Resumo rápido: A aposta da Omio em AI-native travel mostra uma mudança clara: o valor não tá no chatbot bonito, mas na infraestrutura que entende intenção, consulta inventário real, compara opções e fecha reservas. Para empresas, a lição é simples: agentes de IA precisam operar processos, não só responder perguntas.
AI-native travel virou prioridade porque o dinheiro seguiu essa tese: According to McKinsey and Skift, startups de viagem com IA captaram 45% do venture funding do setor em H1 2025, contra 10% em 2023. Isso é uma virada grande. A Omio entrou nesse movimento ligando modelos da OpenAI a transporte multimodal, dados em tempo real e booking flow.
O ponto não é “colocar um chatbot no site”. Meio caminho. O que chama atenção na Omio é a tentativa de transformar conversa em ação, com busca, comparação, disponibilidade, preços e compra dentro de um fluxo menos quebrado.
A gente já viu esse erro de perto em projetos B2B: equipes lançam assistentes que respondem bem, mas não mexem em nenhum sistema. Resultado? Encantam na demo e travam na operação. Depois de 50+ projetos, nós aprendemos que IA só muda margem quando entra no processo real, com métricas, integrações e limites claros.
O que é AI-native travel e por que a Omio importa?
AI-native travel é viagem desenhada a partir de intenção, contexto e execução automatizada, não apenas busca por formulário. Na prática, o usuário diz “quero sair de Berlim, chegar em Florença amanhã, sem voo, gastando pouco”, e o sistema monta opções usando trem, ônibus, ferry, regras comerciais, preço real e disponibilidade. Simples de falar. Difícil de fazer.
Segundo McKinsey and Skift (2025), empresas de viagem que mencionaram IA em relatórios anuais passaram de 4% do Skift Travel 200 em 2022 para 35% em 2024, sinal de que IA saiu da vitrine e entrou na pauta de gestão.
A Omio importa porque seu produto já nasce em cima de uma malha de fornecedores. According to OpenAI, Omio conecta modelos da OpenAI a mais de 3.000 provedores de transporte em 47 países. Isso dá uma base prática para agentic workflows, porque o agente não depende só de texto: ele consulta opções reais, compara rotas e pode apoiar decisões de compra.
Como a Omio passou do chatbot para o booking flow?
A grande diferença está no lugar onde a IA entra. Um chatbot tradicional responde perguntas antes da compra; um fluxo AI-native ajuda a descobrir, comparar e concluir a viagem. Naren Shaam, Founder and CEO at Omio, states: “Travel planning is shifting from search to conversation.” A frase é boa, mas a parte importante vem depois: conversa sem execução vira mais uma aba aberta no navegador.
Segundo a OpenAI (junho de 2026), a Omio afirma que muitos produtos agora podem ser construídos em cerca de 20% do tempo anterior, reduzindo certos projetos de um trimestre para aproximadamente um mês.
Essa compressão de ciclo é relevante para empresas fora de travel também. Quando implementamos um chatbot RAG para um cliente fintech, os tickets de suporte caíram 40% em 3 meses, mas só depois que conectamos respostas a sistemas internos e regras de atendimento. Antes disso, era um assistente útil. Depois, virou parte da operação.
A limitação é real: agentes erram quando dados são incompletos, preços mudam rápido ou regras comerciais ficam escondidas em sistemas antigos. Travel expõe tudo isso com crueldade.
Por que chatbots comuns não bastam para AI-native travel?
Chatbots comuns são bons para orientação, mas fracos quando precisam lidar com inventário vivo, múltiplos fornecedores e decisões com custo financeiro. Em viagem, uma resposta “parece boa” não basta. O horário precisa existir. O preço precisa fechar. A conexão precisa fazer sentido. E o usuário precisa confiar.
| Camada | Chatbot comum | AI-native travel |
|---|---|---|
| Entrada do usuário | Pergunta em linguagem natural | Intenção, restrições, preferências e contexto |
| Fonte de dados | Base de conhecimento ou páginas públicas | APIs, inventário, regras, disponibilidade e histórico |
| Saída | Resposta textual | Opções comparáveis e próximas da compra |
| Risco principal | Alucinação ou resposta genérica | Erro operacional, preço desatualizado ou regra mal aplicada |
| Métrica útil | Satisfação da conversa | Conversão, tempo de compra, custo operacional e retenção |
Segundo Phocuswright (2025), quase 40% dos viajantes dos EUA usaram ferramentas de IA generativa para planejar viagens em 2025, um aumento de 11 pontos percentuais em um ano.
Essa adoção pressiona empresas a sair do “responde dúvidas” para “resolve a jornada”. A documentação de muitas APIs de viagem ainda é ruim, e integrações antigas doem. Mas o caminho é claro: sem acesso transacional, o agente vira concierge sem chave da porta.
Quais sinais mostram que a aposta da Omio é maior que hype?
O primeiro sinal é distribuição. According to EQS/PRNewswire, o app da Omio no ChatGPT coloca sua rede de transporte diante dos 900 milhões de usuários semanais reportados do ChatGPT, enquanto a empresa diz atender mais de um bilhão de usuários por ano e mais de 100.000 viajantes por dia. Isso não é um experimento escondido.
Segundo McKinsey Live, citando Skift Research e McKinsey em 2025, 90% da indústria de travel está experimentando IA generativa, mas a adoção de agentes ainda é desigual entre empresas, funções e mercados.
O segundo sinal é engenharia. Tomas Vocetka, CTO at Omio, states: “Codex is where the real work gets done.” Essa fala aponta para uma tese que a gente também vê em clientes: IA não é só interface, é fábrica de produto, teste, integração e manutenção.
O terceiro sinal é o timing do mercado. According to Phocuswright, as reservas brutas globais de viagem chegaram a US$1,6 trilhão em 2024 e devem se aproximar de US$1,8 trilhão até 2027. Pequenos ganhos em conversão, atendimento ou velocidade de entrega valem muito nesse volume.
5 Lições práticas da Omio para empresas com agentes de IA
A história da Omio funciona como estudo de caso porque combina um problema real, dados dinâmicos e alto volume de usuários. Não é tutorial. Ainda assim, dá pra extrair princípios claros para bancos, seguradoras, healthtechs, e-commerces e operações jurídicas. According to McKinsey and Skift, numa pesquisa com 86 executivos de travel, a IA aumentou produtividade de funcionários em 59%, melhorou qualidade de saída em 36%, personalização em 33%, velocidade de decisão em 30% e reduziu custos operacionais em 26%.
1. Comece pelo fluxo que paga a conta
Agente bonito não sustenta business case. Escolha um fluxo com custo alto, volume alto ou impacto direto em receita. Reserva, suporte, triagem, análise documental e cotação costumam funcionar bem. Quando implementamos uma esteira de documentos para um cliente jurídico, 80% da revisão de contratos foi automatizada, com economia de 120 horas por mês.
2. Conecte dados antes de polir a conversa
A conversa só parece inteligente quando os dados estão certos. Isso vale para horários de trem, status de pedido, política de crédito ou cláusulas contratuais. Nosso time de 10+ especialistas trabalha com LangChain, LangGraph, CrewAI e Agno, mas ferramenta nenhuma salva uma base bagunçada.
3. Defina autonomia por risco
Nem todo agente deve decidir sozinho. Em travel, comprar a passagem errada custa dinheiro e confiança. Em saúde ou finanças, o risco é maior. A gente recomenda níveis: sugerir, preparar, executar com aprovação e executar sozinho. O último vem depois. Sem pressa.
4. Meça além da taxa de resposta
CSAT e resolução são úteis, mas incompletos. Meça tempo até conclusão, custo por tarefa, taxa de erro, retrabalho, conversão e abandono. Em um sistema de conteúdo com IA para marketing, chegamos a 10x mais produção de blog mantendo notas de qualidade consistentes, mas a métrica principal era aprovação editorial, não volume bruto.
5. Trate limitação como requisito
Agentes não devem fingir certeza. Eles precisam dizer quando falta dado, quando uma tarifa mudou ou quando uma regra humana é necessária. Esse comportamento reduz frustração. Também protege marca, suporte e jurídico.
Como desenhar um agente de viagem AI-native em Python?
Um protótipo bom precisa separar intenção, busca, ranking e confirmação. O exemplo abaixo não compra nada, de propósito. Ele mostra uma estrutura mínima para comparar rotas com critérios explícitos, algo que depois poderia ser ligado a APIs de fornecedores, regras de negócio e revisão humana.
Segundo a Gartner (junho de 2025), 33% dos aplicativos corporativos devem incluir agentic AI até 2028, contra menos de 1% em 2024; a mesma previsão diz que 15% das decisões diárias de trabalho poderão ser tomadas autonomamente por agentes.
from dataclasses import dataclass
@dataclass
class Route:
provider: str
mode: str
duration_minutes: int
price_eur: float
transfers: int
refundable: bool
def score_route(route: Route, max_budget: float, prefer_refundable: bool) -> float:
if route.price_eur > max_budget:
return -1
score = 100
score -= route.duration_minutes / 20
score -= route.transfers * 8
score -= route.price_eur / 10
if prefer_refundable and route.refundable:
score += 12
if route.mode == "train":
score += 5
return round(score, 2)
routes = [
Route("RailCo", "train", 390, 82.50, 1, True),
Route("BusLine", "bus", 520, 41.90, 0, False),
Route("FlyNow", "flight", 185, 135.00, 1, True),
]
ranked = sorted(
[(route, score_route(route, max_budget=100, prefer_refundable=True)) for route in routes],
key=lambda item: item[1],
reverse=True,
)
for route, score in ranked:
if score >= 0:
print(f"{route.provider}: {route.mode}, EUR {route.price_eur}, score {score}")
Isso parece simples, mas a arquitetura real exige auditoria, cache, fallback, logs e testes. A parte chata é onde mora a confiabilidade. Eu recomendo começar com uma faixa pequena de casos, medir erro e só depois aumentar autonomia.
Quando empresas fora de travel devem copiar esse modelo?
Empresas fora de travel devem copiar o modelo quando têm três ingredientes: dados operacionais acessíveis, decisões repetitivas e impacto mensurável no fluxo de trabalho. Fintechs podem aplicar em suporte e análise de crédito. Healthtechs, em triagem administrativa. E-commerces, em pós-venda e recomendação com estoque real. Jurídico, em revisão de contrato e extração de riscos.
Segundo a McKinsey Global Survey de novembro de 2025, 88% das organizações já usam IA regularmente em pelo menos uma função de negócio, ante 78% no ano anterior; 23% estão escalando algum sistema agentic AI e 39% estão experimentando agentes.
Depois de 50+ projetos em fintech, healthtech, e-commerce e outras áreas, nós aprendemos que o melhor ponto de partida raramente é o mais glamouroso. É o gargalo repetitivo. Nosso índice de satisfação de clientes, 4,9/5, vem muito dessa escolha pragmática: menos demo futurista, mais processo funcionando.
A caveat: se a empresa não tem dono claro do processo, o agente vira brinquedo caro.
O que a Omio ensina sobre UX, confiança e execução?
A principal lição de UX é que o usuário não quer conversar por conversar. Ele quer resolver a viagem com menos atrito, mais confiança e menos abas abertas. Rob Francis, CTO at Booking.com, states: “People are asked to adapt to the confines of technology.” Esse é o problema que interfaces AI-native tentam reduzir.
Segundo a pesquisa da Amadeus, Francisco Pérez-Lozao Rüter, President, Hospitality at Amadeus, states: “Gen AI tools aren’t yet ready for trip planning prime time.” A crítica é válida: sem dados confiáveis, execução e governança, IA de viagem pode frustrar mais do que ajudar.
Google também empurra nessa direção. According to Google Search blog, o AI Mode combina voos, hotéis, Maps, avaliações e links de parceiros para apoiar planejamento e finalização de reservas. Ou seja: a disputa não é só “quem responde melhor”. É quem conecta intenção, inventário e transação com menos quebra.
Para empresas brasileiras, esse ponto é decisivo. O usuário aceita IA, mas não aceita boleto errado, agenda duplicada ou promessa sem entrega.
Como a Yaitec aplica essa tese em projetos reais?
A Yaitec aplica essa tese começando pelo processo de negócio, não pelo modelo. A gente mapeia onde a decisão acontece, quais sistemas precisam responder, quais erros são toleráveis e onde deve existir aprovação humana. Só então escolhemos arquitetura, agentes, RAG, filas, observabilidade e interface.
Em projetos reais, a Yaitec já entregou 50+ iniciativas com IA em fintech, healthtech, e-commerce e operações internas; nossa equipe de 10+ especialistas trabalha há 8+ anos com sistemas de ML em produção e stacks como LangChain, LangGraph, CrewAI e Agno.
Quando implementamos RAG para fintech, reduzimos tickets em 40% em 3 meses. Quando criamos pipeline documental para jurídico, 80% da revisão de contratos foi automatizada. Quando montamos sistema de conteúdo com IA para marketing, a produção aumentou 10x com qualidade controlada.
Se sua empresa quer avaliar um agente que saia da conversa e entre no processo, fale com a gente por aqui: fale conosco. A conversa costuma começar com um diagnóstico curto: caso de uso, dados disponíveis, riscos e métrica de sucesso.
Conclusão: o futuro da viagem com IA será operacional
A aposta da Omio aponta para um futuro em que AI-native travel deixa de ser camada de atendimento e vira infraestrutura de decisão, busca e compra. Isso não elimina sites, apps ou atendimento humano. Muda o centro de gravidade. A interface passa a captar intenção; o agente consulta sistemas; a empresa mede resultado no fluxo.
Segundo a Gartner (2025), mais de 40% dos projetos de agentic AI podem ser cancelados até o fim de 2027, mas 33% dos aplicativos corporativos devem incluir agentes até 2028. A mensagem é dupla: a onda é real, e execução ruim vai custar caro.
Eu não compraria a tese de qualquer chatbot de viagem. Compraria a tese de agentes conectados a inventário, regras, métricas e governança. A Omio mostra esse caminho com clareza porque travel é um teste duro: dado muda, preço muda, preferência muda. Se funciona ali, muita coisa no B2B fica possível.
Fontes
- McKinsey & Company — acessado em 25/07/2026
