Sistema de IA reproduziu a decisão dos despachantes de voo para 296 passageiros
Em caso de falha na programação, o cancelamento de um voo pode comprometer as partidas seguintes da mesma aeronave. Para uma companhia aérea russa, foram montadas oito ferramentas de IA: o modelo interpreta as mensagens e explica o resultado, enquanto o Python calcula os assentos e verifica as restrições. Após ajustes, o sistema repetiu a decisão do especialista: cancelar um par de voos com 296 passageiros e acomodá-los em outras partidas.
Processado por IA de Habr AI; editado por Hamidun News
O aeroporto está temporariamente fechado, a aeronave ficou retida e, à noite, ela ainda tem vários voos. Cancelar a partida mais vazia parece uma decisão razoável — até que se descobre que não há para onde transferir os passageiros. Às vezes é mais simples retirar da programação um voo mais cheio: nas partidas vizinhas há lugares, e, depois do cancelamento, a aeronave permanecerá onde será necessária em seguida.
Foi exatamente essa tarefa que a equipe de Serguei Ershov analisou junto com uma companhia aérea russa não identificada. Segundo os autores, eles montaram oito ferramentas de IA e, após uma série de correções, reproduziram a decisão de uma funcionária do setor comercial: cancelar um par de voos com 296 passageiros. Os passageiros puderam ser acomodados em outras partidas nos dois dias seguintes, preservando a programação posterior da aeronave.
O modelo lê as mensagens, o Python calcula os assentos
O detalhe mais útil do caso é a divisão do trabalho. O modelo de linguagem interpreta o texto ou a captura de tela da mensagem sobre a falha e formula as explicações. A ocupação dos voos, os assentos disponíveis, o ranqueamento e outros cálculos são feitos por scripts comuns em Python. O funcionário verifica o resultado antes de passar à etapa seguinte.
O sistema reúne as restrições dos aeroportos, localiza os voos afetados, verifica as opções de reacomodação e a movimentação das aeronaves. Em seguida, avalia uma possível substituição da aeronave e monta um cenário geral. Os funcionários carregam os dados em arquivos do sistema de programação, do sistema de reservas Leonardo e de BI. Neste projeto, a ferramenta não tinha conexão direta com os sistemas de produção.
Imagine dois voos cujos passageiros se propõe transferir para a mesma partida vizinha. Se cada um for verificado separadamente, é fácil prometer duas vezes os mesmos assentos livres. Por isso, o sistema consome os lugares de um pool comum. Essa verificação parece banal, mas é dela que depende a viabilidade de uma proposta de cancelamento aparentemente elegante.
Uma falha real revelou regras que não estavam na especificação
A primeira verificação foi feita com uma falha de julho, cuja decisão dos funcionários já era conhecida. O sistema colocou no topo da lista de cancelamentos os mesmos voos. Em um cenário mais complexo, de agosto, começaram a surgir erros.
Por exemplo, a ferramenta considerou um voo inviável porque o horário de chegada caía dentro do intervalo de restrições. No entanto, o aeroporto operava então em regime de «mediante coordenação»: isso exigia uma decisão específica, e não o cancelamento automático. Outro ajuste dizia respeito a voos de ida e volta da mesma aeronave. A decisão comercial muitas vezes precisa ser tomada de uma só vez para o par, considerando os passageiros e as consequências de ambos os trechos.
Também houve erros no tratamento do horário. Na filtragem das publicações, a mensagem sobre o fim da restrição podia ficar fora do período selecionado. Num dos cálculos, o sistema obteve 1093 minutos em vez de 1346. Os autores associaram os eventos de início e fim da restrição e acrescentaram verificações para intervalos que atravessam a meia-noite.
Ao mesmo tempo, ficou claro que, diante de divergências na programação, a ferramenta deve parar e recorrer a um especialista. Continuar o cálculo com dados contraditórios produzia um resultado em que não se podia confiar.
O que as 164 execuções comprovam
Os autores relatam 164 execuções de um único cenário de agosto. A cadeia final incluía 13 etapas, a criação de um arquivo Excel, a verificação da exportação e um registro do cálculo. Após os ajustes, o sistema escolheu o mesmo par de voos que a funcionária, com a mesma justificativa: o cancelamento preservava as partidas seguintes e permitia evitar um atraso de cerca de duas horas nelas.
É uma verificação útil de reprodutibilidade, mas de alcance limitado. Execuções repetidas de um só cenário não substituem a validação em falhas independentes. O material não traz medições de economia de tempo, de impacto financeiro nem da proporção de recomendações erradas. A coincidência com a decisão do especialista também não prova, por si só, que a opção escolhida seja a ótima.
Para o desenvolvedor, há aqui uma referência concreta: primeiro isolar os cálculos, as restrições e os pontos de parada, e só depois conectar o modelo à análise das mensagens recebidas. O gerente de produto deve definir de antemão como comparar as recomendações com o trabalho dos funcionários em casos novos. O principal trabalho nesse tipo de implantação é extrair da experiência da equipe as regras e tornar cada decisão verificável.
- 2 de mai. de 2026IA de reconhecimento facial no transporte: retorno do investimento em 14–23 meses
- 16 de mai. de 2026Uber e OpenAI lançam assistentes de IA e pedido por voz para motoristas e passageiros
- 19 de jul. de 2026Robotáxi da Waymo entrega passageiros adolescentes à polícia e os mantém trancados até a chegada da SWAT
- 9 de out. de 2026Ombudsman de privacidade dá aval à venda de dados da Spirit ao Google por $10 milhões
Perguntas frequentes sobre a notícia
O que se sabe sobre O modelo lê as mensagens, o Python calcula os assentos?
O detalhe mais útil do caso é a divisão do trabalho. O modelo de linguagem interpreta o texto ou a captura de tela da mensagem sobre a falha e formula as explicações. A ocupação dos voos, os assentos disponíveis, o ranqueamento e outros cálculos são feitos por scripts comuns em Python. O funcionário verifica o resultado antes de passar à etapa seguinte. O sistema reúne as restrições dos aeroportos, localiza os voos afetados, verifica as opções de reacomodação e a movimentação das aeronaves.
O que se sabe sobre Uma falha real revelou regras que não estavam na especificação?
A primeira verificação foi feita com uma falha de julho, cuja decisão dos funcionários já era conhecida. O sistema colocou no topo da lista de cancelamentos os mesmos voos. Em um cenário mais complexo, de agosto, começaram a surgir erros. Por exemplo, a ferramenta considerou um voo inviável porque o horário de chegada caía dentro do intervalo de restrições. No entanto, o aeroporto operava então em regime de «mediante coordenação»: isso exigia uma decisão específica, e não o cancelamento automático.
O que as 164 execuções comprovam?
Os autores relatam 164 execuções de um único cenário de agosto. A cadeia final incluía 13 etapas, a criação de um arquivo Excel, a verificação da exportação e um registro do cálculo. Após os ajustes, o sistema escolheu o mesmo par de voos que a funcionária, com a mesma justificativa: o cancelamento preservava as partidas seguintes e permitia evitar um atraso de cerca de duas horas nelas. É uma verificação útil de reprodutibilidade, mas de alcance 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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.