Durante años, en la Hotelería hemos perseguido una aspiración aparentemente indiscutible: disponer de más información para dirigir mejor nuestros hoteles. Hemos multiplicado los informes, incorporado cuadros de mando, conectado canales de distribución, analizado reseñas, comparado tarifas, segmentado clientes y convertido prácticamente cada interacción del huésped en un dato potencialmente medible. Sin embargo, después de todo ese esfuerzo, sigo observando una paradoja incómoda: tener más información no garantiza necesariamente que tomemos mejores decisiones.

La llegada de la inteligencia artificial vuelve a situarnos ante la misma promesa, aunque esta vez con una capacidad de respuesta mucho mayor. Ahora podemos preguntar por la evolución del ADR, las causas de una caída de conversión, los comentarios recurrentes sobre el desayuno, la productividad de un departamento o la probabilidad de cancelación de una reserva. Podemos obtener respuestas en segundos, acompañadas de gráficos impecables y explicaciones convincentes. Pero la velocidad de una respuesta no determina su utilidad, del mismo modo que un informe visualmente atractivo no convierte automáticamente una correlación en una verdad empresarial.

En mi experiencia, el problema más importante de la analítica hotelera rara vez es la falta de datos. El verdadero problema aparece cuando no hemos definido con precisión qué decisión queremos mejorar. Preguntar qué canal produjo más reservas no es lo mismo que decidir en qué canal debemos invertir. Saber qué tarifa generó mayor ocupación no demuestra que esa tarifa haya producido más rentabilidad. Identificar qué clientes repiten con más frecuencia tampoco nos dice necesariamente a quién debemos dirigir una campaña de fidelización.

Por eso creo que la conversación sobre inteligencia artificial en Hotelería debería alejarse, al menos durante un momento, de la fascinación por la herramienta. No necesitamos únicamente sistemas capaces de responder más preguntas. Necesitamos desarrollar una disciplina de decisión que nos ayude a formular preguntas relevantes, reconocer los límites de cada análisis, contrastar hipótesis y distinguir entre lo que ha ocurrido, lo que probablemente ocurrirá y lo que podría suceder si cambiamos una determinada variable.

Puede que también te interese:

¿Por qué ChatGPT recomienda un hotel y no otro? Lo que todo hotelero debería entender antes de culpar al algoritmo

Todos llevamos un director de hotel dentro… algunos demasiado convencidos

El ex-empleado despechado: esa consultora gratuita que nadie contrató

Cuando un Mundial se convierte en la mejor campaña de promoción turística de un país

La diferencia puede parecer académica, pero afecta directamente a la rentabilidad, la experiencia del huésped, la organización del trabajo y la credibilidad del equipo de dirección. Un hotel no mejora porque produce más informes. Mejora cuando convierte la información en decisiones coherentes, las decisiones en acciones bien ejecutadas y las acciones en aprendizaje organizativo. La inteligencia artificial puede ayudarnos enormemente en ese recorrido, siempre que no confundamos abundancia de respuestas con calidad de criterio.

De la analítica de autoservicio a la analítica al servicio de la decisión

Buena parte de la analítica empresarial se ha construido durante los últimos años alrededor de una pregunta: ¿cómo permitimos que más personas consulten más datos sin depender constantemente de un analista? Esa orientación ha impulsado el desarrollo de dashboards, informes automáticos y herramientas de autoservicio capaces de responder consultas formuladas por cualquier responsable departamental.

El avance ha sido importante. Un responsable de Recepción puede revisar los tiempos medios de check-in; Restauración puede conocer el gasto medio por comensal; Pisos puede comparar productividad por jornada; Revenue puede analizar pick-up, cancelaciones y ritmo de reservas; Marketing puede medir campañas y Dirección puede seguir ocupación, ADR, RevPAR, GOP o reputación online.

Sin embargo, este modelo comienza demasiado tarde. Empieza cuando alguien ya ha decidido qué quiere preguntar. El enfoque verdaderamente útil debería comenzar un paso antes: ¿qué decisión estamos intentando mejorar?

Esta diferencia cambia por completo la calidad del análisis. Imaginemos que un hotel pregunta: “¿Qué campaña digital consiguió la mayor tasa de conversión?”. La inteligencia artificial puede responder con rapidez. Pero si la decisión consiste en distribuir el presupuesto de marketing del próximo trimestre, la tasa de conversión puede no ser la métrica adecuada. La pregunta relevante podría ser: “¿Qué campaña generó mayor margen incremental, descontando comisiones, descuentos, cancelaciones y reservas que se habrían producido igualmente por otros canales?”.

La primera pregunta describe un resultado. La segunda intenta mejorar una decisión.

Lo mismo sucede con muchas de las consultas que hacemos habitualmente en los hoteles:

• ¿Qué tipología de habitación se vende más? puede ser interesante, pero quizá la decisión real sea determinar qué categoría debemos promocionar, reformar o reposicionar.
• ¿Qué canal aporta mayor volumen? no responde necesariamente a qué canal genera mayor contribución neta después de comisiones, descuentos, costes de adquisición y probabilidad de cancelación.
• ¿Qué empleados reciben mejores valoraciones? no aclara si las diferencias se deben a su desempeño, al turno asignado, al perfil de cliente atendido o a la dificultad operativa de cada jornada.
• ¿Qué plato es el más vendido? no nos dice cuál contribuye mejor al margen, cuál genera mayor satisfacción, cuál ralentiza el pase ni cuál ayuda a construir la identidad gastronómica del hotel.
• ¿Qué clientes tienen más probabilidades de regresar? no equivale a saber qué clientes cambiarían realmente su comportamiento como consecuencia de una campaña de fidelización.

Cuando la inteligencia artificial se limita a responder preguntas mal formuladas, no elimina el error: lo acelera. Puede producir una respuesta técnicamente correcta que resulte completamente irrelevante para la decisión que debemos adoptar.

Por eso considero necesario evolucionar desde la analítica de autoservicio, que comienza preguntando qué queremos saber, hacia una analítica al servicio de la decisión, que comienza preguntando qué queremos decidir, qué acciones estamos contemplando y qué evidencia podría hacernos cambiar de opinión.

Empezar siempre por la decisión

Antes de solicitar cualquier análisis relevante, conviene formular tres preguntas sencillas:

• ¿Qué decisión concreta queremos mejorar? Debemos evitar expresiones genéricas como “analizar el restaurante”, “entender la demanda” o “revisar la satisfacción”. Una decisión concreta sería modificar el horario del desayuno, rediseñar el menú, reforzar un turno, cambiar la política de estancia mínima o redistribuir una inversión comercial.
• ¿Qué acciones alternativas estamos considerando? Un análisis sin alternativas conduce con facilidad a justificar una decisión previamente tomada. Si solo contemplamos una opción, probablemente no estemos analizando; estaremos buscando argumentos para defenderla.
• ¿Qué resultado nos haría cambiar de opinión? Esta pregunta introduce honestidad intelectual. Obliga a reconocer que la hipótesis inicial podría ser incorrecta y evita que utilicemos los datos únicamente para confirmar nuestras preferencias.

En Hotelería estamos muy acostumbrados a trabajar bajo presión. Las decisiones deben tomarse rápido, los problemas operativos no esperan y el huésped rara vez acepta que necesitemos tres reuniones para resolver una incidencia. Pero rapidez no significa improvisación. Una organización madura distingue entre decisiones reversibles, que pueden probarse con agilidad, y decisiones de gran impacto, que necesitan mayor contraste.

Cambiar durante una semana la ubicación de un producto en el buffet es una decisión fácilmente reversible. Modificar la estructura tarifaria, reducir plantilla, externalizar un servicio, eliminar una prestación importante o reposicionar el hotel exige un nivel de análisis muy superior.

La inteligencia artificial debería ayudarnos a adaptar el nivel de profundidad al coste potencial del error. No necesitamos un comité para cada ajuste operativo, pero tampoco deberíamos adoptar decisiones estratégicas basándonos en una respuesta generada en segundos y recibida con entusiasmo porque confirma exactamente lo que ya pensábamos.

Distinguir entre describir, predecir y demostrar

Uno de los errores más frecuentes en la analítica hotelera consiste en confundir tres tipos de preguntas que requieren metodologías y niveles de evidencia diferentes.

• Las preguntas descriptivas explican qué ha ocurrido. Nos permiten conocer la evolución de la ocupación, el comportamiento del ADR, la puntuación del desayuno, el número de incidencias, la productividad o la distribución de las reservas por canal.
• Las preguntas predictivas estiman qué podría ocurrir. Intentan anticipar demanda, cancelaciones, ocupación, consumo, necesidades de plantilla, probabilidad de repetición o riesgo de insatisfacción.
• Las preguntas causales tratan de determinar qué ocurrirá si intervenimos. Buscan saber si una promoción aumentará realmente la demanda, si ampliar el horario mejorará la satisfacción, si un descuento generará reservas adicionales o si una nueva formación reducirá las quejas.

La diferencia es fundamental.

Supongamos que los huéspedes que reciben un detalle de bienvenida presentan una puntuación media superior. Esa observación no demuestra que el detalle haya causado la mejora. Puede ocurrir que el obsequio se entregue principalmente a clientes VIP, repetidores, huéspedes alojados en suites o reservas con mayor gasto, perfiles que ya tenían una predisposición distinta hacia el hotel.

Del mismo modo, detectar que los clientes que utilizan el spa muestran una mayor intención de regresar no significa que regalar acceso al spa vaya a incrementar automáticamente la fidelidad. Es posible que quienes utilizan el servicio permanezcan más noches, dispongan de mayor poder adquisitivo o hayan elegido el hotel precisamente por su afinidad con el bienestar.

En ambos casos tenemos una asociación, no necesariamente una relación causal.

Esta distinción resulta especialmente importante cuando analizamos promociones. Imaginemos que enviamos una oferta a una base de clientes repetidores y obtenemos una tasa de reserva elevada. Podemos felicitarnos por el éxito de la campaña, pero todavía falta una pregunta esencial: ¿cuántos de esos clientes habrían reservado igualmente sin recibir el descuento?

Si una parte importante ya tenía intención de volver, la campaña quizá no haya generado demanda adicional; simplemente habrá reducido el precio de reservas que se habrían producido de todas formas. El hotel puede mostrar más conversiones y, al mismo tiempo, haber perdido margen.

Por eso debemos incorporar el concepto de incrementalidad. No basta con medir lo que ocurrió después de una acción. Tenemos que estimar qué habría ocurrido sin ella. Ese escenario alternativo, conocido como contrafactual, es uno de los elementos más difíciles y más importantes del análisis empresarial.

En la práctica hotelera podemos aproximarnos a él mediante:

• Grupos de control, dejando una parte comparable de clientes sin recibir la promoción.
• Pruebas por periodos, aplicando una medida durante determinadas fechas y comparando resultados con periodos equivalentes.
• Pruebas por segmentos, seleccionando grupos con comportamientos similares.
• Cambios graduales, implantando una iniciativa de forma progresiva para observar diferencias.
• Comparaciones normalizadas, teniendo en cuenta demanda, eventos, calendario, meteorología, disponibilidad, precio y composición del cliente.

No siempre podremos realizar un experimento perfecto. Un hotel no es un laboratorio y la realidad operativa introduce innumerables variables. Pero reconocer esa limitación es mucho más responsable que presentar una correlación como si fuera una certeza.

Hacer visibles las hipótesis y las limitaciones

Un buen análisis no debería limitarse a entregar un resultado. También tendría que explicar por qué podemos confiar en él y por qué deberíamos mantener cierta prudencia.

Cuando recibimos una conclusión generada mediante inteligencia artificial, conviene exigir respuestas a cuestiones como estas:

• Qué periodo se ha analizado y por qué se ha elegido.
• Qué reservas, clientes o transacciones han sido incluidas o excluidas.
• Cómo se ha definido cada indicador.
• Qué cambios externos pudieron influir en el resultado.
• Si existieron modificaciones simultáneas en precio, producto, distribución o servicio.
• Qué calidad tienen los datos utilizados.
• Qué parte de la conclusión es evidencia y qué parte es interpretación.
• Qué circunstancias podrían convertir la conclusión en incorrecta.

Esta transparencia debería incorporarse de forma habitual a los informes. No debilita el análisis; lo fortalece. Una organización que reconoce las limitaciones de sus datos demuestra mayor madurez que otra que presenta cada decimal como una verdad absoluta.

En Hotelería, además, convivimos con sistemas que no siempre hablan el mismo idioma. El PMS puede clasificar una reserva de una manera, el motor de reservas de otra, el channel manager utilizar una nomenclatura diferente y el sistema financiero aplicar criterios temporales distintos. Las cancelaciones, no-shows, upgrades, paquetes, gratuidades, invitaciones, consumos internos y descuentos pueden alterar considerablemente la interpretación.

Si la inteligencia artificial accede a una arquitectura de datos confusa, producirá respuestas confusas con una apariencia sorprendentemente ordenada. Y ese es precisamente uno de los riesgos más serios: una respuesta puede parecer rigurosa sin ser realmente fiable.

Gobernar las métricas antes de democratizar las respuestas

Antes de permitir que cualquier persona consulte libremente los datos del hotel, debemos acordar qué significan esos datos.

Parece una obviedad, pero términos aparentemente simples pueden esconder definiciones diferentes:

• Ingresos de alojamiento pueden registrarse con o sin impuestos, con o sin extras, antes o después de descuentos, por fecha de reserva o por fecha de estancia.
• Ocupación puede calcularse sobre habitaciones físicas, habitaciones disponibles, inventario ajustado o capacidad total.
• ADR puede incluir o excluir gratuidades, paquetes, day use, habitaciones de personal o usos internos.
• Cliente repetidor puede definirse por email, nombre, documento, perfil del PMS, programa de fidelización o histórico consolidado.
• Cancelación puede analizarse por fecha de creación, fecha de cancelación, canal, estancia prevista o ventana de antelación.
• Satisfacción puede proceder de encuestas internas, reputación online, puntuaciones departamentales o comentarios cualitativos.
• Rentabilidad por canal puede contemplar solo la comisión o incluir descuentos, coste publicitario, medios de pago, cancelaciones, programas de visibilidad y coste de servicio.

Sin una definición compartida, dos departamentos pueden ofrecer respuestas distintas y ambas parecer razonables. Revenue puede hablar de ingresos netos, Finanzas de ingresos reconocidos y Marketing de valor de reserva. Ninguno tiene por qué estar equivocado; simplemente están respondiendo preguntas diferentes con criterios diferentes.

La inteligencia artificial no resolverá espontáneamente estas discrepancias. Para utilizarla con rigor necesitamos una gobernanza de métricas basada en:

• Definiciones canónicas. Cada indicador estratégico debe contar con una definición oficial y comprensible.
• Propietarios del dato. Debe estar claro quién valida, mantiene y actualiza cada métrica.
• Fuentes autorizadas. No todas las tablas, exportaciones o informes deben considerarse equivalentes.
• Trazabilidad. Cualquier cifra importante debería poder remontarse hasta su origen.
• Historial de cambios. Cuando una definición se modifica, debemos documentar desde qué fecha y con qué consecuencias.
• Limitaciones conocidas. Los datos incompletos o poco fiables deben señalarse expresamente.
• Coherencia interdepartamental. Revenue, Marketing, Operaciones y Finanzas deberían trabajar sobre un vocabulario común.

Cuanto más democratizamos el acceso a la información, más importante se vuelve esta gobernanza. La analítica de autoservicio no reduce la necesidad de disciplina; la multiplica. De lo contrario, acabaremos con numerosos responsables formulando preguntas a una misma inteligencia artificial y obteniendo respuestas distintas porque cada uno parte de fuentes, periodos o definiciones diferentes.

Añadir fricción donde equivocarse resulta caro

La agilidad es una ventaja competitiva, pero la precipitación puede convertirse en una forma sofisticada de irresponsabilidad. No todas las decisiones merecen el mismo nivel de validación.

Una consulta de bajo riesgo, como identificar las horas con mayor volumen de llegadas para organizar el mostrador de Recepción, puede resolverse con rapidez. Una decisión relacionada con precios, plantilla, posicionamiento, inversiones, reputación, compensación salarial o condiciones contractuales exige una revisión más profunda.

Propongo clasificar los análisis hoteleros según su nivel de impacto:

1. Análisis exploratorios. Sirven para detectar patrones, anomalías o preguntas nuevas. Pueden realizarse con agilidad, siempre que no se conviertan directamente en decisiones irreversibles.
2. Análisis operativos. Afectan a horarios, aprovisionamiento, asignación de tareas, previsiones de ocupación o ajustes cotidianos. Necesitan datos fiables y supervisión departamental.
3. Análisis estratégicos. Influyen en presupuestos, política comercial, estructura de costes, inversiones, contratación, externalizaciones, reposicionamiento o modelo de negocio. Requieren validación multidisciplinar.
4. Análisis sensibles. Afectan a personas, remuneraciones, evaluaciones, despidos, discriminación, privacidad, cumplimiento normativo o comunicaciones financieras. Necesitan criterios especialmente rigurosos y revisión humana experta.

En las decisiones de mayor impacto, no basta con comprobar que el cálculo sea correcto. También debemos preguntarnos:

• ¿Responde el análisis a la decisión real?
• ¿Se ha utilizado la comparación adecuada?
• ¿Se han considerado explicaciones alternativas?
• ¿La muestra representa suficientemente la realidad del hotel?
• ¿Estamos confundiendo predicción con causalidad?
• ¿Qué coste tendría un falso positivo o un falso negativo?
• ¿Qué evidencia adicional necesitamos antes de actuar?

La función de la revisión humana no consiste en corregir cada operación matemática realizada por la inteligencia artificial. Consiste en aportar criterio estadístico, conocimiento del negocio, experiencia operativa y comprensión del contexto.

Un sistema puede detectar que un empleado recibe menos menciones positivas que otro, pero quizá desconozca que trabaja en el turno con mayor presión, atiende más reclamaciones o asume las situaciones más complejas. Puede señalar que un plato tiene baja rotación, pero no comprender que es esencial para la identidad gastronómica o para atender a un segmento relevante. Puede recomendar cerrar un servicio con baja rentabilidad directa, ignorando su influencia sobre la decisión de reservar o sobre el posicionamiento general del hotel.

La inteligencia artificial identifica patrones. El juicio profesional debe interpretar su significado.

Construir una cultura hotelera que premie la verdad y no la confirmación

El mayor riesgo de la inteligencia artificial aplicada a la analítica hotelera no es únicamente que se equivoque. El riesgo más profundo es que nos ayude a defender con mayor eficacia decisiones que ya habíamos tomado.

Las organizaciones no siempre utilizan los datos para descubrir la verdad. A veces los emplean para justificar presupuestos, proteger proyectos, demostrar resultados, reforzar posiciones internas o presentar una narrativa favorable ante la propiedad. Cuando una iniciativa pertenece a un departamento, es comprensible que ese mismo departamento desee demostrar su éxito. El problema aparece cuando la medición se convierte en una prolongación de la defensa del proyecto.

Si premiamos únicamente las buenas noticias, recibiremos análisis llenos de buenas noticias. Si cada campaña debe demostrar rentabilidad, siempre encontraremos una métrica que parezca favorable. Si castigar una desviación presupuestaria resulta más probable que reconocerla a tiempo, la desviación aparecerá demasiado tarde. Si una opinión expresada por la dirección se interpreta como una conclusión cerrada, pocos responsables se atreverán a presentar evidencia contraria.

La inteligencia artificial puede agravar esta tendencia porque permite generar rápidamente argumentos, segmentaciones, explicaciones y gráficos que respaldan casi cualquier narrativa. Por eso el verdadero reto no es tecnológico. Es cultural.

Necesitamos hoteles en los que resulte profesionalmente seguro decir:

• “Los datos no confirman nuestra hipótesis.”
• “La campaña generó reservas, pero no podemos demostrar que fueran incrementales.”
• “La mejora coincide con nuestra acción, aunque hubo otros factores que pudieron influir.”
• “La muestra todavía es insuficiente.”
• “No conocemos la causa, solo hemos identificado una asociación.”
• “La recomendación del sistema contradice nuestra experiencia operativa y debemos investigar por qué.”
• “La decisión que habíamos previsto quizá no sea la adecuada.”

Reconocer una hipótesis equivocada no debería considerarse un fracaso. Es una forma de aprendizaje que evita seguir destinando recursos a una idea incorrecta. En cambio, persistir durante meses en una decisión porque nadie se atreve a cuestionarla sí constituye un fracaso de liderazgo.

No utilizar los datos para ganar discusiones

Un hotel verdaderamente orientado por la evidencia no es aquel en el que los datos sustituyen todas las opiniones. Es aquel en el que los datos ayudan a disciplinar las opiniones, incluidas las de quienes ocupamos posiciones de responsabilidad.

La experiencia continúa siendo imprescindible. En Hotelería, muchos matices no aparecen inmediatamente en un dashboard: el ambiente de una sala, el cansancio acumulado del equipo, la reacción de un huésped, la pérdida de personalidad del servicio, la dificultad de ejecutar un procedimiento o la tensión generada por una decisión aparentemente eficiente.

Pero la experiencia también puede engañarnos. Recordamos con mayor facilidad los casos llamativos, interpretamos los resultados desde nuestras expectativas y tendemos a atribuir los éxitos a nuestras decisiones mientras explicamos los fracasos mediante factores externos. Ninguno estamos completamente libres de estos sesgos, por muchos años que llevemos recorriendo pasillos, revisando cierres o atendiendo incidencias.

Los datos deben ayudarnos a contrastar esa experiencia, no a reemplazarla. Y la experiencia debe ayudarnos a interpretar los datos, no a ignorarlos cuando resultan incómodos.

La relación adecuada no es intuición contra analítica, sino intuición sometida a contraste y analítica sometida a contexto.

Una rutina práctica para las decisiones hoteleras

Para convertir estos principios en comportamiento cotidiano, propongo una rutina sencilla que puede aplicarse en reuniones de Revenue, comités de dirección, revisiones operativas, análisis de reputación o evaluación de campañas.

Antes de aceptar una recomendación generada mediante inteligencia artificial, deberíamos completar estas preguntas:

1. ¿Qué decisión concreta estamos intentando tomar?
2. ¿Cuáles son las alternativas reales disponibles?
3. ¿La pregunta es descriptiva, predictiva o causal?
4. ¿Qué indicadores estamos utilizando y cómo están definidos?
5. ¿Qué datos se han incluido y cuáles se han excluido?
6. ¿Qué factores externos podrían explicar el resultado?
7. ¿Qué habría sucedido probablemente sin nuestra intervención?
8. ¿Qué coste tendría equivocarnos?
9. ¿Quién debe validar la recomendación?
10. ¿Qué evidencia nos haría cambiar de opinión?
11. ¿Cómo mediremos el resultado antes de ejecutar la acción?
12. ¿Cuándo revisaremos la decisión y bajo qué criterios?

Este último punto es especialmente importante. Muchas decisiones se evalúan después de conocer el resultado, y entonces adaptamos la interpretación para que parezca favorable. Deberíamos definir previamente qué entenderemos por éxito, fracaso o resultado inconcluso.

Si decidimos ampliar el horario del desayuno, por ejemplo, conviene establecer de antemano qué mediremos: satisfacción, afluencia por franja, coste laboral, desperdicio, consumo medio, incidencias y percepción del equipo. De lo contrario, podremos destacar después cualquier indicador positivo y olvidar el resto.

La inteligencia artificial como amplificador del criterio

Utilizada correctamente, la inteligencia artificial puede aportar un valor extraordinario a la Hotelería. Puede liberar tiempo, automatizar consultas repetitivas, detectar anomalías, resumir miles de comentarios, identificar patrones de demanda, documentar procesos, generar hipótesis y facilitar la comunicación entre departamentos.

También puede ayudar a que los equipos de análisis dediquen menos esfuerzo a preparar informes rutinarios y más tiempo a tareas de mayor valor:

• Diseñar experimentos comerciales.
• Mejorar previsiones de demanda.
• Estudiar elasticidades de precio.
• Analizar rentabilidad por segmento.
• Comprender los verdaderos impulsores de la satisfacción.
• Evaluar la incrementalidad de campañas.
• Optimizar recursos sin deteriorar la experiencia.
• Identificar causas operativas, no solo síntomas.
• Anticipar riesgos y construir escenarios.
• Relacionar decisiones departamentales con resultados globales.

Sin embargo, ese potencial no aparecerá automáticamente. Podemos utilizar la inteligencia artificial en tres niveles de madurez.

El primer nivel es la eficiencia: más informes, respuestas más rápidas, menos trabajo manual y reducción de cuellos de botella.

El segundo nivel es la fiabilidad: métricas definidas, datos trazables, fuentes aprobadas, validaciones, documentación y revisión humana.

El tercer nivel es la calidad de decisión: organizar la analítica alrededor de las decisiones que realmente determinan la rentabilidad, la reputación, la experiencia del huésped y la sostenibilidad del hotel.

Muchos hoteles se quedarán en el primer nivel. Conseguirán producir más análisis en menos tiempo, pero continuarán tomando decisiones con los mismos sesgos, incentivos y ambigüedades de siempre.

Otros avanzarán hacia la fiabilidad y construirán una base de datos más coherente. Reducirán errores, evitarán discusiones sobre definiciones y mejorarán la confianza interna.

Los hoteles que marcarán una diferencia verdadera serán aquellos capaces de llegar al tercer nivel. No preguntarán solamente qué está ocurriendo. Preguntarán qué decisión debe cambiar, qué evidencia la justifica, qué riesgos contiene y cómo aprenderán después de ejecutarla.

Mi consejo es que no empieces preguntando qué puede hacer la inteligencia artificial con los datos de tu hotel. Empieza identificando las diez decisiones que más influyen en el resultado anual: precios, distribución, plantilla, inversión comercial, experiencia, producto, compras, mantenimiento, posicionamiento y fidelización. Después analiza qué información necesita realmente cada una de esas decisiones y qué nivel de evidencia merece.

También te recomiendo introducir una frase obligatoria en los informes importantes: “Esta conclusión podría ser incorrecta si…”. Puede parecer una pequeña precaución, pero obliga a reconocer supuestos, descubrir fragilidades y reducir el exceso de confianza. En un sector donde cada día convivimos con demanda cambiante, comportamiento humano y múltiples variables externas, la humildad analítica no es debilidad; es profesionalidad.

Y, sobre todo, construye un entorno en el que cuestionar una interpretación no se perciba como cuestionar a una persona. Las mejores decisiones que he visto tomar en un hotel no siempre surgieron del informe más sofisticado, sino de una conversación en la que alguien tuvo la serenidad de preguntar: “¿Estamos seguros de que este dato demuestra lo que creemos que demuestra?”. La inteligencia artificial nos dará cada vez más respuestas. Nuestra responsabilidad seguirá siendo decidir cuáles merecen convertirse en acciones.

Esta Publicación quedará restringida a Suscriptores a partir del sábado, 8 agosto 2026