ИИ-агенты в авиации: кто планирует маршруты и когда им доверят логистику

Планирование в авиации — это не одна задача, а десятки связанных: какой борт летит на какой рейс, кто из экипажа успевает по нормам отдыха, где стоит самолёт между рейсами, как перекроить всё это за минуты, когда над хабом закрылось небо. Классически это решают оптимизаторы и диспетчеры. Новая волна — ИИ-агенты¹: системы, которые не просто считают расписание по заданной формуле, а сами дробят цель на шаги, дёргают внешние сервисы (погоду, слоты, статус бортов) и предлагают действие. Крупные вендоры авиационного софта и грузовые операторы уже тестируют такие сценарии, но между демо на конференции и заменой диспетчера — большая дистанция.

Что здесь называют «агентом»

Термин размыт, и это часть проблемы. В маркетинге агентом зовут и чат-бота поверх расписания, и полноценный контур принятия решений. Полезно различать три уровня.

• Ассистент. Отвечает на вопросы диспетчера в свободной форме: «какие рейсы под угрозой срыва из-за задержки борта VP-BXX». Читает данные, но ничего не меняет.
• Планировщик с человеком в контуре. Сам генерирует варианты перекройки расписания при сбое, ранжирует их по стоимости и штрафам, но финальное «да» ставит человек.
• Автономный агент. Принимает и исполняет решения в узкой зоне без подтверждения — например, автоматически переназначает наземную технику под изменившийся план. Пока применяется только там, где цена ошибки невелика.

Разница принципиальная: чем выше автономность, тем жёстче требования к тому, чтобы система объясняла своё решение и никогда не нарушала жёсткие ограничения — нормы отдыха экипажа, ресурс двигателя, слоты аэропорта.

Три задачи, где агенты дают эффект

Ротация бортов и экипажей

Самая дорогая ошибка планирования — незакрытый рейс: борт есть, а экипаж не может лететь по нормам налёта. Здесь агент полезен как генератор сценариев: при задержке он за секунды перебирает, кого переставить, чей отдых это заденет, во сколько обойдётся замена. Человек выбирает из подсвеченных вариантов вместо ручного перебора по таблицам.

Восстановление расписания после сбоя

Гроза над хабом рушит десятки стыковок сразу. Оптимизаторы восстановления (recovery) существуют давно, но требуют, чтобы задачу заранее формализовали. Агентная надстройка позволяет диспетчеру описать приоритет словами — «сначала спасаем пассажиров с пересадками, грузом жертвуем» — и получить план под этот приоритет.

Грузовая логистика и наземка

В карго и хендлинге меньше нормативных жёстких ограничений, чем в пассажирских полётах, поэтому автономности здесь доверяют больше: перераспределение погрузочной техники, очередь на разгрузку, консолидация партий. Цена ошибки — простой, а не риск для людей.

Агент хорош там, где нужно быстро перебрать сотни допустимых вариантов и объяснить выбор. Он опасен там, где допустимость определяется нормой безопасности, а не стоимостью.

Чем это отличается от классического оптимизатора

Оптимизаторы маршрутов и расписаний — зрелая индустрия: решатели на смешанном целочисленном программировании выдают математически лучший план под заданные ограничения. Их слабость — ригидность: чтобы изменить цель, нужно переписать модель. Агентный слой не заменяет решатель, а сидит над ним: переводит запрос человека в постановку задачи, вызывает решатель как инструмент, а потом объясняет результат. Сравнение подходов ниже условно и описывает типовые свойства, а не конкретный продукт.

Ключевой риск последней строки: языковая модель может убедительно сформулировать план, который нарушает норму, о которой она «забыла». Поэтому в серьёзных внедрениях жёсткие ограничения проверяет отдельный детерминированный слой, а не сам агент.

Кому это пригодится, а кому нет

Технология неоднородна по зрелости, и слепое внедрение чаще вредит, чем помогает.

• Пригодится крупному сетевому перевозчику с плотной стыковочной сеткой: там сотни ежедневных сбоев, и скорость перебора вариантов напрямую конвертируется в спасённых пассажиров и штрафы, которых не будет.
• Пригодится грузовому и хендлинговому оператору на загруженном хабе: наземная логистика терпит ошибки лучше, а выигрыш в простое техники считается в деньгах сразу.
• Спорно для лоукостера с простыми линейными маршрутами точка-точка: если стыковок почти нет, классический оптимизатор закрывает задачу дешевле, а агент добавляет расходы и точку отказа.
• Не нужно там, где данные грязные. Агент над недостоверными данными о статусе бортов даёт уверенно неверные планы — сначала порядок в данных, потом агент.

Что проверить перед пилотом

1. Кто и как проверяет жёсткие ограничения — есть ли детерминированный контроль поверх модели, или их «помнит» сам агент.
2. Может ли система показать, почему предложила именно этот план, в терминах, понятных диспетчеру.
3. Что происходит при недоступности внешнего сервиса — погоды, слотов, статуса борта.
4. Где проходит граница автономности: что агент делает сам, а что только предлагает.
5. Как измеряется польза — на каком наборе исторических сбоев прогонялся план и с чем сравнивался.

Без последнего пункта разговор об эффективности остаётся маркетингом: цифры выигрыша имеют смысл только рядом с описанием теста и базовой линии, а публичных отраслевых бенчмарков для агентного планирования в авиации пока нет.

¹ ИИ-агент — программа на основе языковой модели, которая для достижения цели сама планирует последовательность шагов и вызывает внешние инструменты (базы данных, сервисы, оптимизаторы), а не выдаёт один ответ на один запрос.