Uma empresa de hotelaria funciona com uma combinação de trabalho previsível e trabalho que só surge no próprio momento. Fazer escalas, acompanhar as compras, contar existências, processar reservas, verificar faturas: isso é trabalho que se repete e cujo resultado está em grande parte fixado em regras e padrões históricos. Além disso, há o trabalho que ocorre no momento em que um hóspede entra, uma cozinha está sob pressão ou um grupo sem reserva aparece à porta. Essa segunda parte determina muitas vezes a experiência pela qual um hóspede avalia um estabelecimento, e a primeira parte determina se, ao final do mês, ainda resta margem.
As circunstâncias que determinam o resultado são conhecidas: uma ocupação que varia por período do dia e por estação, pessoal que precisa ser escalado a curto prazo, fornecedores com disponibilidade variável, e um hóspede que pode fazer uma reserva, um pedido ou uma reclamação em qualquer momento do dia. Quem vence nisto, até agora, fê-lo principalmente por ter pessoas com visão de conjunto e capacidade de reagir rapidamente.
O planeamento de escalas, o processamento de reservas e o atendimento inicial de perguntas são tarefas que se prestam à assunção por IA: são repetitivas, existem muitos dados históricos e as regras de decisão são explicitáveis. Onde isso acontece, muda o que um hóspede ou fornecedor considera distintivo. A rapidez de resposta a uma reserva era antes uma questão de quem estava ao telefone naquele momento; se um sistema responde imediatamente a essa pergunta, a rapidez deixa de ser um fator distintivo, porque todos os que têm o sistema são igualmente rápidos.
O que permanece distintivo é então o trabalho em que a IA não assume a tarefa, mas apoia com um ser humano que aprova ou rejeita: um planeamento de pessoal proposto por um sistema mas ajustado por um responsável com base em quem consegue lidar com um grupo difícil, ou uma alteração de menu proposta com base em dados de vendas mas avaliada por um cozinheiro quanto ao sabor e à estação. E o que continua a ser inteiramente trabalho humano é a interação à mesa, a forma como uma reclamação é resolvida, o ambiente que o pessoal cria no espaço. Isso não é automatizável porque o seu valor surge no próprio momento, não num padrão que se pode deduzir de dados.
A velocidade com que isto muda difere muito de empresa para empresa. Uma cadeia com muitos estabelecimentos e muitos dados de transações tem uma base para deixar um sistema propor escalas e compras; um estabelecimento independente com um núcleo fixo de clientes habituais muitas vezes não tem essa base e também tira menos proveito dela, porque o valor já está na relação pessoal. A diferença não está, portanto, na ambição, mas no que existe de trabalho repetível e dados disponíveis para construir a partir daí.
Se o prazo de entrega, a rapidez de resposta ou a disponibilidade forem cada vez mais determinados por sistemas, isso deixa de ser uma afirmação distintiva a partir do momento em que os concorrentes usam os mesmos sistemas. Um estabelecimento que ainda afirma vencer pela rapidez da confirmação de reservas, quando essa rapidez já é igual em todo o lado, não está de facto a vencer nessa dimensão, mas continua a pensar que sim. É precisamente aí que a comparação com o grupo de referência (peer group) tem valor: não para confirmar o que uma empresa já pensa, mas para mostrar qual dimensão ainda distingue e qual já não distingue.
Essa mesma dinâmica manifesta-se de forma própria noutros setores, como se pode ver em a mudança no setor agrícola onde a IA assume trabalho e em as consequências para o setor do lazer quando o trabalho de reservas e planeamento é assumido. No setor das TIC, onde este tipo de automação já existe há mais tempo, é possível ver bem quais dimensões perderam primeiro a sua capacidade distintiva, disponível em a análise das dimensões vencedoras no setor das TIC agora que a IA assume trabalho.
A questão subjacente, que trabalho numa empresa de hotelaria específica pode efetivamente ser assumido pela IA e que trabalho permanece trabalho humano, não pode ser respondida em termos gerais. Isso varia de empresa para empresa, dependendo dos dados existentes, dos sistemas já em funcionamento e da natureza do próprio trabalho. O scan de trabalho da FTE TO AI responde a essa questão por tarefa, sem pressupostos sobre o resultado.
Uma complicação adicional na hotelaria é que os concorrentes raramente publicam dados sobre ocupação, margens ou tempos de processamento. Quem quer saber em que é que um concorrente realmente tem melhor desempenho, tem de se contentar com o que é visível: avaliações, tempos de espera, rotatividade de pessoal, mudanças de menu. Como ler esses sinais indiretos está descrito em a abordagem para avaliar concorrentes que não publicam dados. Outro problema é que os textos de marketing no setor se parecem frequentemente entre si: todos prometem qualidade, hospitalidade e experiência, o que torna a distinção nas palavras inutilizável como base, tal como está desenvolvido em a análise de porque todos os concorrentes soam iguais nas suas promessas.
O que um responsável de pessoal faz com esta mudança em termos de ocupação e quadro de pessoal está sujeito aos próprios requisitos legais aplicáveis; esse não é um tema sobre o qual aqui se emite qualquer pronunciamento.
O primeiro passo não é um investimento, mas uma verificação: quais afirmações sobre rapidez, oferta ou serviço são atualmente usadas para vencer, e se essas ainda são distintivas ou já são iguais em todo o lado. A verificação gratuita de dimensões torna isso concreto: identifica onde pensa que está a vencer e vê qual dessas afirmações pode ser defendida com prova. O benchmark completo, com o grupo de referência em todas as dimensões relevantes e uma matriz de prova por pontuação, está em construção.