Airbnb réduit ses coûts IA grâce à une architecture multi-modèles

Airbnb a publié le 6 août 2026 des résultats trimestriels qui associent directement la performance financière à l’intelligence artificielle. Le chiffre d’affaires du deuxième trimestre atteint 3,6 milliards de dollars, en hausse de 17 % sur un an, avec un bénéfice net de 816 millions de dollars, soit 1,37 dollar par action, un résultat supérieur de 12 cents aux attentes des analystes. L’action a bondi de 15 % le vendredi suivant l’annonce, atteignant son plus haut niveau depuis dix-neuf mois. Le directeur général Brian Chesky attribue explicitement cette accélération à l’IA, qu’il décrit comme la principale explication des résultats.

Une baisse de 16 % du coût de l’assistance client par réservation

Le coût du service client rapporté à chaque réservation a diminué d’environ 16 % sur un an. Airbnb explique cette baisse par la montée en puissance de son assistant IA, désormais disponible dans plus de 50 langues, qui résout près de 45 % des problèmes signalés sans intervention humaine, un taux en hausse par rapport au premier trimestre 2026. Un assistant vocal IA doit étendre cette capacité aux appels téléphoniques dans le courant de l’année. Pour une plateforme qui gère des millions de voyageurs et de loueurs dans de nombreux pays, le service client représente un poste de dépense significatif, ce qui rend cette baisse mesurable et suivie de près par les investisseurs.

La directrice financière Ellie Mertz a indiqué que les économies réalisées sur le service client, combinées à un ralentissement du recrutement, suffisent déjà à justifier l’augmentation des dépenses en IA de l’entreprise.

Pourquoi Airbnb utilise plus d’une douzaine de modèles différents

C’est là où l’angle dépasse le simple bilan trimestriel. Brian Chesky a précisé, dans un entretien accordé à CNBC le 7 août, qu’Airbnb utilise une douzaine de modèles d’IA en interne, dont Claude Code d’Anthropic et Codex d’OpenAI. Le dirigeant assume une politique de répartition des tâches selon leur complexité : les modèles de pointe, dits frontières, restent réservés aux problèmes les plus ardus, tandis que la majorité des tâches en contact avec le client ne nécessite pas les systèmes les plus chers.

« Les consommateurs n’ont majoritairement pas besoin de modèles frontières pour la plupart des choses », a déclaré Brian Chesky, ajoutant qu’il s’agit d'« attribuer la bonne tâche au bon outil ». Le dirigeant s’est dit favorable aux modèles open source pour les produits destinés au grand public, sans toutefois vouloir en détailler la liste, jugeant la composition de la pile technologique d’Airbnb devenue sensible sur le plan concurrentiel.

Le raisonnement économique derrière ce choix

Ce choix n’est pas dicté par la prudence budgétaire seule. Brian Chesky affirme qu’Airbnb va dépenser « beaucoup plus » que prévu en jetons d’IA cette année, car le retour sur investissement justifie la hausse : le coût de l’inférence « fait pâle figure » face au chiffre d’affaires généré par chaque réservation et aux gains de productivité obtenus. La logique n’est donc pas de réduire les coûts à tout prix, mais d’allouer intelligemment un budget en expansion entre des modèles de niveaux différents, en fonction de la difficulté réelle de chaque tâche.

Les autres indicateurs qu’Airbnb met en avant

Au delà du service client, Airbnb présente l’IA comme un accélérateur transversal. Le délai entre la conception et la mise en œuvre des initiatives clés aurait diminué de près de 60 %, tandis que le nombre de fonctionnalités et améliorations déployées aurait augmenté de près de 80 % par rapport à la même période de 2025. Ces gains se seraient d’abord manifestés chez les ingénieurs avant de s’étendre à la gestion de produit, au design, au marketing et aux services créatifs. Les effectifs restent, selon l’entreprise, à peu près stables malgré la hausse des dépenses en IA.

Brian Chesky présente sa philosophie ainsi : l’objectif n’est pas d’utiliser l’IA pour réduire les effectifs, mais pour obtenir davantage de chaque collaborateur, avec un chiffre d’affaires par employé appelé à continuer de progresser.

Le rôle du nouveau directeur technique dans ce virage

Airbnb a recruté en janvier 2026 Ahmad Al-Dahle, ancien responsable de l’IA générative chez Meta et artisan des modèles Llama, au poste de directeur technique. Brian Chesky décrit une entreprise qui se situait « peut-être dans la moyenne » en matière d’IA avant son arrivée, et qui aurait depuis progressé nettement. Le dirigeant lui attribue une part significative de la hausse de l’offre et de la demande observée, ainsi que de la baisse des coûts du service client.

Ce que cette architecture change pour les entreprises francophones

La démarche d’Airbnb illustre une tendance qui déborde largement le secteur de l’hébergement : arbitrer entre plusieurs modèles selon la complexité réelle de chaque tâche, plutôt que d’envoyer chaque requête au système le plus puissant et le plus onéreux disponible. Pour une entreprise française qui déploie un assistant de service client, la question n’est plus seulement de choisir un fournisseur d’IA, mais de savoir si son outil permet de router les demandes simples vers des modèles légers et de réserver les cas complexes à des modèles plus coûteux.

Cette logique suppose un accès à plusieurs familles de modèles au sein d’un même environnement. C’est le principe sur lequel repose Moon AI, plateforme éditée par Stellarr Studio SAS, qui réunit plus de 100 modèles, dont GPT, Claude, Gemini, Mistral, DeepSeek, Llama, Grok, Qwen et le modèle maison Moon 6, dans un abonnement unique dont les tarifs publics vont de 9,90 euros TTC par siège et par mois pour l’offre Lune à 249,90 euros pour l’offre Univers, avec une offre gratuite sans carte bancaire. Une organisation qui veut appliquer, à son échelle, la logique de répartition des tâches décrite par Airbnb n’a pas nécessairement besoin de négocier des accès séparés auprès de chaque éditeur de modèle.

Cette répartition pose aussi une question de traitement des données clients, en particulier lorsque les requêtes envoyées à des modèles tiers contiennent des informations personnelles. Sur ce point, Moon AI propose un mécanisme appelé Moon Blur, qui remplace les données personnelles par des jetons avant l’envoi aux modèles tiers, puis les rétablit au retour. Ce procédé étant réversible, il s’agit d’une pseudonymisation au sens du RGPD, et non d’une anonymisation. L’application et le stockage de Moon AI sont hébergés chez OVHcloud, à Strasbourg et Roubaix, mais les requêtes adressées aux modèles tiers partent bien vers leurs fournisseurs respectifs une fois la pseudonymisation appliquée.

Les marchés financiers valident la stratégie

La publication des résultats a déclenché une vague de révisions à la hausse des objectifs de cours par les analystes. Plusieurs bureaux d’analyse citent les hôtels, les paiements, les outils de tarification et les produits alimentés par l’IA comme moteurs de croissance potentiels dans les prochains trimestres.

Airbnb signale aussi que ses nuitées hôtelières progressent environ trois fois plus vite que ses locations de logements traditionnelles, et a ajouté des milliers d’hôtels de charme et indépendants dans vingt destinations, dont New York, Paris, Londres, Madrid, Rome et Singapour. L’entreprise a par ailleurs élargi ses services à la livraison de courses, la location de voitures, les transferts aéroport et la consigne à bagages.

Questions fréquentes

Qu’est-ce qu’un modèle frontière et pourquoi Airbnb ne l’utilise pas partout ?

Les modèles frontières désignent les systèmes d’IA les plus avancés disponibles à un instant donné, généralement les plus coûteux à l’usage. Airbnb les réserve aux problèmes les plus complexes, tandis que la majorité des interactions de service client, jugées moins exigeantes, sont confiées à des modèles plus légers ou open source, selon les déclarations de Brian Chesky à CNBC.

Pourquoi les dépenses en jetons d’IA augmentent-elles alors que le coût par réservation baisse ?

Le volume global de requêtes envoyées aux modèles d’IA progresse, car l’assistant IA prend en charge une part croissante des demandes et de nouvelles fonctionnalités sont déployées. Mais le coût par réservation baisse parce que ce volume est réparti entre des modèles de niveaux de prix différents, et que l’assistant résout une proportion croissante de cas sans intervention humaine.

Cette logique de répartition par niveau de modèle est-elle transposable à une PME française ?

Le principe (router les tâches simples vers des modèles légers et réserver les modèles coûteux aux cas complexes) ne dépend pas de la taille de l’entreprise, mais de l’accès à plusieurs modèles au sein d’un même outil. Des plateformes comme Moon AI proposent un accès mutualisé à plus de 100 modèles dans un abonnement unique, ce qui évite de négocier des contrats séparés auprès de chaque éditeur pour appliquer une stratégie similaire.

Que devient la confidentialité des données clients lorsque les requêtes passent par plusieurs modèles tiers ?

Lorsque des données personnelles sont envoyées à des modèles tiers hébergés hors de France, la question de la protection des données se pose indépendamment du niveau de modèle choisi. Des mécanismes de pseudonymisation, comme Moon Blur chez Moon AI, remplacent les données personnelles par des jetons avant l’envoi et les rétablissent au retour, ce qui réduit l’exposition des données identifiantes sans constituer une anonymisation au sens du RGPD ni garantir à elle seule la conformité réglementaire de l’usage.