Ett restaurangföretag drivs på en kombination av förutsägbart arbete och arbete som bara uppstår i själva ögonblicket. Att göra scheman, hålla koll på inköp, räkna lager, hantera bokningar, kontrollera fakturor: det är arbete som upprepar sig och vars resultat till stor del ligger fast i regler och historiska mönster. Därutöver finns det arbete som sker i det ögonblick en gäst kommer in, ett kök står under press eller en grupp utan bokning står vid dörren. Den andra delen avgör ofta upplevelsen som gästen bedömer verksamheten på, och den första delen avgör om det finns marginal kvar i slutet av månaden.
De omständigheter som styr resultatet är kända: beläggning som varierar per dagdel och säsong, personal som måste schemaläggas på kort varsel, leverantörer med varierande tillgänglighet, och en gäst som kan lämna en bokning, beställning eller klagomål vid vilken tid på dygnet som helst. De som vinner i detta har hittills gjort det främst genom människor som hade överblick och kunde ställa om snabbt.
Schemaplanering, hantering av bokningar och den första hanteringen av frågor är uppgifter som lämpar sig för att övertas av AI: de är repetitiva, det finns mycket historisk data och beslutsreglerna kan göras explicita. Där det sker förskjuts vad en gäst eller leverantör upplever som särskiljande. Reaktionshastighet på en bokning var tidigare en fråga om vem som satt vid telefonen just då; om ett system besvarar frågan direkt är hastighet inte längre en särskiljande faktor, för alla som har systemet är lika snabba.
Vad som blir kvar som särskiljande är då arbetet där AI inte tar över uppgiften utan stödjer en människa som godkänner eller avslår: en personalplanering som föreslås av ett system men justeras av en chef utifrån vem som klarar en svår grupp, eller en menyändring som föreslås utifrån försäljningsdata men bedöms av en kock utifrån smak och säsong. Och vad som helt förblir mänskligt arbete är interaktionen vid bordet, sättet ett klagomål löses på, atmosfären som personalen på golvet skapar. Det går inte att automatisera eftersom värdet uppstår i själva ögonblicket, inte i ett mönster som kan härledas ur data.
Hastigheten med vilken detta förändras skiljer sig starkt mellan företag. En kedja med många enheter och mycket transaktionsdata har en grund för att låta ett system föreslå scheman och inköp; en fristående verksamhet med en fast kärna av stamgäster har ofta inte den grunden och har heller inte lika mycket att vinna på det, eftersom värdet där redan ligger i den personliga relationen. Skillnaden ligger alltså inte i ambition, utan i vad som finns tillgängligt i form av upprepningsbart arbete och data att bygga vidare på.
Om leveranstid, reaktionshastighet eller tillgänglighet allt mer bestäms av system är det inte längre en särskiljande fördel så snart konkurrenter använder samma system. En verksamhet som fortfarande hävdar att den vinner på snabbheten i bokningsbekräftelser, medan den hastigheten numera är lika för alla, vinner i praktiken inte på den dimensionen men tror fortfarande det. Det är precis där jämförelsen med referensgruppen har sitt värde: inte för att bekräfta vad ett företag redan tror, utan för att visa vilken dimension som fortfarande särskiljer och vilken som inte längre gör det.
Samma dynamik gör sig gällande i andra sektorer på sitt eget sätt, vilket framgår av förskjutningen inom jordbrukssektorn där AI tar över arbete och av konsekvenserna för fritidsbranschen när boknings- och planeringsarbete tas över. Inom IT-sektorn, där mycket av den här typen av automatisering funnits längre, går det tydligt att se vilka dimensioner som där först förlorade sin särskiljande kraft, vilket finns i analysen av vinnande dimensioner inom IT-sektorn nu när AI tar över arbete.
Den underliggande frågan, vilket arbete i ett specifikt restaurangföretag som verkligen kan tas över av AI och vilket arbete som förblir mänskligt, kan inte besvaras i allmänna termer. Det skiljer sig från företag till företag, beroende på vilken data som finns, vilka system som redan används och arbetets art i sig. Arbetsanalysen från FTE TO AI besvarar den frågan per uppgift, utan antaganden om resultatet.
En ytterligare komplikation inom restaurangbranschen är att konkurrenter sällan publicerar siffror om beläggning, marginaler eller ledtider. Den som vill veta på vilken punkt en konkurrent faktiskt är bättre måste nöja sig med det som faktiskt är synligt: recensioner, väntetider, personalomsättning, menybyten. Hur dessa indirekta signaler kan tolkas beskrivs i tillvägagångssättet för att bedöma konkurrenter som inte publicerar siffror. Ett annat problem är att marknadstexter inom sektorn ofta liknar varandra: alla lovar kvalitet, gästvänlighet och upplevelse, vilket gör särskiljningen i ord obrukbar att navigera efter, vilket förklaras i analysen av varför alla konkurrenter låter likadana i sina löften.
Vad en personalansvarig gör med denna förskjutning i termer av bemanning och organisation faller under de egna lagkrav som gäller för det; det är inget ämne som här ges ett uttalande om.
Det första steget är inte en investering, utan en kontroll: vilka påståenden om hastighet, utbud eller service används just nu för att vinna, och är de fortfarande särskiljande eller numera lika för alla. Den kostnadsfria dimensionskontrollen gör det konkret: ni anger på vad ni tror att ni vinner och ser vilka av dessa påståenden som går att försvara med bevis. Den fullständiga benchmarken, med referensgruppen på alla relevanta dimensioner och en bevismatris per poäng, är under uppbyggnad.