新加坡航空披露与OpenAI合作的应用成效：Kris客服满意度评分达到原来的两倍，AI辅助客服平均处理时间下降约10%，航班推荐工具月用户规模约增至三倍。这些数据来自供应商与客户自述，未经独立评测；案例展示了模型连接业务数据、嵌入客服与内部工作流程，并保留权限控制、结果验证和人工接手的部署路径。
新加坡航空将生成式人工智能用于旅客客服、航班推荐、软件开发和员工办公，并在OpenAI于2026年11月10日发布的客户案例中披露了一组业务指标：聊天机器人Kris的客户满意度评分达到原来的两倍，使用AI辅助工具的客服人员平均处理时间下降约10%，旅行推荐工具的月用户规模在过去一年约增至原来的三倍。
这些数字来自OpenAI发布的新航客户案例，属于供应商与客户自述，并非独立评测。案例更值得关注的细节，是新航如何把模型接入知识库、票价和座位供应数据，以及为何在扩大自动化时仍保留数据权限控制、结果验证和人工接手。
这也不是双方刚刚启动合作。新航早在2025年4月25日就已宣布与OpenAI合作。此次披露的重点，是已有应用的运行方式与成效，而非所有功能在11月10日同时上线。
从预先写好对话，到理解旅客意图
Kris原先采用传统的对话流程设计：团队需要预先划分话题，并逐条编写交互路径。遇到没有覆盖的意图时，即使旅客的问题本可通过自助服务解决，也更容易转交人工。
按照此次案例的描述，新航已将Kris转向通过OpenAI API运行的大语言模型对话体验。系统可以用自然语言理解客户意图，依据知识库回答问题，在一次对话中处理多个话题，并在需要人工协助时一并移交相关上下文。
这里的变化不只是让机器人的措辞更自然，而是改变服务的组织方式：旅客不必完全沿着预设菜单提问，客服人员接手时也不必从头重新了解问题。不过，自然语言理解能力并不等于系统已经获得处理所有航空交易的权限。
案例列出的现有用途包括一般咨询、特殊请求、实时航班中断信息，以及部分交易流程；订票变更、行李交易和更复杂的智能体交互，则属于新航仍在扩展的能力，不能据此认为旅客已能在聊天中完成所有改签或行李业务。
人工客服同样是部署对象。新航使用包括通话摘要在内的AI辅助工具，希望减少通话结束后的整理工作。案例报告相关客服人员的平均处理时间下降约10%，但没有公布对应的绝对时长、样本量或完整测量周期。这一指标不能直接解释为全公司客服成本下降10%，也不能说明人工服务已被替代。
航班推荐依赖实时业务数据，而不只是模型回答
另一项面向旅客的应用Flight Recommender，让用户用自然语言描述旅行需求，而不是不断调整目的地、日期和筛选条件。OpenAI称，这项工具的月用户规模在过去一年约增至原来的三倍；文章没有给出起止月份或绝对用户数。
其技术结构并非让模型单独生成旅行建议。案例称，系统通过编排层连接票价和可用座位数据，由模型理解意图、调用相关工具，再以自然语言返回个性化推荐。换言之，模型负责理解和组织信息，推荐是否可用仍需要业务系统提供依据。
新航称，团队还设置了输入与输出验证、恶意或不当查询处理、减少幻觉、个人身份信息处理，以及经过身份验证的按需上下文访问等措施。所谓“幻觉”，是指模型生成看似可信、却缺乏事实依据的内容；在旅行服务中，这类错误可能影响用户对价格、航班或服务条件的判断。案例没有公布这些防护措施的错误拦截率或独立测试结果。
新航计划进一步将Flight Recommender发展为可连续多轮交流的聊天体验，让用户在已有建议上逐步修改旅行想法，而不是每次重新搜索。这是下一阶段方向，不能与目前已披露的用户增长混为一项已完成的产品升级。
员工平台与软件开发：使用率不等于生产率
在公司内部，新航通过Jarvis平台让员工使用OpenAI模型，处理PDF、Word、Excel和PowerPoint等文件，完成文档摘要，并建立自定义工作流程和轻量知识库。案例称，超过60%的新航员工每月使用Jarvis。
这个比例反映的是员工采用情况，而不是每名员工节省时间的幅度。文章没有披露员工统计范围的详细口径、使用频次分布或整体办公成本变化，也没有提供足以独立检验平台安全性的技术资料。
软件开发则覆盖了更多环节。根据案例，新航团队使用生成式AI细化需求、分析与业务相关方的讨论、编写产品规格、识别边界情况、创建测试用例、审查架构，并把复杂工作拆成较小、便于测试的任务。
其中一个商业功能的开发案例，是先借助模型质疑假设、找出模糊需求和边界情况，再形成设计方案、实施计划、测试用例及代码。部署后，AI还用于辅助理解生产系统的表现和提示潜在问题。团队成员的职责因此更多转向指导、审查和验证AI产出，而非把每个环节交给系统独立完成。
OpenAI报告，新航在部分选定的软件开发活动中获得最高20%的生产率提升。这里的“部分活动”和“最高”都限定了结论：它不是整个研发部门的平均提效，也不是所有软件项目交付周期统一缩短20%。文章没有给出完整的评测方法、任务分布或质量调整口径。
这种把模型放进既有工程流程、再由人员验证结果的做法，也呼应了AIFlux此前报道的企业AI从模型能力走向生产部署的工程难题：连接数据、建立评测和明确验收条件，往往与模型本身同样重要。该报道涉及其他客户和项目，并不是对新航成效的独立验证。
合作始于2025年，成效不能全部归于单一供应商
新航与OpenAI在2025年4月25日的联合公告已经提出，双方将改善旅客虚拟助手、帮助员工处理多种格式的信息，并探索把AI用于机组排班等复杂决策。公告当时也明确提到，航班推荐是新航已有的能力之一。
因此，2026年11月的案例应被理解为合作实践的进一步披露，而不是航班推荐、员工助手或航空AI应用的首次出现。2025年公告中的机组排班方向，也不能因其曾被列入计划，就被视为此次案例已经证明完成的部署。
新航的AI建设还涉及其他供应商。在2025年3月12日与Salesforce的联合公告中，新航已宣布将Agentforce、Einstein in Service Cloud和Data Cloud引入客户案例管理系统，包括利用生成式AI总结客户此前的互动记录、辅助客服提供服务。
两份公告描述的是不同产品与集成安排，不能据此推断它们之间的模型调用关系，也不能把新航整体数字化成果全部归于OpenAI。此次客户案例没有提供足以分离模型、数据接入、流程改造及其他技术投入各自贡献的对照研究。
Kris满意度达到原来两倍，是本次披露中最醒目的指标，但文章未公开改造前后的绝对评分、问卷方法、样本规模和统计周期。它能够支持“双方报告满意度改善”的判断，却不足以独立证明改造后的服务达到怎样的绝对水平，或其他航空公司能否取得相同结果。
这份案例展示的，是航空公司把AI逐步嵌入客服与内部工作的具体路径：先连接可靠信息和业务工具，再扩大可处理的任务范围，同时保留人工审核与接手。其下一阶段的关键，不只是机器人能否继续对话，而是更多涉及真实订单和旅客权益的操作，能否在明确权限、准确数据和可验证结果的条件下完成。