酒店引入 AI 之后，究竟应该有什么不同？
The Wider View · 酒店业
一家酒店引入了一项人工智能工具。几个月后，管理层可以统计它处理了多少询问、生成了多少报告，以及有多少员工在使用它。但真正难回答的问题是：日常工作中的哪一部分因此变得更好了？
一份几秒钟生成的回复，仍可能需要核查、修改和后续沟通，才能真正给客人一个有用的答案。这部分工作也必须算进去。
RateGain、NYU SPS 与 HEDNA 于 2026 年 9 月 15 日发布的 The State of Distribution 2026 分析了 2024 年 12 月 1 日至 2025 年 11 月 30 日之间的酒店商业运营。研究重点是收益管理、市场营销、分销与销售，并不代表今天酒店所有部门的工作状况。
根据公开结果，超过一半的受访酒店正在使用或采购生成式 AI 工具，但不到十分之一的酒店表示，人工工作量减少了 30% 以上。
这两个数字需要谨慎解读。前者包括仍在采购工具的酒店；后者衡量的是超过特定门槛的工作量下降。它们并不能证明其余酒店没有获得任何收益。更有意义的问题是：一家具体酒店在把这项技术真正投入工作后，能够证明什么发生了变化。
衡量整项工作
从一项重复发生的工作开始，先弄清楚它现在是怎样完成的。时间应从准备阶段一直计算到获得可直接使用的结果，并包括原本就需要的检查。还要记录质量标准以及需要修正的错误。没有这个基准，更快得到第一版，很容易被误认为整项工作已经更快完成。
举一个假设的例子：一份采购报告过去从准备到核对需要四小时。使用 AI 后，第一版只需要一小时，但还要再花两小时纠正产品代码、计量单位和价格。那么真正节省的是一小时，而不是三小时，前提是最终报告仍达到同样的质量标准。
计算时还必须包括被转移给其他人的工作。如果一个部门更快完成，而另一个部门却需要花更多时间修正结果，这项工作并没有因此变得更高效。
还值得问一个更基本的问题：这项工作本身是否有必要？取消一份没有人使用的报告，可能比把它做得更快更有价值。这是流程改进，但不能算作 AI 带来的成果。
决定节省下来的时间用在哪里
确认确实节省了时间之后，还需要回答第二个问题：这些时间让团队能够做什么？
每周一项工作少用一小时，并不等于工资成本自动减少一小时。员工可能仍然工作同样的班次。真正的收益可能是减少加班、减少积压、让工作量更可控，或给复杂预订更多关注。这些是不同的结果，应该分别描述。
如果厨师不再需要花那么多时间整理采购数据，就可以把时间用于检查产品质量或和团队一起复盘准备工作。即使人员成本没有变化，这仍然有价值。但前提是节省下来的时间确实被用于这些事情，而不是因为报告更容易生成，就再增加更多报告。
比较可比的情况
假设一家酒店刚开始测试 AI 时，入住率恰好下降。预订团队更快清空收件箱，但他们收到的询问也更少。仅凭等待量减少，并不能说明工具贡献了多少。
比较时应尽量选择相似的工作，并考虑业务量、复杂程度和人员配置。测试期间发生的其他变化也需要记录。最初的培训和设置时间应该保留在评估里，但要与系统持续运行所需的日常投入分开。一项可靠的评估需要覆盖足够多的普通工作日和繁忙工作日，而不是只看一次演示或一个困难班次。
不同工具需要不同证据
在客人消息系统中，立即发送“已收到”并不等于问题已经解决。真正需要观察的是：多久能提供正确而有用的回答，需要多少轮沟通，以及员工是否要处理系统做出不恰当承诺后产生的问题。
对于需求预测，应在相同预测周期下，把预测结果与实际发生的情况进行比较。人工调整变少只有在预测仍足够准确、能够支持实际决策时才有意义。
转交给人工的次数减少，也不应自动被视为成功。复杂请求可能本来就需要人的判断。更好的结果可能是及时把问题交给正确的人，并提供完整的信息，而不是让客人一直停留在自动对话里。
让真正了解工作的人检验结果
NYU SPS 与 BCG 在 2026 年 3 月发布的分析指出，数据质量和员工能力是有效使用 AI 的重要条件。对一家具体酒店来说，一个实用的起点，是让真正熟悉这项工作的人参与评估。
采购人员可能会发现供应商的报价按箱计算，而不是按公斤。预订人员可能会注意到一个例外情况，使一条看似简单的回复其实并不合适。会操作工具，并不等于知道它给出的结果是否真的可用。
测试期间，应记录这些员工做了哪些修正，以及为什么需要修正。核查所花的时间本身就是工作的一部分；他们的观察往往能解释单纯使用数据看不到的问题。
预先确定何时评估结果
测试开始时就应确定评估日期，并留出足够的使用时间来判断它想改善的工作。还应明确由谁评估，以及哪些收益足以支持继续使用。
到评估时，应把完成工作的时间与质量，同持续成本一起比较：软件费用、支持成本和员工投入。同时也要考虑最初的投入。小幅改进也可能值得，但只节省时间本身并不能决定是否继续。
答案也不必是全有或全无。工具在确实有效的任务上可以保留；效果较弱的地方可以调整流程或培训；而对那些用更简单方法反而做得更好的工作，则可以停止使用。
最有价值的证据可能一点也不戏剧化：一份采购报告不再需要重新整理，或一项客人请求通过更少的沟通就能被正确解决。酒店应该能够清楚描述这种变化，而不是只统计软件被打开了多少次。
本文依据公开可获取的行业研究以及下列资料来源撰写。文中的解读与编辑分析由 Cristian Marino Journal 完成。
资料来源
- RateGain、NYU School of Professional Studies Jonathan M. Tisch Center of Hospitality 与 HEDNA： The State of Distribution 2026：公开结果，2026 年 9 月 15 日。官方摘要涵盖 2024 年 12 月 1 日至 2025 年 11 月 30 日之间的商业运营。
- NYU School of Professional Studies 与 Boston Consulting Group： AI-First Hotels：发布摘要，2026 年 3 月 2 日。讨论酒店采用 AI 时数据质量和员工能力的重要性。
翻译说明：本文在人工智能辅助下由英文原稿翻译。如有内容差异，以英文版为编辑依据。 阅读英文原文 → · 编辑方法与人工智能的使用 →