Un sistema de IA reprodujo la decisión de los despachadores de vuelo para 296 pasajeros
Ante una alteración del horario, cancelar un vuelo puede trastocar las siguientes salidas del mismo avión. Para una aerolínea rusa se desarrollaron ocho herramientas de IA: el modelo interpreta los mensajes y explica el resultado, mientras Python calcula las plazas y comprueba las restricciones. Tras varios ajustes, el sistema reprodujo la decisión de una especialista: cancelar dos vuelos con 296 pasajeros y reubicarlos en otras salidas.
Procesado por IA desde Habr AI; editado por Hamidun News
Un aeropuerto cierra temporalmente, un avión queda inmovilizado y todavía tiene varios vuelos programados para esa tarde y noche. Cancelar la salida con menos pasajeros parece razonable, hasta que se descubre que no hay dónde reubicarlos. A veces resulta más fácil retirar del horario un vuelo con mayor ocupación: hay plazas en salidas cercanas y, tras la cancelación, el avión queda donde se necesitará después.
Ese fue el problema que el equipo de Sergey Ershov analizó con una aerolínea rusa cuyo nombre no se reveló. Según los autores, desarrollaron ocho herramientas de IA y, tras una serie de correcciones, reprodujeron la decisión de una empleada del departamento comercial: cancelar dos vuelos con 296 pasajeros. Era posible reubicar a los pasajeros en otras salidas durante los dos días siguientes y mantener la programación posterior del avión.
El modelo lee los mensajes, Python cuenta las plazas
El detalle más útil del caso es el reparto del trabajo. El modelo de lenguaje interpreta el texto o la captura de pantalla de un aviso de incidencia y redacta las explicaciones. Los cálculos de ocupación, plazas disponibles, clasificación de opciones y otras operaciones los realizan scripts convencionales de Python. Un empleado revisa el resultado antes de pasar a la siguiente etapa.
El sistema recopila las restricciones de los aeropuertos, identifica los vuelos afectados y comprueba las opciones de reubicación y los movimientos de los aviones. Después estudia la posibilidad de sustituir la aeronave y elabora una propuesta global. Los empleados cargan archivos con datos del sistema de programación, del sistema de reservas Leonardo y de BI. En el proyecto descrito, la herramienta no tenía conexión directa con los sistemas operativos.
Imaginemos dos vuelos cuyos pasajeros se propone reubicar en una misma salida cercana. Si se comprueba cada vuelo por separado, es fácil asignar dos veces las mismas plazas libres. Por eso, el sistema descuenta las plazas de un inventario común. Esta comprobación parece rutinaria, pero de ella depende que una propuesta de cancelación atractiva pueda llevarse a la práctica.
Una incidencia real reveló reglas que faltaban en los requisitos
La primera evaluación se realizó con una incidencia de julio cuya resolución por parte del personal ya se conocía. El sistema situó los mismos vuelos al principio de la lista de cancelaciones. Los errores empezaron a aparecer con un escenario de agosto más complejo.
Por ejemplo, la herramienta consideró inviable un vuelo porque su hora de llegada coincidía con un intervalo de restricciones. Sin embargo, en ese momento el aeropuerto operaba bajo un régimen de autorización previa: hacía falta una decisión específica, en lugar de una cancelación automática. Otra aclaración afectaba a los vuelos de ida y vuelta de un mismo avión. A menudo, la decisión comercial debe tomarse para ambos a la vez, teniendo en cuenta a los pasajeros y las consecuencias de los dos trayectos.
También se detectaron errores en el tratamiento de las horas. Al filtrar los avisos, el mensaje que levantaba una restricción podía quedar fuera del período seleccionado. En un cálculo, el sistema obtuvo 1093 minutos en vez de 1346. Los autores vincularon los eventos de imposición y levantamiento de las restricciones y añadieron comprobaciones para los intervalos que cruzan la medianoche.
Además, quedó claro que, ante discrepancias en los datos de programación, la herramienta debía detenerse y consultar a un especialista. Continuar los cálculos con datos contradictorios producía un resultado poco fiable.
Qué demuestran las 164 ejecuciones
Los autores informan de 164 ejecuciones de un mismo escenario de agosto. El flujo final constaba de 13 pasos, entre ellos la creación de un archivo de Excel, la comprobación de la exportación y un registro de los cálculos. Tras los ajustes, el sistema eligió los mismos dos vuelos que la empleada y dio la misma explicación: la cancelación permitía mantener las siguientes salidas y evitar que se retrasaran unas dos horas.
Es una comprobación útil de la reproducibilidad, pero su alcance es limitado. Ejecutar repetidamente un mismo escenario no sustituye la evaluación con incidencias independientes. El artículo no ofrece mediciones del ahorro de tiempo, del impacto económico ni de la proporción de recomendaciones erróneas. Coincidir con la decisión de una especialista tampoco demuestra, por sí solo, que la opción elegida fuera la óptima.
Para los desarrolladores, el caso ofrece una pauta concreta: primero hay que separar los cálculos, las restricciones y los puntos de parada; después, incorporar el modelo para interpretar los mensajes entrantes. Los responsables de producto deberían definir de antemano cómo comparar las recomendaciones con el trabajo del personal en casos nuevos. La tarea principal de una implantación así consiste en extraer reglas de la experiencia del equipo y hacer que cada decisión se pueda verificar.
- 2 may 2026IA de reconocimiento facial en el transporte: amortización en 14–23 meses
- 16 may 2026Uber y OpenAI incorporan asistentes de IA y pedido por voz para conductores y pasajeros
- 19 jul 2026Un robotaxi de Waymo entregó a la policía a sus pasajeros adolescentes y los retuvo hasta la llegada de un equipo armado
- 9 oct 2026La ombudsman de privacidad aprueba la venta de datos de Spirit a Google por $10 millones
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre El modelo lee los mensajes, Python cuenta las plazas?
El detalle más útil del caso es el reparto del trabajo. El modelo de lenguaje interpreta el texto o la captura de pantalla de un aviso de incidencia y redacta las explicaciones. Los cálculos de ocupación, plazas disponibles, clasificación de opciones y otras operaciones los realizan scripts convencionales de Python. Un empleado revisa el resultado antes de pasar a la siguiente etapa.
¿Qué se sabe sobre Una incidencia real reveló reglas que faltaban en los requisitos?
La primera evaluación se realizó con una incidencia de julio cuya resolución por parte del personal ya se conocía. El sistema situó los mismos vuelos al principio de la lista de cancelaciones. Los errores empezaron a aparecer con un escenario de agosto más complejo. Por ejemplo, la herramienta consideró inviable un vuelo porque su hora de llegada coincidía con un intervalo de restricciones.
¿Qué se sabe sobre Qué demuestran las 164 ejecuciones?
Los autores informan de 164 ejecuciones de un mismo escenario de agosto. El flujo final constaba de 13 pasos, entre ellos la creación de un archivo de Excel, la comprobación de la exportación y un registro de los cálculos. Tras los ajustes, el sistema eligió los mismos dos vuelos que la empleada y dio la misma explicación: la cancelación permitía mantener las siguientes salidas y evitar que se retrasaran unas dos horas. Es una comprobación útil de la reproducibilidad, pero su alcance es limitado.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.