En horecavirksomhed kører på en kombination af forudsigeligt arbejde og arbejde der kun opstår i selve øjeblikket. Vagtplaner lave, indkøb holde styr på, lager tælle, reservationer behandle, fakturaer kontrollere: det er arbejde der gentager sig, og hvis udfald i vid udstrækning ligger fast i regler og historiske mønstre. Derudover er der det arbejde der sker i det øjeblik en gæst træder ind, et køkken er under pres, eller en gruppe uden reservation står foran døren. Den anden del bestemmer ofte den oplevelse en gæst bedømmer en virksomhed på, og den første del bestemmer om der ved månedens udgang stadig er en margin tilbage.
De omstændigheder der styrer udfaldet, er velkendte: belægning der varierer pr. dagdel og sæson, personale der skal indplaceres på kort varsel, leverandører med skiftende tilgængelighed, og en gæst der kan indgive en reservation, bestilling eller klage på et hvilket som helst tidspunkt af dagen. Den der vinder her, gjorde det indtil nu primært ved at have mennesker med overblik der hurtigt kunne omstille sig.
Planlægningen af vagtplaner, behandlingen af reservationer og den første håndtering af forespørgsler er opgaver der egner sig til at blive overtaget af AI: de er repetitive, der findes meget historisk data, og beslutningsreglerne kan gøres eksplicitte. Hvor det sker, forskydes det en gæst eller leverandør oplever som differentierende. Reaktionshastighed på en booking var et spørgsmål om hvem der sad ved telefonen i det øjeblik; hvis et system besvarer den forespørgsel med det samme, er hastighed ikke længere en differentierende faktor, for alle der har systemet, er lige hurtige.
Det der så resterer som differentierende, er det arbejde hvor AI ikke overtager opgaven, men understøtter med et menneske der godkender eller afviser: en personaleplan der foreslås af et system men justeres af en leder ud fra hvem der kan håndtere en vanskelig gruppe, eller en menuændring der foreslås ud fra salgsdata men vurderes af en kok på smag og sæson. Og det der forbliver rent menneskeligt arbejde, er interaktionen ved bordet, den måde en klage bliver løst på, den stemning personalet skaber i lokalet. Det kan ikke automatiseres, fordi dets værdi opstår i selve øjeblikket, ikke i et mønster der kan udledes af data.
Hastigheden hvormed dette ændrer sig, varierer stærkt fra virksomhed til virksomhed. En kæde med mange afdelinger og meget transaktionsdata har et grundlag for at lade vagtplaner og indkøb foreslå af et system; en selvstændig virksomhed med en fast kerne af faste gæster har ofte ikke det grundlag og har også mindre gavn af det, fordi værdien dér allerede ligger i den personlige relation. Forskellen ligger altså ikke i ambition, men i hvad der findes af gentageligt arbejde og data at bygge på.
Hvis leveringstid, reaktionshastighed eller tilgængelighed i stigende grad bestemmes af systemer, er det ikke længere et differentierende krav, så snart konkurrenter bruger de samme systemer. En virksomhed der stadig hævder at vinde på hastigheden af reservationsbekræftelse, mens den hastighed i mellemtiden er ens overalt, vinder reelt ikke på den dimension, men tror det stadig. Det er netop her sammenligningen med peer group har værdi: ikke for at bekræfte hvad en virksomhed allerede tror, men for at vise hvilken dimension der stadig differentierer, og hvilken der ikke længere gør.
Den samme dynamik udspiller sig i andre sektorer på sin egen måde, som det ses i forskydningen i landbrugssektoren hvor AI overtager arbejde og i konsekvenserne for rekreationsbranchen når reservations- og planlægningsarbejde overtages. I IT-sektoren, hvor mange af den slags automatisering allerede eksisterer i længere tid, kan man tydeligt se hvilke dimensioner der først mistede deres differentieringsevne dér, findes i analysen af vindende dimensioner i IT-sektoren nu AI overtager arbejde.
Det underliggende spørgsmål, hvilket arbejde i en specifik horecavirksomhed reelt kan overtages af AI, og hvilket arbejde forbliver menneskeligt arbejde, kan ikke besvares generelt. Det er forskelligt fra virksomhed til virksomhed, afhængigt af den data der findes, de systemer der allerede kører, og selve arbejdets karakter. Arbejdsscanningen fra FTE TO AI besvarer det spørgsmål pr. opgave, uden antagelser om udfaldet.
En tilføjende komplikation i horeca er at konkurrenter sjældent offentliggør tal om belægning, marginer eller gennemløbstider. Den der vil vide hvad en konkurrent reelt er bedre til, må klare sig med det der er synligt: anmeldelser, ventetider, personaleomsætning, menuskift. Hvordan disse indirekte signaler skal læses, fremgår af tilgangen til at vurdere konkurrenter der ikke offentliggør tal. Et andet problem er at markedsføringstekster i sektoren ofte ligner hinanden: alle lover kvalitet, gæstfrihed og oplevelse, hvilket gør ordene ubrugelige som differentiering, som det er udfoldet i analysen af hvorfor konkurrenter alle lover det samme.
Hvad en personaleansvarlig gør med denne forskydning i forhold til bemanding og formation, hører under de gældende lovmæssige krav derfor; det er ikke et emne der her udtales om.
Det første skridt er ikke en investering, men en kontrol: hvilke påstande om hastighed, udbud eller service bruges nu for at vinde, og er de stadig differentierende eller er de i mellemtiden ens overalt. Den gratis dimensionscheck gør det konkret: De angiver hvorpå De tror De vinder, og ser hvilke af disse påstande der kan forsvares med bevis. Den fulde benchmark, med peer group på alle relevante dimensioner og en bevismatrix pr. score, er under opbygning.