Przedsiębiorstwo gastronomiczne funkcjonuje na połączeniu pracy przewidywalnej i pracy, która powstaje tylko w danym momencie. Układanie grafików, śledzenie zakupów, liczenie zapasów, przetwarzanie rezerwacji, kontrola faktur: to praca, która się powtarza i której wynik w dużej mierze zależy od reguł i historycznych wzorców. Obok tego jest praca, która dzieje się w momencie, gdy gość wchodzi do lokalu, kuchnia jest pod presją albo pod drzwiami stoi grupa bez rezerwacji. Ta druga część często decyduje o doświadczeniu, na podstawie którego gość ocenia lokal, a ta pierwsza część decyduje o tym, czy na koniec miesiąca zostanie jeszcze jakaś marża.
Okoliczności, które kierują wynikiem, są znane: obłożenie zmieniające się w zależności od pory dnia i sezonu, personel, który trzeba zaplanować na krótki termin, dostawcy o zmiennej dostępności oraz gość, który o każdej porze dnia może złożyć rezerwację, zamówienie lub skargę. Kto do tej pory w tym wygrywał, robił to przede wszystkim dzięki ludziom, którzy mieli przegląd sytuacji i potrafili szybko reagować.
Planowanie grafików, przetwarzanie rezerwacji i pierwsza obsługa zapytań to zadania, które nadają się do przejęcia przez AI: są powtarzalne, istnieje wiele danych historycznych, a reguły decyzyjne można wyraźnie sformułować. Tam, gdzie to się dzieje, przesuwa się to, co gość lub dostawca odbiera jako wyróżniające. Szybkość reakcji na rezerwację była kwestią tego, kto w danym momencie odbierał telefon; jeśli system odpowiada na to pytanie natychmiast, szybkość przestaje być czynnikiem wyróżniającym, ponieważ każdy, kto ma ten system, jest równie szybki.
Tym, co pozostaje wyróżniające, jest wówczas praca, w której AI nie przejmuje zadania, lecz wspiera człowieka, który zatwierdza lub odrzuca: planowanie personelu proponowane przez system, ale korygowane przez kierownika na podstawie tego, kto poradzi sobie z trudną grupą, albo zmiana w menu proponowana na podstawie danych sprzedażowych, ale oceniana przez kucharza pod kątem smaku i sezonu. A to, co pozostaje całkowicie pracą ludzką, to interakcja przy stole, sposób rozwiązywania skargi, atmosfera tworzona przez personel na sali. Nie da się tego zautomatyzować, ponieważ wartość powstaje w samym momencie, a nie we wzorcu, który można wywieść z danych.
Tempo tej zmiany różni się znacznie w zależności od przedsiębiorstwa. Sieć z wieloma lokalami i dużą ilością danych transakcyjnych ma podstawę, by pozwolić systemowi proponować grafiki i zakupy; niezależny lokal ze stałym gronem stałych gości często takiej podstawy nie ma, a i mniej mu ona daje, ponieważ wartość leży tam już w relacji osobistej. Różnica tkwi więc nie w ambicji, lecz w tym, jaka powtarzalna praca i jakie dane są dostępne, by na nich budować.
Jeśli czas dostawy, szybkość reakcji lub dostępność są coraz bardziej określane przez systemy, przestaje to być twierdzenie wyróżniające, gdy tylko konkurenci używają tych samych systemów. Lokal, który wciąż twierdzi, że wygrywa dzięki szybkości potwierdzania rezerwacji, podczas gdy ta szybkość jest już wszędzie taka sama, w rzeczywistości nie wygrywa na tym wymiarze, choć tak jeszcze myśli. Właśnie tam porównanie z grupą porównawczą ma wartość: nie po to, by potwierdzić to, co firma już myśli, lecz by pokazać, który wymiar nadal wyróżnia, a który już nie.
Ta sama dynamika przebiega w inny, właściwy sobie sposób w innych sektorach, co widać w przesunięciu w sektorze rolniczym, gdzie AI przejmuje pracę oraz w konsekwencjach dla branży rekreacyjnej, gdy praca związana z rezerwacjami i planowaniem zostaje przejęta. W sektorze ICT, gdzie tego rodzaju automatyzacja istnieje już od dłuższego czasu, dobrze widać, które wymiary jako pierwsze straciły tam swoją siłę wyróżniającą, co znajduje się w analizie zwycięskich wymiarów w sektorze ICT teraz, gdy AI przejmuje pracę.
Na pytanie leżące u podstaw, jaka praca w konkretnym przedsiębiorstwie gastronomicznym rzeczywiście może zostać przejęta przez AI, a jaka pozostaje pracą ludzką, nie da się odpowiedzieć w sposób ogólny. To różni się w zależności od przedsiębiorstwa, w zależności od dostępnych danych, systemów, które już działają, i charakteru samej pracy. Skan pracy FTE TO AI odpowiada na to pytanie dla każdego zadania z osobna, bez założeń co do wyniku.
Dodatkową komplikacją w gastronomii jest to, że konkurenci rzadko publikują dane liczbowe dotyczące obłożenia, marż czy czasu realizacji. Kto chce wiedzieć, w czym konkurent rzeczywiście wypada lepiej, musi opierać się na tym, co jest widoczne: recenzje, czasy oczekiwania, rotacja personelu, zmiany w menu. Jak odczytywać te pośrednie sygnały, opisano w podejściu do oceny konkurentów, którzy nie publikują danych liczbowych. Innym problemem jest to, że teksty marketingowe w tej branży często brzmią podobnie: każdy obiecuje jakość, gościnność i doświadczenie, co sprawia, że wyróżnienie się w słowach jest bezużyteczne jako punkt oparcia, co zostało opracowane w analizie tego, dlaczego wszyscy konkurenci mówią to samo.
To, co osoba odpowiedzialna za personel robi z tym przesunięciem w zakresie obłożenia i formacji kadrowej, podlega własnym wymogom prawnym, które w tym zakresie obowiązują; nie jest to temat, w którym tutaj formułuje się jakiekolwiek stanowisko.
Pierwszym krokiem nie jest inwestycja, lecz kontrola: które twierdzenia dotyczące szybkości, oferty lub obsługi są obecnie wykorzystywane do wygrywania i czy nadal są wyróżniające, czy też są już wszędzie takie same. Bezpłatna kontrola wymiarów czyni to konkretnym: określają Państwo, na czym według Państwa polega wygrywanie, i widzą, które z tych twierdzeń da się obronić dowodami. Pełny benchmark, z grupą porównawczą na wszystkich istotnych wymiarach oraz macierzą dowodów dla każdego wyniku, jest w przygotowaniu.