Inside-out AI: cómo Airbnb escribe el 60% de su código con IA y resuelve la mitad de sus tickets de soporte

Un servicio que a Airbnb le costó ocho o nueve meses desarrollar, el siguiente lo lanzó en seis semanas. No fue magia ni un equipo más grande: fue la consecuencia de una estrategia de inside-out AI, que consiste en usar la IA primero para reconstruir cómo trabaja la empresa por dentro y después llevar esas mismas capacidades a la experiencia del huésped. Su CTO, Ahmad Al-Dahle, lidera esa transformación desde enero, tras pasar por Meta, donde dirigió la IA generativa y el lanzamiento de los modelos abiertos Llama entre 2023 y 2025.

Las cifras que Al-Dahle compartió con Latent Space son contundentes. El 60% del código de Airbnb ya lo escribe una IA, la compañía lanza casi un 80% más de funcionalidades y mejoras que hace un año, y cada ingeniero promedio procesa unos 1,6 veces más pull requests. En soporte, los agentes resuelven aproximadamente la mitad de los tickets. Al-Dahle habla de “casi la mitad”, y en los resultados del segundo trimestre la propia empresa menciona cerca de un 45%. Todo esto ocurre en una compañía de unos 93.000 millones de dólares de capitalización, que intenta convertirse en una empresa AI-native sin dejar de operar un negocio masivo.

Cómo funciona la estrategia inside-out AI en la práctica

El primer cambio no fue tecnológico, sino organizativo. El flujo clásico (documento de requisitos, diseño en Figma, implementación, pruebas) implicaba traspasos constantes entre equipos. Airbnb hizo que producto, diseño e ingeniería trabajen directamente sobre prototipos. “Pasamos de generar artefactos en exceso a que el código sea el artefacto sobre el que razonamos”, explicó Al-Dahle.

El segundo pilar es Everest, un grafo de contexto interno construido con LLMs, embeddings y recuperación basada en IA. Everest conecta el conocimiento del código y de los proyectos anteriores. Primero se desarrolló el servicio de compras de supermercado, y lo aprendido quedó en el grafo. Cuando llegó el turno de los traslados al aeropuerto, el equipo se apoyó en ese contexto y pasó de los ocho o nueve meses del primer proyecto a seis semanas. Además, el grafo permite que generalistas trabajen en partes muy especializadas del código.

La tercera pieza es una estrategia multimodelo. Airbnb usa modelos de frontera y abiertos, y hace su propio post-entrenamiento y aprendizaje por refuerzo sobre los abiertos. Tiene al menos 10 modelos personalizados en producción y evalúa cada caso de uso según costo, rendimiento y latencia. Para programar usa el mejor modelo de frontera disponible, porque un defecto sale caro. Para la búsqueda, muy sensible a la latencia, prefiere modelos pequeños post-entrenados que, según Al-Dahle, a veces superan a los de frontera en tareas acotadas.

En atención al cliente, el área que él describe como “el problema más difícil de desplegar” por el riesgo de un error, los agentes de IA en soporte se prueban antes con una batería de datos sintéticos. Y hay límites deliberados: los casos de seguridad siguen en manos de personas. Según resúmenes de la entrevista, Airbnb también está pasando a agentes asíncronos que se activan por eventos, por ejemplo para automatizar la primera respuesta ante alertas de monitoreo, y su CTO insiste en que los ingenieros junior sigan desarrollando criterio técnico pese a la asistencia de IA.

Qué puedes aplicar en tu empresa

El mensaje central no es “usa más IA”, sino empieza por dentro. Estas son las lecciones más transferibles:

Rediseña el proceso antes de comprar herramientas. Eliminar traspasos y trabajar sobre prototipos funcionales ahorra más tiempo que cualquier copiloto aislado.

Construye memoria organizacional. Un grafo de contexto como Everest convierte cada proyecto en un acelerador del siguiente. Netflix sigue una lógica parecida con su Model Lifecycle Graph para gestionar cientos de modelos de ML interconectados.

Evalúa por caso de uso, no por marca de modelo. Crea evaluaciones con consultas reales de producción, incluidos los casos límite, y elige el equilibrio entre costo, calidad y latencia para cada aplicación.

Lleva la IA al cliente por orden de riesgo, con pruebas previas. Genera datos sintéticos antes de producción y define explícitamente qué tickets no automatizas todavía.

Vigila la calidad del código generado. Un 60% de código de IA solo es una buena noticia si se mantiene. Conviene leer la advertencia de John Carmack sobre el 40% del código generado con IA que necesita refactorización en tres meses.

Protege el aprendizaje de tu equipo junior. Si la IA hace el trabajo, define cómo seguirán formando criterio de ingeniería.

También conviene ponerlo en contexto. Airbnb es una empresa nativa digital con décadas de ingeniería, y no todo el mundo parte de ahí. Anthropic, por ejemplo, afirma que Claude Code generó el 90% de su propio código, lo que muestra que el patrón se extiende entre las compañías más avanzadas. Para el resto, el momento de actuar es cuando ya puedes medir el beneficio interno (ciclos de desarrollo, tickets, tiempo de resolución) y tienes datos de evaluación fiables. Ese es el punto de partida más sensato.

La pregunta que debe hacerse tu comité de dirección

La ventaja de Airbnb no está en un modelo secreto, sino en haber reorganizado equipos, procesos y conocimiento para que cada proyecto sea más rápido que el anterior. Antes de lanzar tu próximo chatbot de cara al cliente, pregúntate: ¿qué parte de nuestro propio trabajo interno podríamos acelerar primero, y qué aprendizajes quedarían guardados para el siguiente equipo? La inside-out AI convierte esa respuesta en una ventaja acumulativa, y las empresas que empiecen a construirla ahora serán más difíciles de alcanzar dentro de un año.