Een horecabedrijf draait op een combinatie van voorspelbaar werk en werk dat alleen op het moment zelf ontstaat. Roosters maken, inkoop bijhouden, voorraad tellen, reserveringen verwerken, facturen controleren: dat is werk dat zich herhaalt en waarvan de uitkomst grotendeels vastligt in regels en historische patronen. Daarnaast is er het werk dat gebeurt op het moment dat een gast binnenkomt, een keuken onder druk staat of een groep zonder reservering voor de deur staat. Dat tweede deel bepaalt vaak de ervaring waarop een gast een zaak beoordeelt, en dat eerste deel bepaalt of er aan het einde van de maand nog marge over is.
De omstandigheden die de uitkomst sturen, zijn bekend: bezetting die per dagdeel en per seizoen wisselt, personeel dat op korte termijn moet worden ingepland, leveranciers met wisselende beschikbaarheid, en een gast die een reservering, bestelling of klacht op elk moment van de dag kan indienen. Wie hierin wint, deed dat tot nu toe vooral door mensen die overzicht hadden en snel konden schakelen.
De planning van roosters, de verwerking van reserveringen en de eerste afhandeling van vragen zijn taken die zich lenen voor overname door AI: ze zijn repetitief, er is veel historische data, en de beslisregels zijn te expliciteren. Waar dat gebeurt, verschuift wat een gast of leverancier als onderscheidend ervaart. Reactiesnelheid op een boeking was een kwestie van wie er op dat moment aan de telefoon zat; als een systeem die vraag direct beantwoordt, is snelheid geen onderscheidende factor meer, want iedereen die het systeem heeft, is even snel.
Wat overblijft als onderscheidend is dan het werk waarbij AI de taak niet overneemt, maar ondersteunt met een mens die goedkeurt of afkeurt: een personeelsplanning die door een systeem wordt voorgesteld maar door een leidinggevende wordt bijgesteld op basis van wie een lastige groep aankan, of een menu-aanpassing die op basis van verkoopdata wordt voorgesteld maar door een kok wordt beoordeeld op smaak en seizoen. En wat volledig mensenwerk blijft, is de interactie aan tafel, de manier waarop een klacht wordt opgelost, de sfeer die personeel op de vloer creëert. Dat is niet te automatiseren omdat de waarde ervan in het moment zelf ontstaat, niet in een patroon dat te herleiden is uit data.
De snelheid waarmee dit verandert, verschilt sterk per bedrijf. Een keten met veel vestigingen en veel transactiedata heeft een basis om roosters en inkoop te laten voorstellen door een systeem; een zelfstandige zaak met een vaste kern van vaste gasten heeft die basis vaak niet en heeft er ook minder aan, omdat de waarde daar al in de persoonlijke relatie zit. Het verschil zit dus niet in ambitie, maar in wat er aan herhaalbaar werk en data beschikbaar is om op te bouwen.
Als levertijd, reactiesnelheid of beschikbaarheid steeds meer door systemen wordt bepaald, is dat geen onderscheidende claim meer zodra concurrenten dezelfde systemen gebruiken. Een zaak die nog altijd claimt te winnen op snelheid van reserveringsbevestiging, terwijl die snelheid inmiddels overal gelijk is, wint feitelijk niet op die dimensie maar denkt dat nog wel. Dat is precies waar de vergelijking met de peer group van waarde is: niet om te bevestigen wat een bedrijf al denkt, maar om te laten zien welke dimensie nog wel onderscheidt en welke niet meer.
Diezelfde dynamiek speelt in andere sectoren op een eigen manier, zoals te zien is in de verschuiving in de agrarische sector waar AI werk overneemt en in de gevolgen voor de recreatiebranche als reserverings- en planningswerk wordt overgenomen. In de ICT-sector, waar veel van dit soort automatisering al langer bestaat, is goed te zien welke dimensies daar als eerste hun onderscheidend vermogen verloren, te vinden bij de analyse van winnende dimensies in de ICT-sector nu AI werk overneemt.
De onderliggende vraag, welk werk in een specifiek horecabedrijf werkelijk door AI is over te nemen en welk werk mensenwerk blijft, is niet in algemene termen te beantwoorden. Dat is per bedrijf verschillend, afhankelijk van de data die er is, de systemen die er al draaien en de aard van het werk zelf. De werkscan van FTE TO AI beantwoordt die vraag per taak, zonder aannames over uitkomst.
Een bijkomende complicatie in de horeca is dat concurrenten zelden cijfers publiceren over bezetting, marges of doorlooptijden. Wie wil weten waarop een concurrent daadwerkelijk beter scoort, moet het doen met wat wel zichtbaar is: reviews, wachttijden, personeelsverloop, menuwisselingen. Hoe die indirecte signalen te lezen zijn, staat bij de aanpak voor het inschatten van concurrenten die geen cijfers publiceren. Een ander probleem is dat marketingteksten in de sector vaak op elkaar lijken: iedereen belooft kwaliteit, gastvrijheid en beleving, wat het onderscheid in woorden onbruikbaar maakt om op te varen, zoals uitgewerkt in de analyse van waarom concurrenten allemaal dezelfde beloftes doen.
Wat een personeelsverantwoordelijke met deze verschuiving doet in termen van bezetting en formatie, valt onder de eigen wettelijke vereisten die daarvoor gelden; dat is geen onderwerp waarover hier een uitspraak wordt gedaan.
De eerste stap is niet een investering, maar een controle: welke claims over snelheid, aanbod of service worden nu gebruikt om te winnen, en zijn die nog onderscheidend of inmiddels overal gelijk. De gratis dimensiecheck maakt dat concreet: u benoemt waarop u denkt te winnen en ziet welke van die claims met bewijs te verdedigen is. De volledige benchmark, met de peer group op alle relevante dimensies en een bewijsmatrix per score, is in aanbouw.