Wie Expedia mit KI-Prinzipien skalierbare und vertrauenswürdige Systeme aufbaute

Expedia hat über Jahre hinweg Künstliche Intelligenz (KI) und maschinelles Lernen (ML) in fast allen Phasen der Kundenreise eingesetzt – von personalisierten Empfehlungen über Betrugsprävention bis hin zu Kundensupport. Doch der entscheidende Schritt war nicht die bloße Implementierung von KI, sondern der Aufbau eines strukturierten Rahmens, der sicherstellt, dass diese Systeme nicht nur funktionieren, sondern nachhaltig skalieren und vertrauenswürdig sind.

Die Herausforderung liegt dabei nicht im ersten Prototyp, sondern in der langfristigen Stabilität. Viele Unternehmen optimieren ihre Modelle für kurzfristige Erfolge, ohne zu prüfen, ob diese Ansätze auch für größere Teams, vielfältige Anwendungsfälle und wachsende Datenmengen geeignet sind. Doch KI-Systeme, die eigenständig Entscheidungen treffen – etwa bei der Reiseplanung für Kunden –, müssen weitaus höhere Maßstäbe erfüllen. Sie benötigen klare Governance-Strukturen, verlässliche Überwachung und eine Kultur der Verantwortung.

Vor diesem Hintergrund entwickelte Expedia ein Set an KI- und ML-Prinzipien, das als Leitfaden für die Entwicklung, Bereitstellung und kontinuierliche Verbesserung aller KI-Systeme im Unternehmen dient. Ziel ist es, nicht nur technische Funktionalität zu gewährleisten, sondern messbaren Geschäftsnutzen zu schaffen – sicher, skalierbar und nachvollziehbar für alle Beteiligten.

Von abstrakten Prinzipien zu konkreten Prozessen

Die Formulierung von Richtlinien ist der einfache Teil. Die eigentliche Arbeit beginnt mit der Integration dieser Prinzipien in die täglichen Arbeitsabläufe. Expedia hat dafür sogenannte „Agentic Release“-Tollgates eingeführt – eine Reihe von Überprüfungen, die vor der Freigabe neuer KI-Funktionen durchlaufen werden müssen. Diese Kontrollen übersetzen abstrakte Vorgaben wie klare Verantwortlichkeiten, risikobasierte Governance und sichere Bereitstellung in konkrete Anforderungen für die Teams.

Einige dieser Schritte sind bereits automatisiert und in den Softwareentwicklungsprozess (SDLC) integriert. Langfristig sollen diese Mechanismen so selbstverständlich werden wie Code-Reviews oder Sicherheitschecks. Die Vision: KI-Systeme werden von Anfang an mit klaren Bewertungskriterien, Dokumentationspflichten und Überwachungsmechanismen entwickelt – nicht als nachträgliche Ergänzung.

Erfolgsmessung: Was wirklich zählt

Der erste Test für jedes KI-Modell ist nicht sein technischer Score, sondern sein Beitrag zum Geschäftserfolg oder zur Kundenerfahrung. Expedia setzt auf folgende Grundsätze, um sicherzustellen, dass Investitionen in KI tatsächlich messbaren Nutzen bringen:

• Ausrichtung auf geschäftsrelevante Kennzahlen: Jedes ML-Projekt muss direkt mit einem zentralen Geschäfts- oder Kundenziel verknüpft sein. Technische Optimierungen sind Mittel zum Zweck, kein Selbstzweck. Ein Modell, das zwar präziser arbeitet, aber keine messbare Verbesserung bei Buchungen oder Nutzerzufriedenheit bewirkt, ist wertlos.

• Kosten-Nutzen-Abwägung: Der Wert eines Modells muss seine Entwicklungskosten, Trainingsaufwände, Betriebsausgaben und die damit verbundene Komplexität rechtfertigen. Bevor ein Team in aufwendige Speziallösungen investiert, sollte es prüfen, ob eine bestehende generische Lösung oder ein einfacher Algorithmus denselben Zweck erfüllt.

• Komplexität nur bei nachgewiesener Notwendigkeit: Bevor ein Team zu maßgeschneiderten Architekturen oder hochspezialisierten Modellen greift, sollte es zunächst ein starkes Baseline-Modell testen – sei es ein vortrainiertes Modell, eine heuristische Lösung oder eine Standardbibliothek. Nur wenn diese Ansätze die Anforderungen nicht erfüllen, sind komplexere Lösungen gerechtfertigt.

• Kombination aus Offline- und Online-Tests: Kein Modell wird direkt in den Produktiveinsatz übernommen, basierend allein auf Offline-Validierung oder A/B-Tests. Jedes System muss sowohl in kontrollierten Testumgebungen als auch in der realen Anwendung – mit echten Nutzern – überzeugen. Mit der Zeit sollen Offline-Ergebnisse möglichst genau die Leistung in der Produktion vorhersagen.

Skalierbarkeit: Systeme, die über Teams hinaus wirken

Ein Modell zu trainieren und einzusetzen ist eine Sache. Sein Nutzen auf andere Teams, Standorte oder Anwendungsfälle zu übertragen, eine ganz andere. Expedias Ansatz basiert auf drei Säulen, um solche Skalierungseffekte zu ermöglichen:

• Gemeinsame Grundlagen statt Insellösungen: Statt isolierte KI-Stacks für einzelne Projekte aufzubauen, setzt Expedia auf zentrale Plattformen für Datenrepräsentationen, Modellbausteine und Infrastruktur. Spezialisierte Lösungen sollten auf diesen gemeinsamen Grundlagen aufbauen, sodass Verbesserungen in der Basis automatisch allen Teams zugutekommen.

• Daten als Produkt behandeln: Die Qualität eines Modells ist nur so gut wie die Daten, auf denen es trainiert wird. Daher müssen Datenpipelines robust, reproduzierbar und gut dokumentiert sein. Klare Verantwortlichkeiten, standardisierte Schemata und Service-Level-Agreements (SLAs) sind essenziell, damit Teams auf verlässliche Daten zugreifen können.

• Generalisierung statt lokaler Optimierung: Wenn zwei Ansätze ähnlich gute Ergebnisse liefern, sollte das Team denjenigen wählen, der sich leichter auf andere Teams, Marken oder Anwendungsfälle übertragen lässt. Das Ziel ist nicht maximale lokale Performance, sondern die Fähigkeit, Erkenntnisse und Assets schnell unternehmensweit zu teilen und Synergien zu nutzen.

• Manuelle Regeln minimieren und überprüfen: Ausnahmen und manuelle Anpassungen sind in manchen Bereichen unvermeidbar – etwa bei regulatorischen Vorgaben oder Sicherheitsthemen. Doch sie sollten transparent dokumentiert und regelmäßig überprüft werden. Veraltete oder unnötige Regeln führen zu technischer Schulden und behindern die Skalierbarkeit.

• Nachvollziehbarkeit und Reproduzierbarkeit standardisieren: Jeder Schritt – von den Trainingsdaten über die Modellkonfiguration bis hin zu den Evaluationsergebnissen – muss dokumentiert und nachvollziehbar sein. Das ermöglicht nicht nur die Fehlerbehebung in der Produktion, sondern erleichtert auch die Übergabe von Verantwortlichkeiten innerhalb des Teams.

Vertrauen: Verantwortung und Governance im KI-Zeitalter

Der Maßstab für den Einsatz von KI ist nicht länger die Frage „Funktioniert es?“, sondern „Können wir dafür garantieren?“. Vertrauen ist kein Add-on, das am Ende hinzugefügt wird, sondern entsteht durch konsistente Prozesse über den gesamten Lebenszyklus eines Modells hinweg.

• Klare Verantwortlichkeiten definieren: Jedes KI-Modell benötigt festgelegte Ansprechpartner für verschiedene Phasen – von der Geschäftsverantwortung über Produktentwicklung bis hin zum Betrieb. Diese Rollen können von einer Person oder einem kleinen Team übernommen werden, aber die Zuständigkeiten müssen unmissverständlich sein. Wer haftet bei Modelldrift? Wer reagiert auf Störungen? Ohne diese Klarheit werden Modelle zum Niemandsland, in dem Probleme ungelöst bleiben.

• Risikobasierte Governance einführen: Nicht jedes KI-System benötigt denselben Grad an Überwachung. Statt einer pauschalen Lösung setzt Expedia auf eine risikobasierte Einstufung, die den Umfang der Governance-Maßnahmen an die potenziellen Auswirkungen des Modells anpasst. Hochriskante Systeme unterliegen strengeren Kontrollen als solche mit geringem Risikopotenzial.

• Transparenz und Erklärbarkeit fördern: Besonders bei Modellen, die direkte Auswirkungen auf Kundenentscheidungen haben, ist es entscheidend, nachvollziehbare Entscheidungsprozesse zu etablieren. Das kann durch Explainable-AI-Techniken, klare Dokumentation oder sogar menschliche Aufsicht in kritischen Fällen geschehen.

Die Reise zu einer skalierbaren und vertrauenswürdigen KI-Infrastruktur ist kein Sprint, sondern ein Marathon. Expedia hat erkannt, dass der Schlüssel zum Erfolg nicht allein in fortschrittlichen Algorithmen liegt, sondern in der Fähigkeit, diese Technologien mit klaren Prinzipien, robusten Prozessen und einer Kultur der Verantwortung zu verbinden. Mit jedem neuen Modell und jeder Skalierungsstufe wird die Grundlage für eine KI gelegt, die nicht nur heute funktioniert, sondern auch morgen noch vertrauenswürdig, effizient und zukunftsfähig ist.