每逢寒流襲擊美國，新聞畫面通常都差不多：航班取消看板整排變紅、機場櫃台塞滿旅客，還有人抱著行李直接睡在登機門旁邊。
但如果從航空公司的營運中心往裡看，真正麻煩的並不是「今天下雪，所以取消航班」這麼簡單。
一架飛機停飛，後面的班次可能沒有飛機；飛機即使還在，機組員也可能已經超過法定值勤時間；新的機組員找到了，登機門卻被另一架延誤班機佔用。再加上除冰車、維修排程、旅客轉機、行李和空中交通管制，問題會像線上服務故障一樣快速擴散。
身為工程師，我看到這種情況時，很自然會想到半夜收到的系統告警：最初可能只是一個節點異常，十分鐘後卻變成資料庫塞車、API 逾時和客服工單一起爆炸。
航空公司現在積極導入 AI，並不是因為 AI 能控制天氣，而是它有機會在這場連鎖故障裡，更快找出損害相對較小的處理方式。
不過先把結論說在前面：這波寒流證明航空業確實已經把 AI 放進實際工作流程，卻還沒有證明 AI 可以戰勝極端天候。
2026 年冬季風暴，航空業面對的是一場大型系統事故
2026 年 1 月，冬季風暴 Fern 橫掃美國。根據路透社報導，1 月 26 日當天，截至晚間便有超過 5,220 架次航班取消、約 6,500 架次延誤，接近全美當日預定航班的五分之一。
American Airlines 後來表示，這場風暴造成超過 9,000 架次航班取消，是該公司歷來規模最大的天候營運中斷之一。
最值得注意的不是取消數字，而是環境變化的速度。
American Airlines 在官方更新中指出，Dallas–Fort Worth 機場一天內出現十種不同的天候組合，降水狀態改變了 23 次，包含冰粒、降雪、凍雨和混合降水。部分時段甚至出現接近零的除冰保護時間，代表飛機完成除冰後，保護效果可能還沒維持到起飛就已失效。American Airlines 官方說明
這不是丟一份氣象預報給模型，叫它回答「哪些航班會延誤」就能解決的問題。
真正需要處理的是不斷變動的系統狀態：
- 哪些機場容量正在下降？
- 哪些飛機完成除冰後還來得及起飛？
- 哪些機組員即將超過值勤時間？
- 取消哪一班，對後續航網造成的連鎖影響最小？
- 哪些旅客還有替代轉機路線？
- 應該先調動飛機、機組員，還是登機門？
這類問題非常適合使用預測模型和最佳化演算法，但也最容易被「AI 可以自動解決所有問題」的說法過度簡化。
航空公司的 AI，到底在寒流期間做了什麼？
提前預測延誤，而不是等班機停在跑道上才處理
傳統氣象預報可以告訴航空公司某個地區可能下雪，但航空公司真正想知道的是：這些天氣會如何影響特定機場、跑道與時段的運量？
Lufthansa Group 曾與 Google Cloud 合作，預測會影響蘇黎世機場運作的 BISE 強風。這種風可能迫使機場改用不同跑道，使機場容量減少最多約 30%。
該機器學習實驗利用五年的氣象資料，包括風向、風速、氣壓、溫度及濕度，最後讓預測準確度相較原有內部方法獲得超過 40% 的相對改善。Google Cloud 案例說明
這裡有一個很容易被寫錯的地方：預測準確度提高 40%，不等於航班延誤減少 40%。
模型只是讓營運團隊更早知道問題可能出現。航空公司能否因此調整班表、重新安排跑道或取消部分航班，仍然取決於後續工作流程。
這就像監控系統提前發出磁碟容量警告。警告準確是一回事，有沒有人處理又是另一回事。
在數千種調度方案中，找出代價較低的選項
寒流發生後，航空公司必須同時處理飛機、機組員、登機門、維修、行李與旅客。任何一個變數改變，都可能讓原本可行的方案失效。
AI 與最佳化系統可以讀取即時資料，快速產生不同情境，例如：
- 取消一班短程航班，保留飛機執行後續長程航班。
- 延後某班飛機幾分鐘，讓更多轉機旅客趕上。
- 將飛機移往受風暴影響較小的樞紐。
- 優先保留後續替代班次較少的航線。
- 提前安排備援機組員，避免值勤時間耗盡。
- 根據跑道、登機門與除冰能力調整起飛順序。
航空科技供應商 Amadeus 說明，目前相關模型會結合歷史與即時資料，包括天氣、飛機輪調、機場限制及機組員狀態，協助航空公司更早預測中斷並加快復原。Amadeus 航空 AI 說明
但最後的選擇未必是數學上最省錢的方案。
如果最低成本方案會讓大量旅客滯留，或增加飛安與地勤壓力，營運控制人員仍可能選擇另一個結果。航空公司的 AI 比較像是一位能在幾秒內整理大量方案的副駕駛，不是可以自行接管公司的自動駕駛。
幫旅客趕上轉機，不只是發送道歉簡訊
United Airlines 的 ConnectionSaver 是較具體的案例。
系統會分析抵達班機位置、轉機旅客前往登機門所需時間、下一段航班狀況，以及短暫等待是否會造成後續延誤，再判斷班機能不能多等幾分鐘。
根據 United Airlines 的投資人資料，ConnectionSaver 在 2025 年協助保住超過 100 萬次原本可能錯過的轉機，較前一年增加約 42%。United Airlines 2025 年業績資料
我很喜歡這種 AI 案例，因為它沒有華麗到像科幻電影，卻直接解決了乘客真的會遇到的問題。
它也不是單純把班機延後。系統必須確認等待幾分鐘，不會讓更多旅客錯過另一端轉機，也不會讓機組員超時或失去起飛時段。
這才是航空 AI 真正困難的地方：不是生成一個答案，而是在大量限制條件中找出仍能執行的答案。
在客服量暴增時，把營運資料翻譯成人話
班機延誤時，乘客最討厭看到的通常不是延誤本身，而是 App 上只顯示一句毫無資訊量的「因營運因素延遲」。
United Airlines 的「Every Flight Has a Story」計畫，會把航班狀態、天氣資訊，以及機師、地勤、空服員和營運中心的資料整理起來，再由生成式 AI 草擬旅客通知。
United CIO Jason Birnbaum 表示，航空公司不可能替每次航班狀態變更安排一個人重新撰寫通知，因此讓 AI 先生成符合品牌語氣的內容，再放進原本的溝通流程。CIO 訪談
這裡的生成式 AI 並沒有決定航班是否起飛。它負責的是把分散在不同系統的資料，轉換成旅客能看懂的說明。
這也是我認為目前生成式 AI 最適合的企業應用：資料來源明確、輸出可以檢查，即使失敗也能切回人工流程。
讓大型語言模型直接決定飛機能不能起飛，我不會放心；讓它把已確認的延誤原因整理成一段文字，合理得多。
航空業的 AI 實力，建立在資料管道而不是聊天介面上
很多人看到 AI 客服，就以為航空公司的 AI 建設主要是一個聊天機器人。實際上，聊天視窗往往只是最後一層。
真正困難的是底下的資料整合。
一套有效的航空營運系統，可能必須同時取得：
- 氣象與雷達資料
- FAA 與機場運量限制
- 飛機即時位置
- 維修與適航狀態
- 機組員位置及剩餘值勤時間
- 登機門與跑道狀態
- 旅客轉機與行李資料
- 除冰設備及地勤資源
如果其中一套系統還在傳昨天的資料，再強的模型也只會更快速地產生錯誤答案。
Air France-KLM 在建立生成式 AI 工廠前，先將大量核心應用遷移到雲端，再建立共用的模型部署、測試與治理流程。這套平台應用於地勤、工程維修及客服，官方資料稱其從實驗走向企業部署的開發週期加快超過 35%。Accenture 官方公告
同樣要注意，這個 35% 指的是開發週期，不是準點率提升 35%。
身為做過 SaaS 系統的人，我對「AI 工廠」這種名稱本來有點過敏，因為它很容易成為簡報裡的漂亮名詞。但共用資料權限、模型版本、測試、監控與回滾機制，確實是讓 AI 從展示環境進入正式營運的必要條件。
模型 API 串起來不難。真正難的是凌晨兩點資料源中斷時，系統能不能安全降級，以及隔天誰負責查問題。
寒流也證明了 AI 不能處理的事情
AI 不能增加除冰車與跑道
Winter Storm Fern 期間，部分城市平常很少面對這類冰雪，因此缺乏足夠設備與人力。道路結冰也讓地勤、供應商及空中交通管制人員難以抵達工作地點。
AI 可以預測除冰需求，也能改善車輛調度，但它不會憑空變出更多除冰車。
當除冰液的有效時間接近零、跑道關閉或空中交通管制人力不足時，取消航班反而可能是最安全的決策。模型的價值不是強迫飛機起飛，而是讓航空公司更早知道哪些班次應該停止嘗試。
AI 不能彌補脆弱的核心系統
2022 年底，Southwest Airlines 在冬季風暴期間出現大規模營運崩潰。風暴是起點，但機組調度與旅客處理能力不足，讓中斷持續擴大。
美國運輸部最後對 Southwest 處以 1.4 億美元的民事處罰，並確認受影響旅客取得超過 6 億美元退款與費用補償。美國運輸部公告
這個案例提醒航空公司：不能把 AI 放在老舊系統上面，就宣布完成數位轉型。
如果機組員資料不同步、訂位系統無法承受流量，或客服平台與營運中心互相看不到對方的資訊，AI 只是在一堆技術債上加了一層更昂貴的介面。
有些情況根本不需要再訓練一個模型。把資料庫索引補好、讓重試機制不要重複訂位、建立可靠的事件佇列，效果可能更直接。
安全關鍵決策仍需要確定性
生成式 AI 的問題是：它產生的是統計上合理的回答，不保證每次都完全一致。
在客服摘要或維修文件搜尋中，這種不確定性可以透過來源引用、人工審核與權限限制控制。但在燃油數量、飛行包線、除冰判定或適航狀態上，系統不能「大概正確」。
航空 AI 可以建議航線、排序選項或找出異常，真正的飛安限制仍必須由明確規則、經過驗證的軟體與合格人員把關。
簡單說，AI 適合處理不確定性，不能負責重新定義安全底線。
從投資角度看，航空 AI 的價值應該怎麼判斷？
如果一家航空公司宣布「全面導入 AI」，我不會因為新聞稿裡出現 Google Cloud、Microsoft 或生成式 AI 就立刻高估它的競爭力。
我會先看幾個更樸素的指標：
從事故中恢復需要多久？
風暴無法避免，但不同航空公司恢復正常班表的速度可能差很多。真正有價值的系統，應該縮短飛機與機組員回到正確位置所需的時間。
有多少建議真的被營運人員採用？
模型每天產生一萬個建議並不代表有價值。如果大部分建議都因資料錯誤、法規限制或不符合現場情況而被忽略，代表系統可能只是在消耗運算資源。
能否降低轉機失敗與客服等待時間？
像 ConnectionSaver 這類工具至少有明確成果可以追蹤，包括保住多少次轉機、平均等待多久，以及是否造成後續航班延誤。
客服 AI 也應該觀察錯誤回答率、人工轉接率與問題解決時間，不能只拿「處理了多少次對話」當成成功。
系統故障時能不能安全降級？
航空公司不能因為模型服務中斷，就不知道飛機該停哪個登機門。
能夠切回規則引擎、人工調度或備援資料源，才代表系統具備正式營運能力。沒有回滾方案的 AI，就像沒有備份的資料庫：平常看起來省事，出事時一次把欠的全部還回去。
寒流沒有證明 AI 無所不能，卻證明它已經不是玩具
根據航空資訊科技公司 SITA 的 2025 年調查，83% 受訪航空公司已在營運決策或旅客服務中使用 AI，51% 使用 AI 預測延誤與營運中斷。SITA Air Transport IT Insights
這表示航空業導入 AI 已經不只是幾家公司的實驗。
但我不會把 Winter Storm Fern 描述成 AI 的勝利。上萬架次航班取消、機組員受困和旅客滯留，都說明現有系統仍有明顯極限。
比較準確的結論是：AI 正在成為航空公司的營運工具，幫助人員更早發現問題、縮短決策時間，並減少中斷造成的連鎖損失。它的價值不在於消滅風暴，而在於讓風暴發生時，整個系統不要那麼快失控。
工程上真正可靠的技術，通常不會讓使用者感覺自己正在使用 AI。
它可能只是讓你提早收到一則說得清楚的延誤通知，讓航空公司在你抵達登機門前完成改票，或讓下一班飛機多等五分鐘。這些事情沒有機器人駕駛飛機那麼吸睛，卻更接近航空 AI 現階段真正能創造的價值。
航空業 AI 常見問題
AI 可以預測航班是否延誤嗎？
可以，但只能估算延誤機率。模型會分析天氣、前序班機、機場容量、飛機輪調與機組員狀態，通常能比單純查看氣象預報更早發現風險。預測結果仍可能因天氣突然變化或空中交通管制而失準。
AI 能避免寒流造成航班取消嗎？
不能完全避免。AI 可以協助航空公司提前調整班表、重新安排飛機及機組員，降低連鎖中斷；但如果跑道關閉、除冰保護時間不足或人力無法到位，取消航班仍然是必要的安全措施。
航空公司如何在冬季風暴期間使用 AI？
主要用途包括預測延誤、評估機場容量、安排飛機與機組員、分配登機門、規劃旅客改票，以及自動產生航班通知。生成式 AI 多半負責資訊整理和溝通，調度決策則會搭配傳統最佳化系統與人工判斷。
AI 會取代航空公司的調度員或機師嗎？
短期內不會。AI 適合快速整理資料及產生替代方案，但飛安、適航、值勤時間與機場限制仍需要明確規則及專業人員確認。尤其在極端天候下，人員還必須處理模型未見過的例外狀況。
航空 AI 對一般旅客有什麼實際幫助？
旅客可能更早收到延誤通知、更快完成改票，或因系統判斷而讓轉機航班短暫等待。真正有效的航空 AI，通常反映在較短的客服等待時間、較少的轉機失敗，以及更快的災後班表復原。
立即體驗安全可靠的交易平台，點擊加入：https://www.okx.com/zh-hant/orbit
