Après l’arrivée de l’IA, qu’est-ce qui devrait avoir changé ?
The Wider View · Hôtellerie
Un hôtel met en place un outil d’intelligence artificielle. Quelques mois plus tard, la direction peut compter le nombre de demandes traitées, de rapports produits ou de collaborateurs qui l’ont utilisé. Il est plus difficile de dire quelle partie de la journée de travail s’est réellement améliorée.
Une réponse rédigée en quelques secondes peut encore nécessiter des vérifications, des corrections et des échanges supplémentaires avant que le client reçoive une information utile. Ce travail doit lui aussi entrer dans le calcul.
Publié le 15 septembre 2026 par RateGain, NYU SPS et HEDNA, The State of Distribution 2026 examine les opérations commerciales entre le 1er décembre 2024 et le 30 novembre 2025. L’étude porte sur le revenue management, le marketing, la distribution et les ventes, et non sur le travail actuel de tous les services d’un hôtel.
D’après les résultats publiés, plus de la moitié des hôtels représentés utilisent ou sont en train d’acquérir des outils d’IA générative, tandis que moins d’un sur dix déclare une réduction du travail manuel supérieure à 30 %.
Ces deux chiffres doivent être lus avec prudence. Le premier inclut des hôtels qui sont encore en phase d’acquisition ; le second mesure les réductions au-dessus d’un seuil précis. Ils ne prouvent pas que tous les autres n’ont obtenu aucun bénéfice. La question utile est de savoir ce qu’un hôtel donné peut réellement démontrer après avoir mis la technologie au travail.
Mesurer la tâche dans son ensemble
Il faut commencer par une tâche récurrente et établir comment elle est accomplie aujourd’hui. Le temps doit être mesuré depuis la préparation jusqu’à un résultat exploitable, contrôles compris. Il faut aussi connaître le niveau de qualité attendu et les erreurs qui nécessitent une correction. Sans ce point de départ, un premier brouillon plus rapide peut être confondu avec une tâche réellement terminée plus vite.
Prenons un exemple hypothétique : un rapport d’achats demandait auparavant quatre heures entre préparation et vérification. Avec l’IA, une première version est disponible en une heure, mais deux heures supplémentaires sont nécessaires pour corriger les codes produits, les unités et les prix. Le gain est d’une heure, pas de trois, à condition que le rapport final conserve le même niveau de qualité.
Le calcul doit également inclure le travail transféré à quelqu’un d’autre. Une tâche n’est pas devenue plus efficace simplement parce qu’un service termine plus tôt tandis qu’un autre passe davantage de temps à réparer le résultat.
Il est également utile de se demander si la tâche est nécessaire. Supprimer un rapport que personne n’utilise peut apporter davantage que de le produire plus vite. C’est une amélioration du processus, pas une preuve de la valeur de l’IA.
Décider comment utiliser le temps récupéré
Une fois qu’un véritable gain de temps est établi, une deuxième question se pose : qu’est-ce que ce temps permet à l’équipe de faire ?
Une heure gagnée sur une tâche hebdomadaire ne signifie pas automatiquement une heure de masse salariale en moins. Le collaborateur peut continuer à travailler le même service. Le bénéfice peut prendre la forme de moins d’heures supplémentaires, moins de retard accumulé, une charge plus soutenable ou davantage d’attention portée à une réservation complexe. Ce sont des résultats différents, qui doivent être décrits séparément.
Un chef qui passe moins de temps à assembler les données d’achats peut consacrer ce temps à la qualité des produits ou aux préparations avec son équipe. C’est utile même si le coût du personnel reste identique. Encore faut-il que ce temps reste réellement disponible, au lieu d’être rempli par de nouveaux rapports simplement parce qu’ils sont devenus plus faciles à produire.
Comparer des situations comparables
Imaginons qu’un test d’IA commence au moment même où le taux d’occupation baisse. L’équipe des réservations vide sa boîte de réception plus vite, mais elle reçoit aussi moins de demandes. La réduction de la file d’attente ne montre pas, à elle seule, ce que l’outil a apporté.
Il faut comparer des volumes de travail similaires, en tenant compte de la complexité et des effectifs disponibles. Les autres changements introduits pendant le test doivent également être consignés. Le temps initial de formation et de configuration doit rester visible, mais séparé de l’effort récurrent nécessaire pour faire fonctionner le système. Une évaluation utile doit couvrir suffisamment de journées ordinaires et chargées pour éviter de juger l’outil sur une démonstration ou un seul service difficile.
Des outils différents exigent des preuves différentes
Dans la messagerie client, un accusé de réception instantané n’est pas la même chose qu’une demande résolue. Il faut regarder combien de temps il faut pour fournir une réponse correcte et utile, combien d’échanges sont nécessaires et si le personnel doit régler des problèmes provoqués par des promesses que le système n’aurait pas dû faire.
Pour une prévision de la demande, il faut comparer la prédiction à ce qui s’est réellement produit, avec le même horizon de prévision. Moins de corrections manuelles ne sont un avantage que si la prévision reste suffisamment précise pour la décision qu’elle doit soutenir.
La diminution des transferts vers une personne ne doit pas non plus être considérée automatiquement comme un succès. Une demande complexe peut nécessiter un jugement humain. Un meilleur résultat peut être un transfert rapide vers la bonne personne, avec les bonnes informations, plutôt que de maintenir le client dans une conversation automatisée.
Faire tester le résultat par ceux qui connaissent le travail
L’analyse publiée par NYU SPS et BCG en mars 2026 identifie la qualité des données et les compétences des équipes comme des conditions importantes pour une utilisation efficace de l’IA. Pour un hôtel, un point de départ concret consiste à associer les personnes qui connaissent la tâche que l’on cherche à modifier.
Un membre de l’équipe achats peut repérer qu’un prix fournisseur est indiqué par carton et non par kilogramme. Un collègue des réservations peut identifier une exception qui rend inadaptée une réponse apparemment simple. Savoir utiliser l’outil n’est pas la même chose que savoir si son résultat est exploitable.
Pendant le test, il faut enregistrer les corrections apportées par ces personnes et les raisons qui les rendent nécessaires. Leur temps de contrôle fait partie du travail, et leurs observations peuvent expliquer un résultat que les seules statistiques d’utilisation ne montrent pas.
Fixer le moment où le résultat sera évalué
La date d’évaluation doit être décidée au début du test, en laissant suffisamment de temps d’utilisation pour juger le travail que l’on cherche à améliorer. Il faut aussi déterminer qui examinera les résultats et quels bénéfices justifieraient la poursuite.
À ce moment-là, le temps et la qualité du travail terminé doivent être comparés aux coûts récurrents : licences logicielles, assistance et temps du personnel. L’investissement initial reste également à prendre en compte. Une petite amélioration peut valoir la dépense, mais un gain de temps, à lui seul, ne suffit pas pour trancher.
La réponse n’a pas besoin d’être tout ou rien. On peut conserver l’outil là où il aide, ajuster le processus ou la formation là où le résultat reste faible et l’abandonner pour les tâches où une méthode plus simple fonctionne mieux.
Les preuves les plus utiles peuvent être peu spectaculaires : un rapport d’achats qu’il n’est plus nécessaire de reconstruire ou une demande client résolue correctement avec moins d’échanges. Un hôtel devrait pouvoir décrire ce changement, et pas seulement compter le nombre de fois où le logiciel a été ouvert.
Cet article s’appuie sur des recherches sectorielles accessibles au public et sur les sources citées ci-dessous. L’interprétation et l’analyse éditoriale sont celles du Cristian Marino Journal.
Sources
- RateGain, NYU School of Professional Studies Jonathan M. Tisch Center of Hospitality et HEDNA : The State of Distribution 2026 : résultats publiés, 15 septembre 2026. Résumé officiel des opérations commerciales étudiées du 1er décembre 2024 au 30 novembre 2025.
- NYU School of Professional Studies et Boston Consulting Group : AI-First Hotels : résumé de la publication, 2 mars 2026. Analyse du rôle des données et des compétences des équipes dans l’adoption de l’IA par les hôtels.
Note de traduction : Cet article a été traduit à partir de l’édition originale anglaise avec l’aide de l’intelligence artificielle. En cas de divergence, l’édition anglaise reste la référence éditoriale. Lire l’original en anglais → · Méthode éditoriale et usage de l’IA →