LATAM航空が航空業界で構築したインテリジェントエージェント

LATAM 航空が教える、低マージン業界における AI エージェントの実践的スケーリング戦略

年間8700万人の旅客を扱うラテンアメリカ最大手の LATAM 航空は、航空業界特有の厳しい制約の中で生成 AI を成功裏に運用しています。利益率がわずか 3〜5% と極めて狭く、燃料費がコストの 31% も占めるこの業界において、AI エージェントは単なる「おもちゃ」ではなく、死活をかけた効率化と顧客体験向上のための必須インフラへと進化しました。

本記事では、LangChain チャンネルで公開された LATAM 航空の事例から、規制が厳しく低マージンな環境で AI を大規模にスケーリングするための具体的なアーキテクチャとデータ戦略を解説します。

3% の利益率と AI 運用の緊急性

航空業界は SaaS 企業のような 20% の利益率とは異なり、極めて厳しいコスト競争に晒されています。特にジェット燃料費が運用コストの 31% を占める中、燃料価格の変動は経営を直撃します。

「この業界では、1 ドルが文字通り競い合うのはインフラストラクチャーです」

各顧客とのインタラクション（問い合わせや予約など）において、コストをかけずに収益を生み出すか、あるいは価値を失うかが問われます。AI エージェントを導入する際、単に「技術的に可能か」ではなく、「1 ドルあたりの効率化が実現できるか」という視点が不可欠です。失敗すれば即座に利益を食いつぶすため、AI の運用は実験の域を超え、厳密なコスト管理とガバナンスが求められる領域なのです。

「Supervisor-Agent」への転換でコストを 15% 削減

LATAM 航空が構築した B2C エージェント「Concierge」は、アプリ内で旅客の旅行計画をサポートする機能です。ベータ版開始初月に 5.2 万人、現在では毎日約 4000 人のユーザーが利用しています。

初期段階では、すべての処理を構造化する複雑なパイプラインを採用していましたが、LangSmith による観測（Observability）を通じて課題が見えてきました。各ステップで過度に構造化していたことが、レイテンシ（応答遅延）とトークン消費のオーバーヘッドを生んでいたのです。

そこでアーキテクチャを刷新し、「Supervisor-Agent（スーパーバイザー・エージェント）」パターンへと移行しました。

• 従来の方式: トリアージエージェントが問い合わせを分類し、各専門家が個別に処理して構造化された回答を作成する。全工程で制御が行き渡るが、コストと遅延が発生しやすい。
• 新アーキテクチャ: 常に制御を維持するスーパーバイザーが存在し、専門的なタスク（フライト検索、ホテル予約、アクティビティ提案など）は各専門エージェントに委任します。スーパーバイザーは最終レスポンスのフォーマットのみを担当します。

この変更により、レイテンシとトークンコストを約 15% 削減しながら、出力品質は維持することに成功しました。専門性を発揮させる一方で、全体の制御を一元化する設計が、低マージン環境における最適解となりました。

ユーザーの「本音」を読み解く LangSmith の活用

アーキテクチャの改善だけでなく、LangSmith を活用したデータ分析も大きな成果をもたらしました。初期段階では、Concierge へのメッセージの 13% が「文脈外（Out of Scope）」として分類されていました。

当初はユーザーがアプリをテストしている、あるいは話題から逸脱していると判断されがちでしたが、LangSmith で会話データを深く掘り下げた結果、95% のケースで乗客が真に必要とするサポートであることが判明しました。具体的にはチェックインの手続きや手荷物、LATAM Pass の特典などに関する質問でした。

これはモデルの性能不足ではなく、「コンシェルジュをどのような用途で設計したか」の問題でした。この洞察に基づき、カスタマーケアエージェントと統合し、文脈外メッセージの処理フローを見直した結果、リターン率（再送率）は 6.6 ポイント改善しました。

「アプリ内で何が起きているかを深く理解し、何が行き来しているかを把握していなければ解決できません」

単なる Q&A ボットではなく、乗客の隠れたニーズや好みを抽出する仕組みへと進化させたことが、顧客満足度の向上に直結しています。

未構造化データから「知識グラフ」を構築する Compass プラットフォーム

エージェント同士の会話や UX リサーチ、契約書などの未構造化データ（非構造化データ）は、航空会社にとって膨大な資産ですが、そのままでは活用できません。LATAM 航空はこの課題に対し、独自プラットフォーム「Compass」を開発しました。

Compass は、LangSmith と Gemini を活用し、以下のプロセスでデータを構造化します。

1. パーサー: UX リサーチのインタビュー記録、コンタクトセンターの通話録音、法的文書などを LLM が処理可能なマルチモーダル表現に変換する。
2. マッパー: デフォルトでは Gemini Flash を使用し、複雑なケースには Pro モデルを用いて概念間の関係性を特定する。
3. モデルラー: 構造化された情報をBigQuery Graphに蓄積し、知識グラフ（Knowledge Graph）として形成する。

このアプローチにより、異なるオントロジー（概念の体系）に対応したデータ処理が可能になりました。例えば、UX リサーチでは「課題」「機能リクエスト」を抽出しますが、法的契約書では「当事者」「条項」「有効期限」を抽出します。同じインフラストラクチャで異なる目的に柔軟に対応できるため、数千件のインタビューや契約書を数週間かけて手作業で行っていたのを数日で処理できるようになりました。

「非構造化データを処理することこそが、真のボトルネックです。計算リソースは克服可能ですが、アクセス権限とデータの構造化が鍵となります」

120 のプロダクトを管理する「Cosmos」と未来への展望

LATAM 航空では、約 120 の AI プロダクトを 20 の異なるビジネスドメインで運用しています。これらを統括し、開発基盤を整備するのが「Cosmos」というプラットフォームです。

• CI/CD と観測性: モデルテンプレートへのアクセス管理やモニタリングを提供し、各チームが基盤の再構築に時間を割かずに本質的な問題解決に集中できるようにします。
• ガバナンスとスケーラビリティ: 規制の厳しい業界において、安全かつ大規模な展開を実現するためのセキュリティとコンプライアンス体制を整備しています。

現在、Compass で生成された知識グラフは、Concierge やコンタクトセンターのエージェントだけでなく、データサイエンティストが分析に活用できる「スマートなデータ」として共有されています。これにより、出発前や旅行当日だけでなく、旅行後や次の旅に至るまで、乗客との全ライフサイクルで知性を発揮する仕組みが構築されつつあります。

まとめ

LATAM 航空の事例は、低マージンかつ高規制の業界において、生成 AI を実用的にスケーリングするための具体的なロードマップを示しています。重要なのは、単にチャットボットを製品化することではなく、数百万回のインタラクションを通じて得られる「知性と機会」そのものを真の製品として定義し直すことです。

コスト削減と顧客体験向上という相反する目標を両立させるためには、アーキテクチャの最適化（Supervisor-Agent）とデータ資産の構造化（Compass）が不可欠であり、これが他社への模範となる戦略となっています。