Después de incorporar la IA, ¿qué debería ser diferente?
The Wider View · Hospitalidad
Un hotel incorpora una herramienta de inteligencia artificial. Unos meses después, la dirección puede contar cuántas consultas ha gestionado, cuántos informes ha producido y cuántos empleados la han utilizado. Resulta menos evidente qué parte de la jornada de trabajo ha mejorado realmente.
Una respuesta preparada en segundos puede seguir necesitando revisión, correcciones y nuevos intercambios antes de que el huésped reciba una información útil. Ese trabajo también forma parte del cálculo.
Publicado el 15 de septiembre de 2026 por RateGain, NYU SPS y HEDNA, The State of Distribution 2026 analiza las operaciones comerciales entre el 1 de diciembre de 2024 y el 30 de noviembre de 2025. Se refiere a revenue management, marketing, distribución y ventas, no al trabajo actual de todos los departamentos de un hotel.
Según los resultados publicados, más de la mitad de los hoteles representados utiliza o está adquiriendo herramientas de IA generativa, mientras que menos de uno de cada diez declara una reducción del trabajo manual superior al 30 %.
Los dos datos requieren cautela. El primero incluye también a hoteles que todavía están adquiriendo una herramienta; el segundo mide reducciones por encima de un umbral concreto. No demuestran que todos los demás no hayan obtenido beneficios. La pregunta útil es qué puede demostrar un hotel concreto después de poner la tecnología a trabajar.
Medir el trabajo completo
Conviene empezar por una tarea recurrente y establecer cómo se realiza hoy. El tiempo debe medirse desde la preparación hasta obtener un resultado utilizable, incluidas las comprobaciones necesarias. También hay que conocer la calidad esperada y los errores que deben corregirse. Sin ese punto de partida, un primer borrador más rápido puede confundirse con una tarea completa más rápida.
Pensemos en un ejemplo hipotético: un informe de compras que antes requería cuatro horas entre preparación y revisión. Con IA, la primera versión está lista en una hora, pero hacen falta otras dos para corregir códigos de producto, unidades y precios. El ahorro es de una hora, no de tres, siempre que el informe final mantenga el mismo nivel de calidad.
El cálculo también debe incluir el trabajo trasladado a otra persona. Una tarea no se ha vuelto más eficiente simplemente porque un departamento termina antes mientras otro dedica más tiempo a reparar el resultado.
También merece la pena preguntarse si la tarea es necesaria. Eliminar un informe que nadie utiliza puede aportar más que producirlo más deprisa. Eso es una mejora del proceso, no una prueba del beneficio de la IA.
Decidir cómo utilizar el tiempo recuperado
Una vez comprobado un ahorro real de tiempo, aparece una segunda pregunta: ¿qué permite hacer al equipo?
Una hora menos en una tarea semanal no equivale automáticamente a una hora menos de nómina. El empleado puede seguir trabajando el mismo turno. El beneficio puede ser menos horas extra, menos trabajo atrasado, una carga más manejable o mayor atención a una reserva compleja. Son resultados distintos y deben describirse por separado.
Un chef que dedica menos tiempo a reunir datos de compras puede utilizarlo para revisar la calidad del producto o las preparaciones con el equipo. Es útil aunque el coste de personal no cambie. Pero ese tiempo debe quedar disponible para ese propósito, en lugar de llenarse con más informes simplemente porque ahora son más fáciles de producir.
Comparar situaciones equivalentes
Supongamos que una prueba con IA empieza justo cuando baja la ocupación. El equipo de reservas vacía antes su bandeja de entrada, pero también recibe menos consultas. La reducción de la cola, por sí sola, no demuestra qué aportó la herramienta.
Hay que comparar trabajos semejantes teniendo en cuenta volumen, complejidad y personal disponible. También deben registrarse otros cambios realizados durante la prueba. El tiempo inicial de formación y configuración debe permanecer visible, pero separado del esfuerzo recurrente necesario para utilizar el sistema. Una evaluación útil necesita suficientes días normales y de alta actividad para no juzgar la herramienta por una demostración o por un único turno difícil.
Herramientas diferentes requieren pruebas diferentes
En la mensajería con huéspedes, una confirmación instantánea no equivale a una consulta resuelta. Importa cuánto se tarda en proporcionar una respuesta correcta y útil, cuántos intercambios son necesarios y si el personal debe resolver problemas causados por promesas que el sistema no debería haber hecho.
En una previsión de demanda, hay que comparar la predicción con lo que realmente ocurrió, manteniendo el mismo horizonte temporal. Menos modificaciones manuales son una ventaja sólo si la previsión sigue siendo suficientemente precisa para la decisión que debe apoyar.
Tampoco debe considerarse automáticamente un éxito reducir las transferencias a una persona. Una petición compleja puede necesitar criterio humano. El mejor resultado puede ser derivarla a tiempo a la persona adecuada con la información necesaria, en lugar de mantener al huésped dentro de una conversación automatizada.
Dejar que el equipo compruebe el resultado
El análisis publicado por NYU SPS y BCG en marzo de 2026 señala la calidad de los datos y las capacidades de la plantilla como condiciones importantes para utilizar bien la IA. Para un hotel concreto, un punto de partida práctico es implicar a quienes conocen la tarea que se quiere cambiar.
Una persona de compras puede reconocer que el precio de un proveedor corresponde a una caja y no a un kilogramo. Un empleado de reservas puede detectar una excepción que hace inadecuada una respuesta aparentemente sencilla. Saber manejar una herramienta no es lo mismo que saber si su resultado es utilizable.
Durante la prueba conviene registrar las correcciones que realizan estas personas y por qué son necesarias. El tiempo de comprobación forma parte del trabajo y sus observaciones pueden explicar un resultado que las estadísticas de uso, por sí solas, no muestran.
Acordar cuándo revisar el resultado
La fecha de revisión debe fijarse al comenzar la prueba, dejando suficiente tiempo de uso para evaluar el trabajo que se pretende mejorar. También hay que decidir quién revisará los resultados y qué beneficios justificarían continuar.
En ese momento se comparan el tiempo y la calidad del trabajo terminado con los costes recurrentes: licencias de software, soporte y esfuerzo del personal. La inversión inicial también debe tenerse en cuenta. Una mejora pequeña puede merecer la pena, pero el ahorro de tiempo por sí solo no decide la cuestión.
La respuesta no tiene por qué ser todo o nada. Se puede mantener la herramienta donde ayuda, ajustar el proceso o la formación donde el resultado es débil y dejar de utilizarla para tareas en las que un método más sencillo funciona mejor.
Las pruebas más útiles pueden ser poco espectaculares: un informe de compras que ya no necesita rehacerse o una consulta de un huésped resuelta correctamente con menos intercambios. Un hotel debería ser capaz de describir ese cambio, no sólo de contar cuántas veces se abrió el software.
Este artículo se basa en investigaciones sectoriales disponibles públicamente y en las fuentes citadas a continuación. La interpretación y el análisis editorial son del Cristian Marino Journal.
Fuentes
- RateGain, NYU School of Professional Studies Jonathan M. Tisch Center of Hospitality y HEDNA: The State of Distribution 2026: resultados publicados, 15 de septiembre de 2026. Resumen oficial de las operaciones comerciales analizadas entre el 1 de diciembre de 2024 y el 30 de noviembre de 2025.
- NYU School of Professional Studies y Boston Consulting Group: AI-First Hotels: resumen de la publicación, 2 de marzo de 2026. Análisis sobre el papel de los datos y las capacidades de la plantilla en la adopción de IA en los hoteles.
Nota de traducción: Este artículo ha sido traducido de la edición original en inglés con el apoyo de inteligencia artificial. En caso de discrepancias, la edición inglesa sigue siendo la referencia editorial. Leer el original en inglés → · Método editorial y uso de la IA →