paling cepat. Sebaliknya, mereka yang mengikuti pendekatan terstruktur: memperkuat fondasi data sebelum menskalakan AI, memvalidasi kasus penggunaan dalam lingkungan terkendali dan berdampak tinggi, serta menyematkan tata kelola proporsional ke dalam perjalanan transformasi. Tidak seperti tata kelola seragam, tata kelola proporsional mengatur agen AI ke dalam tingkatan otonomi, masing‑masing dengan batas kepercayaan dan persyaratan tata kelola yang ditetapkan.

Mengubah Ambisi AI menjadi Dampak Berkelanjutan

Bagi organisasi perjalanan yang bergerak menuju fase berikutnya, mengadopsi pendekatan berurutan ini tidak lagi bersifat opsional; inilah yang memisahkan pemimpin dari yang tertinggal. Dalam konteks yang berkembang ini, mitra manajemen proses bisnis memainkan peran penting dengan membantu organisasi mengoperasionalkan AI di seluruh ekosistem data, proses, dan pengambilan keputusan manusia yang kompleks. Pada akhirnya, organisasi yang menerjemahkan eksekusi disiplin menjadi keunggulan tahan lama dan sulit ditiru akan muncul sebagai pemenang.

ke dalam Bahasa Indonesia Terjemahkan ke Bahasa Indonesia. Tulis dengan bahasa Indonesia yang idiomatis, berkualitas publikasi untuk audiens web profesional. Jaga makna sumber dan fakta dengan setia tanpa menyalin sintaks Inggris atau menerjemahkannya kata per kata. Gunakan ejaan, tata bahasa, tanda baca, kesesuaian, dan terminologi bidang yang mapan secara kontemporer. Hindari false friend, kalka yang canggung, kata hibrida, diakritik usang, dan bahasa Inggris yang tidak perlu diterjemahkan. Pertahankan hanya nama, merek, produk, URL, kode, dan token shortcode yang asli. Sebelum mengirimkan respons, lakukan pemeriksaan akhir secara diam-diam untuk kelancaran, konsistensi terminologi, teks yang hilang, duplikasi, dan sisa prosa berbahasa sumber. Gunakan bahasa Indonesia standar modern dan gaya editorial yang alami. sambil menjaga nada profesional, alami, dan dioptimalkan untuk SEO.