Для игроков рынка — от отелей и авиакомпаний до региональных властей — ошибка в прогнозах оборачивается реальными потерями: пустующими номерами, перегруженной инфраструктурой, неоправданными маркетинговыми тратами или упущенной прибылью в пиковый сезон.
Масштабы отрасли подчёркивают важность точных прогнозов. По данным WTTC, в 2025 году вклад туризма в мировой ВВП достиг 11,6 трлн долларов (9,8 % глобальной экономики). UN Tourism отмечает, что в 2024 году международный туризм вернулся к допандемийным показателям, а в 2025‑м ожидалось увеличение числа прибытий на 3–5 %. В России значимость сектора тоже растёт: Минэкономразвития оценило долю туризма в ВВП по итогам 2025 года в 3,1 %.
В этих условиях роль искусственного интеллекта в туризме выходит за рамки простого помощника в подборе отелей или маршрутов. Сейчас главная ценность ИИ — в прогнозировании спроса: он помогает понять, какие направления станут популярными, когда наступит пик сезона, где возникнет риск недозагрузки, а где, наоборот, потребуется дополнительная инфраструктура. По оценке Grand View Research, объём мирового рынка ИИ в туризме составляет 3,37 млрд долларов, а к 2030 году он может вырасти до 13,87 млрд.
Как крупные платформы внедряют ИИ
Лидеры рынка уже активно интегрируют ИИ в пользовательские сервисы. Так, Expedia Group в 2024 году запустила ИИ‑помощника Romie — он поддерживает пользователя на всех этапах: от планирования до сопровождения поездки. Booking развивает инструменты на базе ИИ, которые помогают точнее фильтровать варианты размещения, быстро разбираться в отзывах и получать ответы на вопросы об отелях.
Российские сервисы идут в том же направлении, но делают упор на персонализацию, автоматизацию контента и новые каналы продаж. Например, в «Яндекс Путешествиях» нейросеть «Алиса» генерирует описания отелей и апартаментов: в текст включаются технические характеристики объекта, ближайшие достопримечательности и отзывы гостей. Это сокращает издержки отельеров на подготовку контента и может повышать конверсию в бронирование. Кроме того, сервис использует ИИ для автоматической сортировки фотографий по типам номеров.
МТС Travel применяет технологии Big Data и ИИ в цифровых путеводителях по российским регионам. Алгоритмы подстраивают рекомендации под профиль пользователя — например, предлагают места для отдыха, кафе и достопримечательности с учётом семейного статуса, уровня дохода и других обезличенных параметров. После внедрения персонализации среднее время просмотра контента в путеводителях увеличилось с 3 до 5 минут, а до 40 % пользователей стали проходить авторизацию, чтобы получать индивидуальные рекомендации.
Не только рекомендации: ИИ как инструмент управленческого решения
За привычными функциями — чат‑ботами и подборками вариантов — скрывается более значимый пласт работы: анализ данных о поведении туристов, бронированиях, сезонности, ценах и динамике спроса.
Как отмечает Ильнур Ильдарович Хасанов, кандидат технических наук, доцент кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, ключевое преимущество ИИ в туризме — не в замене специалистов, а в сокращении времени между изменением спроса и принятием управленческого решения. Раньше анализ сезона проводился постфактум, теперь же прогнозные модели позволяют заранее увидеть, где нужно наращивать инфраструктуру, а где эффективнее перераспределить маркетинговый бюджет.
При этом главная сложность — не выбор алгоритма, а подготовка и организация данных. Туристический спрос формируется под влиянием множества переменных: динамики поездок, географии направлений, финансовых показателей, загрузки объектов размещения, событийного календаря, внешних ограничений и каналов продаж. Поэтому выигрывают не те компании, которые просто подключают нейросеть, а те, кто выстраивает полноценную систему работы с данными: создаёт хранилища, аналитические витрины, внедряет BI‑инструменты и модули прогнозирования.
Пример системного подхода: проект Финансового университета
Показательным примером такой работы стал проект кафедры информационных технологий Финансового университета. Разработанное решение представляет собой комплексное хранилище данных для анализа и прогнозирования туристических потоков. В его основе — базы данных, размерная модель, витрины данных, нейросетевая модель прогнозирования и интерфейс для визуализации результатов. Система позволяет анализировать потоки по странам и периодам, сравнивать фактические и прогнозные значения, оценивать качество модели и экспортировать отчёты.
По словам Алексея Николаевича Чернякова, кандидата философских наук, доцента той же кафедры, внедрение таких решений меняет саму культуру управления в туристической отрасли. Решения перестают основываться на интуиции и ожидании «удачного сезона» — вместо этого управленцы опираются на наблюдаемые закономерности, сценарии и проверяемые прогнозы. Это снижает зависимость от субъективных оценок и приближает туризм к тем секторам экономики, где решения принимаются на основе данных.
Что ждёт отрасль дальше
Вероятно, следующим этапом станет переход от отдельных ИИ‑сервисов к интегрированным платформам спроса. Такие платформы будут агрегировать данные о бронированиях, поисковом интересе, транспортной доступности, событиях, погоде и отзывах. Для бизнеса это означает более точную персонализацию и эффективное управление загрузкой объектов. Для регионов — возможность планировать инвестиции в инфраструктуру не по итогам прошлого года, а на основе прогноза будущего спроса.
Сегодня ИИ в туризме уже не эксперимент, а рабочий инструмент с чётким экономическим эффектом. Его главная задача — заранее отвечать на вопрос: куда, когда и почему поедет турист. Компании и регионы, которые научатся прогнозировать точнее конкурентов, получат преимущество не только в продажах, но и в управлении всей туристической экономикой.
