Sabre pone a prueba sus APIs agénticas: cómo puede cambiar el trabajo en las agencias

Durante el “Desafío Sabre FIT 2026: Construye el futuro de los viajes con las nuevas APIs agénticas de Sabre”, Starlings, Despegar, Ricale y Basset Technologies presentaron desarrollos capaces de interactuar con los sistemas de Sabre mediante agentes de inteligencia artificial.

Los casos compartieron una misma lógica: permitir que la IA consulte información, interprete reglas y ejecute o recomiende acciones utilizando lenguaje natural.

Starlings: cambios de 20 minutos que pueden resolverse en dos

Starlings llevó al escenario a PIA, un asistente desarrollado para intervenir en cambios y cancelaciones de vuelos y hoteles. La compañía estimó que un proceso que manualmente demanda alrededor de 20 minutos puede reducirse a entre uno y dos minutos mediante el agente.

La herramienta conecta el MCP de Sabre con información propia sobre historial de viajes, preferencias y configuraciones de la empresa. De esa manera, no se limita a encontrar una alternativa disponible: incorpora el contexto del pasajero antes de realizar una recomendación.

Uno de los casos presentados mostró a una viajera cuya reunión había sido reprogramada. El sistema consultó su reserva y calendario, buscó alternativas y descartó aquellas incompatibles con sus necesidades.

Según los datos expuestos por Starlings, nueve de cada diez casos procesados por PIA pueden resolverse de punta a punta, mientras que la disponibilidad pasa a ser de 24 horas durante los 365 días del año. La compañía sostuvo además que el apoyo del agente permitiría duplicar la cantidad de clientes atendidos por cada agente humano. (Starlings: la IA deja de ser una herramienta para convertirse en un nuevo modelo de negocio)

La filosofía detrás del desarrollo quedó condensada en el lema utilizado por la empresa: “Speed for Processes, Time for People”. El objetivo, explicaron, es acelerar los procesos para devolverles tiempo a las personas y concentrarlo en aquello donde el componente humano aporta mayor valor.

Despegar: IA para atacar el trabajo artesanal detrás de los ADMs

Despegar abordó otro problema operativo: el análisis de los ADMs, débitos que además del impacto económico generan trabajo manual y fricciones con aerolíneas y otros proveedores. (Despegar ya realiza reservas completas con IA agéntica)

La compañía integró sus propias herramientas de inteligencia artificial con el MCP de Sabre para acceder a la información necesaria y acelerar un proceso que hasta ahora requería conocimientos técnicos específicos y consultas mediante comandos.

El cambio no es menor. Según expusieron Fiorella Pasca y Federico Rodríguez, un análisis que podía demandar alrededor de 20 a 25 minutos puede realizarse en aproximadamente dos minutos con la nueva integración.

El agente localiza la reserva y el ticket, identifica la transacción relacionada con el ADM, consulta las reglas correspondientes y determina su causa raíz. A partir de allí puede indicar si el débito es válido, explicar qué fuentes utilizó para llegar a esa conclusión y sugerir posibles acciones.

La intención de Despegar es avanzar además desde el análisis individual hacia un procesamiento masivo de los casos. El ahorro de tiempo permitiría trasladar recursos hacia otro punto donde la compañía considera que continúa siendo determinante el expertise humano: la elaboración de las disputas frente a los proveedores.

“Dedicar el esfuerzo donde realmente agrega valor”, sintetizaron desde la compañía al explicar el enfoque detrás de la incorporación de IA.

Ricale: bajar la barrera tecnológica para las agencias

Para Ricale, una de las principales transformaciones introducidas por el MCP pasa por otro lugar: reducir la barrera de entrada al desarrollo tecnológico.

Hasta ahora, construir soluciones conectadas con Sabre requería programadores, conocimiento específico de sus APIs y capacidad para interpretar documentación técnica. Con el nuevo esquema, un agente de inteligencia artificial puede acceder a esas APIs y convertirse en intermediario entre los sistemas y el usuario. (IA agéntica: así cambiará la forma en que los viajeros buscarán y reservarán viajes)

“El MCP lo que hace básicamente es bajar un poco la barrera de entrada a lo que es el desarrollo, a la programación, al acceso a la tecnología”, explicó Franco Catania, director de Operaciones de Ricale.

La empresa partió además de un problema cotidiano de las agencias: la dispersión de información. WhatsApp, GDS, planillas, preferencias de pasajeros y sistemas internos contienen datos que muchas veces no se comunican entre sí.

Sobre esa problemática desarrolló Victoria, un agente de IA capaz de consultar reservas y responder preguntas sobre PNR, condiciones tarifarias, cambios o reprogramaciones. El asistente puede integrarse además a distintos canales, desde WhatsApp y correo electrónico hasta Slack o Teams.

La idea de fondo vuelve a correr al profesional de la tarea repetitiva. Para Ricale, el agente de viajes debería concentrarse en acompañar al pasajero, recomendar y diseñar el viaje, mientras parte de la base operativa puede delegarse en asistentes inteligentes.

Basset: menos consultas al consolidador y respuestas en lenguaje natural

Basset Technologies llevó el desafío hacia la relación entre las agencias y el consolidador.

La compañía tomó como punto de partida el volumen de consultas que recibe su operación: en una semana de agosto contabilizó 1.600 llamadas, de las cuales 840 terminaron en órdenes procesadas y 60 correspondieron a cambios o anulaciones. Proyectado mensualmente, el volumen alcanza aproximadamente 6.900 llamadas.

La pregunta fue entonces cuánto de ese tráfico podría resolverse directamente dentro de la plataforma mediante un agente de IA.

El desarrollo permite que el vendedor realice una consulta en español y lenguaje natural. El asistente interpreta la pregunta, consulta las APIs necesarias y utiliza el conector de Sabre para recuperar la información de la reserva.

Basset mostró además dos modelos posibles. Uno utiliza una IA con mayor capacidad de razonamiento, estructura la información, explica el proceso y hasta propone qué comunicarle al pasajero. El segundo es más liviano, devuelve una respuesta simplificada y está pensado para canales como WhatsApp.

La diferencia también tiene una dimensión económica: según la compañía, el modelo más simple puede consumir hasta diez veces menos recursos de IA que el más avanzado. El caso introdujo así otro debate que empieza a acompañar la adopción de agentes inteligentes: no siempre es necesario utilizar el modelo más potente, sino el adecuado para cada tarea.

Sabre y una IA que empieza a intervenir sobre la operación

Los cuatro desarrollos mostrados en FIT Tech partieron de problemas distintos, pero terminaron convergiendo en un mismo cambio: la posibilidad de colocar una capa de inteligencia artificial sobre procesos y contenidos que hasta ahora exigían interacción directa con sistemas especializados.

En Starlings, el agente interpreta contexto y preferencias antes de modificar un viaje; en Despegar, analiza ADMs y consulta reglas; en Ricale, lleva información operativa hacia canales cotidianos como WhatsApp; y en Basset, permite que las agencias consulten al sistema sin depender necesariamente del consolidador.

Más que reemplazar una interfaz por otra, el salto que dejaron entrever los casos de Sabre consiste en que el usuario ya no necesita conocer de antemano qué API consultar ni necesariamente dominar el lenguaje técnico del sistema: expresa qué necesita y es el agente de IA el que determina cómo buscar la información necesaria para resolverlo.

Para las agencias de viajes, esa diferencia puede ser significativa. Si estos desarrollos logran escalar desde los prototipos hacia la operación cotidiana, buena parte de la próxima etapa de la IA en turismo podría jugarse menos en lo que los agentes inteligentes son capaces de decir y mucho más en lo que efectivamente son capaces de hacer.