L’arribada de nous models d’IA ha accelerat l’automatització i l’optimització de processos, càlculs, tarifes i anàlisi de big data a les empreses hoteleres, i aquells que han sabut incorporar-los en el dia a dia de la seva jornada laboral, de forma natural, coincideixen en una conclusió important: la supervisió sota criteri humà és clau. Cap persona amb responsabilitat real sobre un compte de resultats, i menys encara si treballa diàriament amb aquestes eines i coneix de primera mà on se senten insegures, entrega a una IA àrees tan sensibles com el Revenue Management o les campanyes SEM de màrqueting sense mantenir el seu criteri dins del circuit de decisió.
Confondre la potència de càlcul que ofereix la IA amb el criteri i el lideratge que exigeix gestionar el dia a dia és un error de categoria, no de matís, i es paga en pressupost i en ADR. La capacitat de càlcul d’una màquina no pot gestionar la complexitat comercial i operativa online i offline d’un negoci hoteler. Com més es treballa amb aquest tipus d’eines, menys s’entenen com a substituts i més es valoren com a amplificadors de la capacitat humana. La postura correcta és la que sostenen els equips híbrids que millor treballen amb ella: la IA és un assistent que amplia la capacitat analítica i allibera hores de treball mecànic, mentre que el criteri professional continua sent l’única capa legítima de decisió, atorgant als directius de cada àrea més capacitat de control, més velocitat d’anàlisi i una millor execució. La resta són discursos de venda que tard o d’hora xoquen amb la realitat del dia a dia.

Executar no és decidir

Estarem tots d’acord que cap persona pot avaluar milers de senyals en mil·lisegons, ni recalcular cada nit la corba de preus de tres-centes seixanta-cinc dates creuant ocupació, pickup, compset i estacionalitat. En aquest terreny no hi ha discussió lògica possible i defensar el contrari seria absurd. El problema apareix quan el discurs comercial estén aquesta competència tècnica a la capa de decisió, on es defineix què constitueix una conversió de valor, quin segment volem fer créixer i quin reduir, quins mercats emissors compensen a quin cost d’adquisició, quanta canibalització acceptem entre canal directe i distribució intermediada, i quin preu protegeix el posicionament tot i que penalitzi l’ocupació d’aquesta setmana.
Cap d’aquestes preguntes té resposta dins de Google Ads ni dins d’un RMS, per posar-ne dos exemples. El sistema no sap que el teu ADR objectiu en temporada baixa respon a una estratègia de reposicionament i no a una necessitat d’omplir habitacions, no sap que el segment corporatiu que converteix pitjor és el que sosté els teus dilluns de febrer, no sap que la reserva de set nits amb esmorzar val més que dues estades de tres nits amb un import agregat idèntic perquè el cost operatiu per arribada no és al seu model. Quan algú afirma que la IA gestiona les campanyes de publicitat de màrqueting online o el Revenue Management per si sola, comet un error d’ingenuïtat i desconeixement del sector que acaba pagant-se en l’operativa, i també a la cartera…

El que el motor de pricing no pot saber

El forecast de qualsevol RMS es construeix sobre la seva història. Per exemple, un establiment amb dos exercicis de dades distorsionades per una reforma, un canvi de gestió, una reposició de producte o una alteració estructural del seu mercat emissor produeix previsions que arrosseguen aquesta distorsió amb una convicció matemàtica impecable. El motor no sap que la història que està llegint no descriu l’hotel que gestiona avui. Només ho sap el Revenue Manager que hi va ser, i aquesta asimetria de context és exactament el valor que aporta un professional davant d’una llicència de programari.
El problema es repeteix en la demanda no capturada, ja que el sistema observa la demanda materialitzada, no la que es va perdre per preu, per restricció o per tancament de disponibilitat, i per tant tendeix a reforçar les seves pròpies decisions anteriors. Si l’any passat vas tancar una data massa aviat, l’històric registra ocupació completa a un preu determinat i l’algoritme conclou que aquell preu era l’adequat. Ningú dins del model pot saber quant vas deixar sobre la taula. Aquesta anàlisi requereix llegir el denied, el regret i el patró de peticions no confirmades amb criteri interpretatiu, i requereix algú que recordi què va passar realment aquella setmana. El mateix ocorre amb el compset: un rate shopping mal definit optimitza contra la referència equivocada amb absoluta eficiència, i el motor no pot detectar que l’hotel del davant ha canviat de segment després d’una reforma, que ha entrat en una cadena o que està venent per sota del cost per generar reputació en la seva obertura.

La caixa negra: com menys veus, més important és el criteri

L’argument de la supervisió humana de la IA té un requisit previ que moltes plataformes estan erosionant silenciosament: per aplicar criteri cal informació. Un Revenue Manager pot qüestionar una recomanació de preus perquè entén quines dades la sustenten, quines hipòtesis hi ha darrere i quines són les seves possibles limitacions. Sense visibilitat, el criteri deixa de ser difícil; simplement deixa de ser possible. En la gestió de la publicitat digital ocorre alguna cosa semblant. Sistemes com Performance Max, AI Max o les pujades automàtiques concentren cada vegada més capacitat de decisió dins d’algoritmes el funcionament real dels quals resulta opac per a l’usuari. El problema no és únicament una qüestió de transparència o reporting. El problema és que, quan desapareix la capacitat d’observar, interpretar i qüestionar, també desapareix gran part de la capacitat de dirigir.
Tanmateix, seria un error concloure que aquesta opacitat converteix la intel·ligència artificial en una autoritat inqüestionable. De fet, ocorre exactament el contrari. Com més complex i menys visible és el sistema, major és la necessitat de professionals capaços d’interpretar resultats, detectar anomalies, entendre el context del negoci i decidir quan seguir una recomanació i quan ignorar-la. La IA pot optimitzar milers de variables simultàniament, però no comprèn els objectius estratègics de l’organització, les limitacions operatives de l’hotel, els canvis en el mercat local o les decisions comercials que encara no apareixen en cap dada. És aquí on apareix un dels errors més comuns en l’adopció de la IA: assumir que una major capacitat de càlcul implica una major capacitat de decisió. Són coses diferents. La primera pertany a la màquina; la segona continua pertanyent a les persones. Pensar que un algoritme pot gestionar el SEM per si sol demostra una visió ingènua.

El valor del match entre els equips de màrqueting i de Revenue Management, més enllà de la IA

Dins d’un mateix projecte hoteler conviuen dos sistemes amb funcions objectiu diferents. El de màrqueting optimitza volum de conversió i valor brut de reserva. El de Revenue Management optimitza preu per data buscant maximitzar l’ingrés per habitació disponible. Ningú els ha alineat perquè no hi ha cap capa tècnica que els alineï, i el resultat és un hotel que paga per adquirir demanda en dates on ja estava en compressió, desplaçant reserves de major valor que haurien entrat sense cost publicitari, mentre deixa sense suport les dates vall on cada euro invertit en captació tindria retorn incremental real.
El ROAS d’aquesta campanya pot ser espectacular i ser exactament el problema alhora. La plataforma reporta un retorn alt perquè atribueix reserves que s’haurien produït igualment, i l’hotel celebra una eficiència que en termes de contribució neta no existeix. Detectar això exigeix creuar l’informe de campanyes amb el pickup per data d’estada i amb el forecast, no amb la data de clic, i exigeix que algú amb criteri de revenue llegeixi les dades de màrqueting i algú amb criteri de màrqueting llegeixi les dades de revenue. Aquesta conversa és 100% humana, i no hi ha integració que la substitueixi, perquè el problema no és de connectivitat de dades sinó del match entre el teu equip de màrqueting i revenue.

El model que sí funciona: la màquina proposa, el criteri decideix

Res de l’anterior porta a rebutjar la tecnologia, que seria una posició tan poc defensable com la contrària. Porta a col·locar-la on rendeix. La IA és extraordinària calculant escenaris, detectant anomalies de demanda abans que l’ull humà, netejant i creuant volums de dades que cap analista podria processar, generant variants creatives per testar i alliberant l’equip de la part mecànica de l’ofici. Aquest és el seu paper: assistent d’alt rendiment que amplia la capacitat de qui decideix. El professional aporta el que cap model té, que és context, memòria del negoci, lectura del mercat, criteri comercial i responsabilitat sobre el resultat.
A la pràctica això es tradueix en un mètode concret. El motor proposa tarifa i el Revenue Manager valida contra el que sap del compset real, del calendari d’esdeveniments que encara no ha entrat en la demanda observada, del posicionament que vol sostenir i del mix que vol construir. La plataforma proposa pujada i l’equip de màrqueting valida contra el forecast, protegeix el tràfic de marca, decideix quines dates mereixen inversió incremental i quines dates no la necessiten. L’automatització executa milers d’operacions per segon dins de límits que un humà ha definit, amb llindars d’alerta que un humà ha calibrat i amb revisió periòdica que el sistema continua optimitzant el que se li va demanar. Res d’això és desconfiança tecnològica, és govern de la dada.
Les tasques que no admeten delegació són precisament les que determinen la rendibilitat: definir què és una conversió de valor, auditar la integritat del circuit entre PMS, motor de reserves i plataformes, importar valors nets, fixar llindars abans d’activar qualsevol automatisme, supervisar la composició real del tràfic i del mix, sostenir el preu quan l’algoritme demana baixar-lo i contrastar sempre el retorn reportat contra l’ingrés materialitzat. No són tasques d’execució, són decisions, i les decisions exigeixen context, ofici i algú que en respongui. Ningú que hagi gestionat un pressupost amb obligació de justificar la seva rendibilitat sostindria el contrari. Sense aquest criteri la IA no treballa per al teu hotel: treballa per a la plataforma que te la ven, i ho fa amb una eficiència notable.