Ahmad Al-Dahle, el CTO que convirtió Airbnb en AI-native

¿Quién es Ahmad Al-Dahle y por qué importa su fichaje en Airbnb?

Ahmad Al-Dahle, exjefe de IA generativa de Meta y líder del lanzamiento de la familia Llama entre 2023 y 2025, reveló que el 60% del código de Airbnb ya está coautorado por IA tras asumir como CTO de la compañía en enero. En una entrevista con el podcast Latent Space, explicó cómo convirtió una empresa fundada en 2008 en AI-native por dentro y por fuera.

«Chase where I believe the hard frontiers live», resumió. Tras años construyendo modelos de frontera en Meta, asegura que el próximo reto es desplegarlos a escala dentro de un producto con usuarios reales.

El CEO de Airbnb, Brian Chesky, dijo a CNBC tras la earnings call de Q2 que antes de la llegada de Al-Dahle la compañía estaba «más o menos en la mitad de la tabla» en adopción de IA. Un año antes, según Chesky, la pregunta interna era si la IA sería buena o mala para Airbnb. El fichaje de Al-Dahle, con mandato explícito de hacer la empresa AI-native, cerró ese debate.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Qué significa realmente «AI-native» para Airbnb?

Al-Dahle lo describe como un enfoque inside-out: primero se usa la IA internamente para acelerar el desarrollo de producto, después se traslada esa misma capacidad a la experiencia del cliente. La idea es aplicar a Airbnb el mismo tipo de transformaciones que las startups nativas de IA están haciendo desde su fundación, pero con una organización heredada de casi dos décadas.

Tres cambios estructurales son el corazón de la estrategia:

El código es el artefacto principal, no los PRDs ni los Figma. Equipos de producto, diseño e ingeniería saltan directamente a trabajar con prototipos, eliminando los handoffs entre equipos. «Romper ese tiempo es uno de los ahorros más grandes que una empresa de software tradicional tiene que dar para dar el salto», dijo Al-Dahle.
El grafo de contexto interno «Everest», que combina LLMs, embeddings y retrieval para indexar la base de código. Permite que un generalista trabaje sobre partes muy especializadas del código sin necesidad de ser experto.
Equipos organizados por objetivos, no por features. «Si tu empresa se organiza por desarrollo de features, vas a tener problemas en la era de la IA», advirtió Al-Dahle. Las empresas organizadas por misiones y resultados lo van a tener más fácil.

¿Qué cifras dejó la transformación AI-native en Q2 2026?

Los resultados los presentó Chesky en la earnings call de Q2, que impulsó la acción un 15% al día siguiente:

60% del código nuevo de Airbnb está coautorado por IA, aproximadamente el doble del promedio de la industria según la carta a accionistas de Q1 2026.
Casi 80% más de features y mejoras enviadas en lo que va del año frente al mismo periodo del año anterior, con headcount prácticamente plano.
Pull-request throughput por ingeniero promedio 1.6x superior.
Ciclo de concepto a lanzamiento hasta 60% más corto en proyectos clave.
Casi 45% de los tickets de soporte se resuelven sin intervención humana, según el 8-K del trimestre (Al-Dahle habla de «aproximadamente la mitad»). El coste de soporte por reserva cayó 16% interanual.
Ingresos de Q2: US$3.608B, +16,54% interanual. Net income: US$816M, +27,1%. Free cash flow: +31,62%. Margen EBITDA ajustado: 35%, con guía subida a 35,5% para todo el año.
Crecimiento de noches reservadas 10%, frente al 6% de Expedia y 5% de Booking Holdings en el mismo trimestre.

¿Qué son Everest y AirChat dentro de la estrategia inside-out?

El caso más concreto del valor de Everest son los dos servicios más recientes de Airbnb: entregas de supermercado y traslados al aeropuerto. Ambos son integraciones de API con socios externos que se montan sobre la plataforma.

El servicio de grocery tardó entre ocho y nueve meses en salir. Cuando el equipo de airport pickup se puso a trabajar, pudo apoyarse en el conocimiento ya indexado en Everest y bajó el tiempo a unas seis semanas, según contó Chesky en la earnings call.

La consecuencia operativa, según Al-Dahle, es que ahora generalistas pueden trabajar sobre partes muy especializadas del código. El contexto de la organización se vuelve portable, y cada nuevo proyecto arranca mucho más cerca de la línea de meta.

Internamente, Airbnb ya usa AirChat, su propio agente con todo el contexto organizativo vía MCP. En mayo, en el Summer Release, Chesky presentó los nuevos servicios ante la comunidad de hosts.

¿Por qué Airbnb no entrena modelos propios?

Al-Dahle define a Airbnb como una «multi-model company» que despliega «muchos modelos distintos» en producción. La política concreta es:

Mezcla de modelos frontier y open source, con la mayor parte del post-training y reinforcement learning hecho internamente sobre modelos abiertos.
Al menos 10 modelos customizados en producción para casos de uso específicos.
Para coding usan el modelo frontier más potente disponible, asumiendo latencia alta a cambio de menos defectos: «cada defecto nos puede costar mucho más».
Para search, donde la latencia manda, prefieren modelos pequeños especializados. Al-Dahle afirma que en casos narrow, modelos pequeños post-entrenados pueden superar a modelos frontier.

Chesky confirmó a CNBC que Airbnb usa más de una docena de modelos internamente, incluyendo Claude Code de Anthropic y Codex de OpenAI, y reservan los frontier más caros solo para las tareas que los requieren. «Los consumidores no necesitan modelos frontier para la mayoría de cosas», resumió Chesky.

¿Qué son los agentes asíncronos y por qué son la siguiente frontera?

La siguiente capa de la estrategia de Al-Dahle son los agentes asíncronos en contenedores activados por eventos, lo que se acerca al concepto de «software factory» o equipos de agentes. Ya lo están aplicando a on-call de producción:

Si un límite de Grafana salta, un agente arranca, hace triage y gestiona el on-call inicial.
Si la alerta es flaky, el propio agente la cierra.
Si requiere acción, propone un PR que un ingeniero humano revisa.

Al-Dahle quiere llevar este patrón a todo el marketplace: monitorización de fraude, violaciones de confianza, calidad del marketplace y defectos de software. Su visión: «grandes cantidades de agentes asíncronos ayudando a automatizar y gestionar el marketplace».

¿Qué significa esto para tu startup?

El caso Airbnb no es replicable tal cual en una startup temprana, pero la dirección sí lo es. Tres lecciones concretas para founders hispanohablantes:

Empieza inside-out, no outside-in. Antes de pensar en features de IA para tu cliente, mide cuánto tarda hoy un PR tuyo en pasar de idea a producción. Si el cuello de botella son los handoffs, elimínalos con prototipos directos sobre el código. Es lo que más rápido se nota en ARR por empleado.
Construye tu propio grafo de contexto desde el día uno. Indexa la base de código, las decisiones, los PRDs y el conocimiento del equipo. El equivalente en una startup puede ser un RAG sobre Notion, Linear, Slack y tu monorepo. La diferencia entre seis semanas y nueve meses en un proyecto nuevo es, literalmente, la diferencia entre pivotar o morir.
No persigas entrenar modelos propios. Compra frontier para los casos donde el error cuesta caro (coding, decisiones críticas) y post-entrena modelos pequeños y baratos para los casos narrow y de alta latencia (search, filtros, ranking). La mayoría de tus usuarios no necesitan el modelo más caro del mercado para resolver su problema.

Una advertencia que el propio Al-Dahle pone sobre la mesa: la velocidad no puede comerse el aprendizaje de los ingenieros junior. Su regla es que cada ingeniero debe poder explicar qué construyó, incluso si la PR la generó la IA. Es la diferencia entre productividad real y dependencia encubierta.

Conclusión

Airbnb pasó de preguntarse si la IA era buena o mala para su negocio a presentar resultados financieros donde la IA es el motor visible del crecimiento: 80% más producto con el mismo headcount, márgenes en expansión y un mercado que ya trata a la empresa como AI-native por derecho propio. El plan no es replicable literalmente, pero el orden — código como artefacto, contexto indexado, modelos especializados, agentes asíncronos — es una hoja de ruta razonable para cualquier founder que se tome en serio construir con IA.