Setelah AI digunakan di hotel, apa yang seharusnya berubah?
The Wider View · Perhotelan
Sebuah hotel mulai menggunakan alat kecerdasan buatan. Beberapa bulan kemudian, manajemen dapat menghitung berapa banyak pertanyaan yang ditangani, berapa banyak laporan yang dibuat, dan berapa banyak karyawan yang menggunakannya. Yang jauh lebih sulit adalah menentukan bagian mana dari hari kerja yang benar-benar menjadi lebih baik.
Jawaban yang dibuat dalam hitungan detik mungkin tetap perlu diperiksa, dikoreksi, dan ditindaklanjuti sebelum tamu menerima informasi yang benar-benar berguna. Pekerjaan itu juga harus dihitung.
Diterbitkan pada 15 September 2026 oleh RateGain, NYU SPS, dan HEDNA, The State of Distribution 2026 menelaah operasi komersial dari 1 Desember 2024 hingga 30 November 2025. Kajian ini membahas revenue management, pemasaran, distribusi, dan penjualan, bukan pekerjaan saat ini di setiap departemen hotel.
Menurut hasil yang dipublikasikan, lebih dari separuh hotel yang terwakili menggunakan atau sedang membeli alat AI generatif, sementara kurang dari satu dari sepuluh melaporkan penurunan pekerjaan manual lebih dari 30 persen.
Dua angka itu perlu dibaca dengan hati-hati. Angka pertama juga mencakup hotel yang masih dalam proses membeli alat; angka kedua hanya mengukur pengurangan di atas ambang tertentu. Keduanya tidak membuktikan bahwa semua hotel lain tidak memperoleh manfaat. Pertanyaan yang lebih berguna adalah apa yang dapat dibuktikan oleh satu hotel setelah teknologi benar-benar digunakan dalam pekerjaan.
Ukur keseluruhan pekerjaan
Mulailah dari satu tugas berulang dan tentukan bagaimana tugas itu dikerjakan saat ini. Hitung waktu dari persiapan hingga hasil yang dapat digunakan, termasuk pemeriksaan yang memang diperlukan. Catat standar kualitas yang diharapkan dan kesalahan yang perlu diperbaiki. Tanpa titik awal ini, draf pertama yang lebih cepat dapat keliru dianggap sebagai pekerjaan yang selesai lebih cepat.
Ambil contoh hipotetis sebuah laporan pembelian. Sebelumnya, persiapan dan pemeriksaannya membutuhkan empat jam. Dengan AI, versi pertama siap dalam satu jam, tetapi dua jam lagi diperlukan untuk memperbaiki kode produk, satuan, dan harga. Penghematan sebenarnya adalah satu jam, bukan tiga, dengan syarat laporan akhir tetap memenuhi standar kualitas yang sama.
Perhitungan juga harus mencakup pekerjaan yang berpindah ke orang lain. Sebuah tugas tidak menjadi lebih efisien hanya karena satu departemen selesai lebih cepat sementara departemen lain menghabiskan lebih banyak waktu memperbaiki hasilnya.
Perlu juga ditanyakan apakah tugas tersebut memang diperlukan. Menghapus laporan yang tidak pernah digunakan bisa lebih bermanfaat daripada membuatnya lebih cepat. Itu adalah perbaikan proses, bukan bukti manfaat AI.
Tentukan bagaimana waktu yang kembali akan digunakan
Setelah penghematan waktu yang nyata terbukti, muncul pertanyaan kedua: apa yang dapat dilakukan tim dengan waktu tersebut?
Satu jam yang hilang dari tugas mingguan tidak otomatis berarti satu jam biaya tenaga kerja berkurang. Karyawan mungkin tetap bekerja dalam shift yang sama. Manfaatnya bisa berupa lebih sedikit lembur, lebih sedikit pekerjaan tertunda, beban kerja yang lebih terkendali, atau lebih banyak perhatian pada reservasi yang rumit. Itu adalah hasil yang berbeda dan harus dijelaskan secara terpisah.
Seorang chef yang menghabiskan lebih sedikit waktu menyusun data pembelian dapat menggunakan waktu itu untuk meninjau kualitas produk atau persiapan bersama tim. Itu tetap bernilai meskipun biaya tenaga kerja tidak berubah. Namun waktu tersebut harus benar-benar tersedia untuk tujuan itu, bukan langsung diisi dengan laporan tambahan hanya karena sekarang lebih mudah dibuat.
Bandingkan kondisi yang sebanding
Bayangkan uji coba AI dimulai tepat ketika okupansi menurun. Tim reservasi membersihkan kotak masuk lebih cepat, tetapi jumlah pertanyaan yang masuk juga berkurang. Antrean yang lebih pendek saja tidak menunjukkan seberapa besar kontribusi alat tersebut.
Bandingkan pekerjaan yang serupa dengan mempertimbangkan volume, tingkat kesulitan, dan jumlah staf. Catat pula perubahan lain yang dilakukan selama uji coba. Waktu awal untuk pelatihan dan konfigurasi harus tetap terlihat, tetapi dipisahkan dari upaya rutin yang dibutuhkan untuk menjalankan sistem. Penilaian yang berguna memerlukan cukup banyak hari biasa maupun hari sibuk, bukan hanya satu demonstrasi atau satu shift yang bermasalah.
Alat yang berbeda memerlukan bukti yang berbeda
Dalam pesan kepada tamu, konfirmasi instan tidak sama dengan permintaan yang sudah terselesaikan. Perhatikan berapa lama waktu yang dibutuhkan untuk memberikan jawaban yang benar dan berguna, berapa kali percakapan harus berlangsung, dan apakah staf perlu menyelesaikan masalah yang timbul akibat janji yang seharusnya tidak dibuat oleh sistem.
Untuk perkiraan permintaan, bandingkan prediksi dengan apa yang benar-benar terjadi dengan horizon perkiraan yang sama. Lebih sedikit perubahan manual hanya menjadi keuntungan jika perkiraan tetap cukup akurat untuk mendukung keputusan yang harus dibuat.
Lebih sedikit pengalihan kepada manusia juga tidak otomatis berarti berhasil. Permintaan yang rumit mungkin memerlukan penilaian manusia. Hasil yang lebih baik bisa berupa pengalihan tepat waktu kepada orang yang tepat dengan informasi yang lengkap, bukan mempertahankan tamu dalam percakapan otomatis.
Biarkan tim yang memahami pekerjaan menguji hasilnya
Analisis NYU SPS dan BCG yang diterbitkan pada Maret 2026 menempatkan kualitas data dan kemampuan tenaga kerja sebagai syarat penting untuk penggunaan AI yang efektif. Bagi sebuah hotel, langkah praktis adalah melibatkan orang-orang yang benar-benar memahami tugas yang ingin diubah.
Staf pembelian mungkin mengetahui bahwa harga pemasok adalah per karton, bukan per kilogram. Staf reservasi mungkin melihat pengecualian yang membuat jawaban yang tampaknya sederhana menjadi tidak tepat. Mampu menggunakan alat tidak sama dengan mampu menilai apakah hasilnya dapat digunakan.
Selama uji coba, catat koreksi yang mereka lakukan dan alasan di baliknya. Waktu pemeriksaan merupakan bagian dari pekerjaan, dan pengamatan mereka dapat menjelaskan hasil yang tidak terlihat dari statistik penggunaan saja.
Tentukan kapan hasil akan ditinjau
Tetapkan tanggal peninjauan sejak awal uji coba, dengan waktu penggunaan yang cukup untuk menilai pekerjaan yang ingin diperbaiki. Tentukan juga siapa yang akan menilai hasil dan manfaat seperti apa yang layak menjadi alasan untuk melanjutkan.
Pada saat itu, bandingkan waktu dan kualitas pekerjaan yang selesai dengan biaya rutin: biaya perangkat lunak, dukungan, dan waktu staf. Investasi awal juga perlu diperhitungkan. Perbaikan kecil mungkin tetap layak, tetapi penghematan waktu saja tidak cukup untuk mengambil keputusan.
Jawabannya tidak harus selalu mempertahankan atau menghentikan semuanya. Pertahankan alat pada bagian yang memang membantu, perbaiki proses atau pelatihan ketika hasilnya lemah, dan tinggalkan alat untuk tugas yang sebenarnya lebih baik diselesaikan dengan cara yang lebih sederhana.
Bukti yang paling berguna mungkin terlihat biasa saja: laporan pembelian yang tidak perlu dibangun ulang, atau pertanyaan tamu yang terselesaikan dengan benar dalam lebih sedikit percakapan. Hotel seharusnya dapat menjelaskan perubahan itu, bukan sekadar menghitung berapa kali perangkat lunak dibuka.
Artikel ini menggunakan riset industri yang tersedia untuk publik dan sumber yang tercantum di bawah. Interpretasi dan analisis editorial berasal dari Cristian Marino Journal.
Sumber
- RateGain, NYU School of Professional Studies Jonathan M. Tisch Center of Hospitality dan HEDNA: The State of Distribution 2026: hasil yang dipublikasikan, 15 September 2026. Ringkasan resmi mengenai operasi komersial yang dianalisis dari 1 Desember 2024 hingga 30 November 2025.
- NYU School of Professional Studies dan Boston Consulting Group: AI-First Hotels: ringkasan publikasi, 2 Maret 2026. Analisis mengenai peran kualitas data dan kemampuan tenaga kerja dalam adopsi AI di hotel.
Catatan terjemahan: Artikel ini diterjemahkan dari edisi asli berbahasa Inggris dengan dukungan kecerdasan buatan. Jika terdapat perbedaan, edisi bahasa Inggris tetap menjadi rujukan editorial. Baca versi asli dalam bahasa Inggris → · Metode editorial dan penggunaan AI →