El Revenue Manager que solo mueve precios ya está en vías de extinción

En las últimas semanas he escuchado la misma pregunta formulada de muchas maneras. Unas veces aparece con curiosidad, otras con entusiasmo y algunas con un temor bastante menos disimulado: ¿acabará la Inteligencia Artificial sustituyendo al Revenue Manager? La pregunta es comprensible. Si una máquina puede analizar millones de datos, detectar patrones, revisar precios, anticipar demanda y ejecutar cambios en segundos, parece razonable preguntarse cuánto espacio seguirá quedando para una persona delante de la pantalla.

Mi respuesta corta sería incómoda para algunos: la IA probablemente no eliminará el Revenue Management, pero sí reducirá drásticamente el valor de una parte del trabajo que hoy llamamos Revenue Management. Muchas tareas que todavía ocupan horas, reuniones y talento dejarán de justificar una posición profesional completa. Preparar informes, consolidar información, comparar ritmos de reserva, detectar desviaciones básicas, revisar fechas y trasladar recomendaciones a distintos sistemas son actividades que reúnen casi todas las condiciones para ser automatizadas.

Sin embargo, reducir la profesión a esas tareas sería confundir el instrumento con el oficio. El Revenue Management hotelero nunca debería haber consistido únicamente en mover precios. Su verdadera función es interpretar la demanda, administrar capacidad perecedera, proteger el posicionamiento, asignar riesgo comercial y decidir qué negocio merece aceptar el hotel. La IA puede ejecutar una parte creciente de ese proceso, pero ejecutar decisiones y comprender sus consecuencias económicas, comerciales y operativas siguen siendo cosas distintas.

Inteligencia hotelera 360°

Su hotel ya genera los datos. HotelGEX los convierte en decisiones.

Una plataforma creada desde la operación hotelera real para conectar huésped, Customer Journey, operaciones, Revenue, F&B, Groups & Events y Dirección dentro de un mismo contexto inteligente.

Customer 360 Revenue Intelligence Operational Intelligence F&B Groups & Events

Descubrir HotelGEX → Prueba gratuita 30 días

¿Quiere ver su anuncio aquí?

Después de muchos años participando en reuniones de Revenue, he comprobado que el mayor valor rara vez aparece en la recomendación evidente. Subir una tarifa cuando el ritmo acelera no exige una revelación estratégica. El valor aparece cuando los datos son contradictorios, cuando una fecha parece fuerte pero depende de demanda frágil, cuando un grupo promete volumen a costa de desplazar negocio más rentable o cuando Operaciones advierte que vender más inventario puede deteriorar el servicio. Ahí es donde el algoritmo deja de tener una respuesta limpia y comienza el trabajo de verdad.

Por eso, la pregunta que deberíamos formular no es si la IA quitará el trabajo al Revenue Manager. La pregunta útil es qué clase de Revenue Manager seguirá mereciendo ese trabajo. El profesional que produce números que una máquina puede generar antes, mejor y con menor coste tiene motivos para preocuparse. Quien sabe convertir incertidumbre en decisiones rentables, cuestionar modelos, conectar departamentos y proteger el negocio completo dispone, en cambio, de una oportunidad extraordinaria.

La IA absorberá el trabajo mecánico y dejará el criterio al descubierto

Existe cierta tendencia a hablar de la Inteligencia Artificial como si hubiera irrumpido de repente en el Revenue Management. En realidad, la disciplina lleva mucho tiempo utilizando automatización, modelos estadísticos, forecasting, optimización y sistemas de recomendación. Lo que está cambiando ahora no es únicamente la potencia del cálculo. Está cambiando la amplitud de las tareas que pueden ser delegadas y, sobre todo, la capacidad de los sistemas para interpretar lenguaje, construir escenarios, explicar recomendaciones y ejecutar acciones con menor intervención humana.

En 2025, el 20% de las empresas de la Unión Europea con diez o más empleados utilizaba alguna tecnología de Inteligencia Artificial, frente al 13,5% del año anterior. En alojamiento y restauración, la adopción se situaba todavía alrededor del 12%, aunque el crecimiento era rápido. Entre las empresas de alojamiento que ya utilizaban IA, cerca del 59% la aplicaba principalmente a marketing o ventas. El dato confirma dos cosas: la adopción hotelera sigue siendo desigual y una parte importante del sector todavía está explorando aplicaciones relativamente visibles antes de abordar decisiones económicas más complejas.

También conviene evitar el dramatismo laboral. Las investigaciones internacionales publicadas en 2025 estimaban que uno de cada cuatro empleos presentaba algún grado de exposición a la IA generativa, pero señalaban que la transformación de tareas era mucho más probable que la desaparición completa de ocupaciones. Esto encaja perfectamente con lo que preveo para el Revenue Manager. El puesto no desaparecerá de forma uniforme, pero su contenido puede cambiar hasta resultar casi irreconocible.

La transformación comenzará por una compresión radical del tiempo. Aquello que hoy requiere descargar informes, limpiar datos, cruzar fuentes y construir una interpretación inicial podrá prepararse en pocos minutos. Un sistema suficientemente conectado podrá revisar ritmo de reservas, cancelaciones, demanda externa, eventos, comportamiento por canal, inventario, restricciones, precios competitivos, costes de distribución y capacidad operativa sin esperar a la reunión del jueves. Y, por cierto, el mercado tampoco tiene la delicadeza de esperar al jueves.

Veo al menos cuatro niveles de impacto que conviene diferenciar, porque no todos presentan el mismo riesgo ni exigen la misma supervisión:

• La IA como observadora. Recopila información, detecta anomalías y señala cambios relevantes. En este nivel reduce trabajo analítico básico, pero la decisión continúa siendo humana. Es una aplicación relativamente segura siempre que los datos sean fiables y que el sistema no convierta cualquier desviación en una emergencia comercial.
• La IA como asesora. Propone precios, restricciones, cierres, aperturas, desplazamiento de segmentos o ajustes de inventario. Aquí ya influye directamente en la rentabilidad hotelera, aunque una persona conserva la capacidad de aceptar, modificar o rechazar la recomendación.
• La IA como ejecutora. Implementa decisiones dentro de límites previamente definidos. Puede ajustar tarifas, modificar disponibilidad o reaccionar ante variaciones de demanda sin autorización individual. La velocidad aumenta, pero también lo hace el coste potencial de una regla mal configurada.
• La IA como agente económico. Persigue objetivos, construye escenarios, coordina acciones entre sistemas y aprende de los resultados. Este nivel no se limita a recomendar una tarifa; decide cómo alcanzar una meta de contribución, ocupación, ingreso o cuota de mercado dentro de determinadas restricciones.

La mayoría de los hoteles convivirá durante un tiempo con combinaciones de estos cuatro niveles. Algunas fechas podrán gestionarse con elevada autonomía, mientras que otras requerirán intervención constante. Un martes previsible de baja demanda no presenta el mismo riesgo que un periodo de congreso, una reapertura, un cambio de posicionamiento, una crisis reputacional o una fecha con presión operativa. La madurez consistirá en saber dónde conceder autonomía al sistema y dónde conservar deliberadamente la decisión humana.

El error más probable será medir el éxito por la cantidad de recomendaciones aceptadas. Si el sistema propone cien acciones y el Revenue Manager acepta noventa y ocho, alguien puede interpretar que la automatización funciona maravillosamente. Yo lo interpretaría con más cautela. Una tasa de aceptación muy elevada podría demostrar la calidad del modelo, pero también que el profesional ha dejado de pensar o que las recomendaciones son tan conservadoras que apenas aportan valor.

El algoritmo tampoco observa el mercado desde un lugar neutral. Aprende a partir de información histórica, objetivos definidos y señales seleccionadas por alguien. Si el hotel ha competido durante años mediante descuentos, el sistema puede aprender que descontar es su comportamiento normal. Si el histórico mezcla distintas etapas de posicionamiento, reformas, cambios de producto o errores de segmentación, la IA puede producir una recomendación matemáticamente elegante a partir de una historia empresarial incoherente.

Un modelo no sabe por sí mismo qué pasado merece ser repetido. Puede encontrar relaciones extraordinariamente precisas y, aun así, aprender una estrategia equivocada. De hecho, cuanto más convincente sea su explicación, más peligroso puede resultar aceptar sus conclusiones sin cuestionarlas. La precisión aparente no elimina el riesgo de estar optimizando la variable equivocada.

Imaginemos que la IA descubre que bajar ligeramente la tarifa siete días antes de la llegada mejora la conversión. La recomendación puede aumentar ocupación y RevPAR en determinadas fechas. Sin embargo, quizá esté atrayendo reservas con mayor coste de adquisición, menor gasto complementario, más cancelaciones o una carga operativa desproporcionada. Si el objetivo del modelo no incorpora contribución neta, coste de distribución, presión sobre el servicio y valor futuro del cliente, la supuesta optimización puede trasladar ingresos desde el margen hacia el volumen.

Este riesgo se agrava cuando varios hoteles utilizan señales parecidas y sistemas que reaccionan al comportamiento de los competidores. Podríamos terminar construyendo un mercado donde los algoritmos se observan mutuamente, interpretan sus movimientos y amplifican decisiones sin que exista detrás un cambio real de demanda. Una subida iniciada por un hotel puede ser leída como fortaleza por otros sistemas, provocando nuevas subidas. También puede ocurrir lo contrario: una reducción puntual desencadena una secuencia de ajustes que convierte una duda individual en una guerra de precios automatizada.

No sería la primera vez que la Hotelería confunde movimiento con estrategia. La diferencia es que ahora podremos equivocarnos con una velocidad admirable.

La IA será especialmente competente en terrenos donde existan grandes volúmenes de información, objetivos claros, resultados observables y patrones relativamente repetibles. Eso incluye una parte importante del forecasting hotelero, la detección de anomalías, la optimización táctica, la simulación de escenarios, la elaboración de informes y la vigilancia continua del mercado. Cuanto más estructurado sea el problema, mayor será la ventaja de la máquina.

Pero el Revenue Management se mueve también en zonas donde los datos son escasos, las relaciones causales no están claras o el hotel pretende construir un futuro diferente de su pasado. Una reforma, un reposicionamiento, una nueva propuesta gastronómica, un cambio de segmento, una apertura o la entrada en un mercado distinto ofrecen poca historia fiable. En esos momentos, el profesional debe combinar evidencia incompleta, experiencia, conversación comercial, conocimiento operativo y una hipótesis estratégica. La IA puede ayudar a pensar el escenario, pero no puede decidir qué hotel queremos llegar a ser.

Otra consecuencia será la progresiva desaparición de muchas tareas de entrada a la profesión. Este punto me preocupa más de lo que suele reconocerse. Los Revenue Managers experimentados aprendieron revisando pick-up, construyendo previsiones, equivocándose con fechas, escuchando a Comercial y comprobando después qué había sucedido. Las actividades repetitivas no eran siempre estimulantes, pero permitían desarrollar intuición, reconocer patrones y comprender la estructura económica del hotel.

Si automatizamos esas tareas sin rediseñar el aprendizaje, aparecerá una brecha de formación profesional. Pediremos a los nuevos Revenue Managers que supervisen modelos complejos sin haber recorrido el proceso mental que esos modelos ejecutan. Sabrán utilizar una recomendación, pero quizá no sepan reconstruirla. Podrán detectar que algo parece extraño, aunque no siempre explicar por qué. Será como pedir a alguien que supervise una cocina sin haber aprendido nunca cómo reaccionan los ingredientes cuando cambia el fuego.

La automatización, por tanto, no solo modifica el empleo. También puede interrumpir el mecanismo mediante el cual construimos experiencia. Las organizaciones que entiendan esta tensión deberán crear deliberadamente nuevas formas de aprendizaje:

• Forecasting paralelo. Antes de consultar la recomendación del sistema, el profesional prepara una previsión breve y documenta sus hipótesis. Después compara ambos resultados. La finalidad no es competir con la máquina, sino entrenar razonamiento independiente.
• Revisión de decisiones fallidas. Las reuniones no deberían limitarse a analizar si se alcanzó el presupuesto. Conviene reconstruir qué información estaba disponible, qué hipótesis se aceptaron, qué alternativa se descartó y qué aprendió el sistema del resultado.
• Simulaciones de mercado. Presentar escenarios incompletos, eventos inesperados, cambios de competidor o restricciones operativas obliga a practicar decisiones donde no existe una respuesta automática evidente.
• Rotación comercial y operativa. Un Revenue Manager que nunca conversa con Recepción, Pisos, Marketing, Ventas o Finanzas corre el riesgo de optimizar un hotel imaginario. La exposición real a la operación seguirá siendo una de las mejores escuelas de criterio.
• Defensa de recomendaciones. Aceptar o rechazar una propuesta de la IA debería exigir una explicación proporcional al impacto económico. Así evitamos tanto la obediencia automática como el rechazo basado únicamente en intuiciones difíciles de contrastar.

La profesión no perderá relevancia por utilizar algoritmos. La perderá si permite que el conocimiento se reduzca a pulsar aceptar. Un Revenue Manager incapaz de trabajar sin el sistema será tan vulnerable como uno que se niegue a utilizarlo. El primero habrá delegado su criterio; el segundo habrá renunciado a una capacidad que sus competidores sí aprovecharán.

El nuevo Revenue Manager gobernará decisiones, riesgos y excepciones

La IA desplazará el centro de gravedad de la función. Hoy una parte considerable del tiempo se dedica a producir análisis y convertirlos en acciones. En los próximos años, el trabajo se concentrará más en diseñar las reglas bajo las que la máquina puede decidir, comprobar si los resultados sirven al negocio y gestionar aquellas excepciones donde el contexto importa más que el patrón.

Este cambio obliga a abandonar una visión demasiado estrecha del Revenue Management. La habitación seguirá siendo un inventario esencial, pero la verdadera optimización deberá considerar contribución, capacidad operativa, coste de adquisición, servicios complementarios, duración, flexibilidad, reputación y valor del cliente. Un sistema que maximiza RevPAR puede estar tomando decisiones incompatibles con el GOP, con el posicionamiento o con la experiencia del cliente en hoteles.

He visto demasiadas reuniones donde Revenue celebraba una fecha que Operaciones recordaba como un pequeño desastre. El hotel estaba lleno, la tarifa era elevada y el informe tenía un aspecto magnífico. Al mismo tiempo, Pisos había trabajado por encima de su capacidad, Recepción acumuló esperas, el desayuno se saturó y las compensaciones llegaron días después. La IA podría conseguir llenar ese hotel todavía mejor. Esa no es necesariamente una buena noticia.

El nuevo modelo exige incorporar restricciones que tradicionalmente han permanecido fuera de los sistemas de Revenue. La capacidad comercial no siempre coincide con la capacidad física ni con la capacidad sostenible de servicio. Si vender una habitación adicional incrementa de forma desproporcionada el riesgo de fallo, la recomendación debería considerar ese coste. La última habitación disponible no siempre es la habitación más rentable.

Para ordenar esta transición propongo trabajar con un Mapa de Soberanía de Decisión. Su finalidad es definir qué decisiones puede ejecutar la IA, cuáles requieren validación, cuáles deben ser cuestionadas y cuáles permanecen bajo responsabilidad humana. No es un documento tecnológico. Es una arquitectura de gobierno del negocio.

El mapa puede construirse clasificando cada decisión de Revenue según cinco dimensiones:

• Impacto económico. No merece el mismo nivel de control un ajuste de dos euros en una fecha de baja demanda que el cierre de un canal, la aceptación de un grupo o una modificación de restricciones durante un periodo crítico.
• Reversibilidad. Algunas acciones pueden corregirse en minutos. Otras generan compromisos contractuales, desplazan demanda, alteran la percepción del precio o afectan a clientes que ya han reservado. Cuanto más difícil sea reparar la decisión, menor debería ser la autonomía automática.
• Calidad del dato. El nivel de confianza debe disminuir cuando existen integraciones incompletas, cambios recientes de segmentación, históricos contaminados o señales externas difíciles de verificar. La ausencia de datos no debería ser interpretada como estabilidad.
• Exposición de marca. Una decisión puede ser financieramente atractiva y, al mismo tiempo, incoherente con el posicionamiento. Descuentos visibles, diferencias difíciles de explicar, condiciones agresivas o saltos bruscos de precio afectan a la confianza del cliente y al marketing hotelero.
• Complejidad operativa. El modelo debe reconocer si una acción comercial introduce llegadas concentradas, cambios de habitación, presión sobre determinadas tipologías, necesidades de montaje, restricciones gastronómicas o cargas adicionales que no aparecen en el ingreso de habitaciones.

A partir de esas dimensiones, cada hotel puede establecer cuatro zonas de soberanía. En la primera, la IA ejecuta automáticamente dentro de límites claros. En la segunda, recomienda y una persona valida. En la tercera, debe presentar escenarios alternativos y explicar riesgos. En la cuarta, la decisión se reserva al comité o al responsable correspondiente porque afecta al posicionamiento, a compromisos relevantes o a la planificación estratégica hotelera.

Este enfoque evita dos extremos habituales. El primero es la automatización ingenua, que concede autonomía antes de comprender el modelo. El segundo es la supervisión decorativa, donde una persona aprueba centenares de recomendaciones y su validación deja de ser un control real. Si nadie dispone de tiempo para examinar una decisión, no existe supervisión humana; existe simplemente una firma humana al final de un proceso automático.

También tendremos que medir la contribución del Revenue Manager de otra manera. El número de cambios de tarifa, informes producidos o recomendaciones revisadas perderá relevancia. Incluso el cumplimiento del presupuesto puede resultar insuficiente, porque el presupuesto no siempre representa la mejor decisión disponible. Necesitamos indicadores que valoren la calidad del juicio y no solo la actividad.

Propongo incorporar progresivamente métricas como estas:

• Valor del override humano. Mide la diferencia de contribución entre la recomendación original del sistema y el resultado de una intervención humana. Debe analizarse durante periodos suficientemente largos, porque una decisión acertada puede parecer equivocada en el corto plazo.
• Tasa de excepción rentable. Calcula qué porcentaje de situaciones fuera del patrón se resuelve con mejores resultados gracias a una intervención específica. Ayuda a identificar dónde aporta valor real la experiencia profesional.
• Latencia de decisión. Registra cuánto tiempo transcurre desde que aparece una señal relevante hasta que se adopta y ejecuta una respuesta. La IA debería reducir esta distancia sin convertir cada fluctuación en una reacción impulsiva.
• Coste de falsa confianza. Estima el impacto de recomendaciones aceptadas por su aparente precisión que después resultan perjudiciales. Incluye pérdida de margen, desplazamiento, deterioro de posicionamiento y costes operativos.
• Coherencia comercial. Evalúa si precio, condiciones, canales, segmentación y comunicación expresan una propuesta comprensible para el mercado. La optimización fragmentada puede generar buenos resultados locales y una experiencia comercial incoherente.
• Error de previsión por contexto. El error agregado oculta mucho. Conviene analizarlo por horizonte, segmento, canal, día de la semana, tipología, evento y régimen de demanda. La pregunta útil no es solo cuánto se equivoca el modelo, sino dónde y bajo qué condiciones.
• Rentabilidad posterior a la estancia. Una decisión de Revenue debería evaluarse incorporando cancelación, coste de canal, consumos, compensaciones, complejidad de servicio, reputación y posibilidad de repetición. El ingreso inicial cuenta una parte de la historia, no toda.

Estas métricas presentan una dificultad saludable: obligan a reconstruir el contrafactual. Nunca sabremos con absoluta certeza qué habría ocurrido con la decisión alternativa. Pero esa imperfección no justifica seguir midiendo únicamente lo fácil. En la administración de hoteles, algunas de las decisiones más importantes se toman precisamente bajo incertidumbre.

La relación entre Revenue Manager e IA debería parecerse menos a la de una persona obedeciendo a una calculadora y más a la de dos sistemas de inteligencia con fortalezas distintas. La máquina aporta velocidad, memoria, consistencia, detección de patrones y capacidad de simulación. La persona aporta contexto, intención estratégica, comprensión política de la organización, lectura de señales débiles y responsabilidad moral sobre las consecuencias.

También aporta algo que suele olvidarse: la capacidad de cambiar la pregunta. Un algoritmo puede optimizar la tarifa para alcanzar un objetivo. El profesional debe decidir si ese objetivo sigue siendo correcto. Puede cuestionar si merece la pena maximizar ocupación, si el segmento perseguido encaja con el producto, si una promoción debilita la venta directa o si el hotel está intentando resolver mediante precio un problema que pertenece a la experiencia, al posicionamiento o al marketing hotelero.

En este nuevo escenario, el Revenue Manager deberá ampliar su repertorio profesional. El dominio técnico seguirá siendo necesario, pero dejará de ser suficiente. Las capacidades con mayor valor serán aquellas que permitan conectar el modelo con el negocio completo:

• Economía de la reserva. Comprender ingresos, costes variables, adquisición, desplazamiento, probabilidad de cancelación y consumo operativo para decidir sobre contribución y no únicamente sobre tarifa.
• Diseño de escenarios. Construir alternativas coherentes bajo distintos niveles de demanda, comportamiento competitivo, disponibilidad operativa y respuesta del cliente.
• Gobierno del dato. Saber qué información alimenta el modelo, con qué frecuencia se actualiza, qué sesgos contiene y qué parte de la realidad no está siendo observada.
• Pensamiento causal. Diferenciar una correlación útil de una explicación válida. Que dos variables se muevan juntas no significa que una provoque la otra, por muy atractivo que resulte el gráfico.
• Comunicación ejecutiva. Explicar decisiones complejas con claridad, reconocer incertidumbre y conseguir que Operaciones, Marketing, Comercial y Finanzas trabajen sobre una interpretación común.
• Criterio ético y comercial. Establecer límites en personalización de precios, uso de datos, segmentación y trato diferencial. Poder calcular algo no significa que debamos hacerlo.
• Liderazgo transversal. Influir sin convertir Revenue en una torre de control aislada. El profesional tendrá que escuchar, negociar restricciones y traducir objetivos económicos a decisiones comprensibles para todo el hotel.

La ética adquirirá una relevancia especial. La capacidad de estimar disposición a pagar, urgencia, sensibilidad al precio o probabilidad de conversión puede producir una personalización comercial mucho más precisa. Sin reglas claras, esa capacidad puede cruzar rápidamente la frontera entre optimizar y explotar. Una tarifa dinámica basada en demanda agregada es distinta de un precio individual determinado mediante características personales que el huésped desconoce.

El problema no es únicamente regulatorio. Es una cuestión de confianza. Si dos clientes perciben diferencias de precio que no pueden comprender, el hotel puede obtener un ingreso adicional hoy y generar sospecha mañana. La experiencia del cliente en hoteles comienza antes de la llegada, y el precio forma parte de esa experiencia. Una estrategia opaca puede ser rentable en una transacción y costosa para la relación.

Desde el 2 de febrero de 2025, la regulación europea ya exige determinadas obligaciones de alfabetización en IA, y desde el 2 de agosto de 2026 se aplica la mayor parte de su marco general y de transparencia. Aunque el pricing hotelero ordinario no se convierte automáticamente en un uso de alto riesgo, el contexto regulatorio deja una enseñanza clara: las empresas deberán saber qué sistemas utilizan, qué decisiones afectan, quién los supervisa y cómo se prepara a las personas responsables.

En mi opinión, el gobierno de la IA en Revenue Management debería incluir, como mínimo, un registro de modelos y fuentes, responsables claramente identificados, límites de autonomía, controles de calidad, historial de intervenciones, revisión periódica de sesgos y un protocolo de desconexión. Todo sistema capaz de tomar decisiones económicas relevantes necesita una forma segura de detenerse. La esperanza no es un plan de contingencia, aunque aparezca con frecuencia en presupuestos hoteleros.

También conviene definir qué ocurre cuando el sistema y la experiencia profesional discrepan. Rechazar siempre la recomendación convierte la inversión en un adorno caro. Aceptarla siempre convierte al profesional en un intermediario innecesario. La discrepancia debería activar una investigación proporcionada al riesgo: revisar datos, comprobar supuestos, construir escenarios y documentar la decisión.

Ese registro puede convertirse en un Libro de Decisiones de Revenue. No sería una lista burocrática de cada cambio de tarifa, sino una memoria de las decisiones significativas. Incluiría la señal detectada, la recomendación de la IA, la interpretación humana, la acción adoptada, el resultado y el aprendizaje posterior. Con el tiempo, permitiría descubrir dónde falla el modelo, dónde falla nuestro criterio y qué excepciones se repiten con suficiente frecuencia como para dejar de ser excepciones.

El Libro de Decisiones resolvería además un problema habitual: los hoteles recuerdan los grandes aciertos y los errores dolorosos, pero olvidan la lógica que condujo a ellos. Cuando cambian las personas, se pierde parte del aprendizaje y se repiten discusiones antiguas. La IA puede ayudar a conservar esa memoria, siempre que no la utilicemos para sustituir la conversación crítica.

Las reuniones de Revenue también deberán evolucionar. Dedicar una hora a leer cifras que todos podrían haber consultado antes será cada vez menos defendible. La IA puede preparar el diagnóstico básico y reservar el tiempo humano para resolver contradicciones. Una buena reunión debería concentrarse en unas pocas preguntas: qué ha cambiado de verdad, qué no explica el modelo, qué riesgo estamos asumiendo, qué decisión es difícil de revertir y qué necesita saber el resto del hotel.

Esto cambiará incluso la composición de los equipos. Algunas organizaciones reducirán posiciones analíticas y concentrarán responsabilidad en perfiles capaces de supervisar portfolios más amplios. Otras crearán funciones híbridas entre Revenue, distribución, marketing, datos y estrategia. Los hoteles independientes podrán acceder a capacidades antes reservadas a estructuras mayores, aunque también correrán el riesgo de depender de modelos que no comprenden y proveedores cuyos objetivos no coinciden necesariamente con los suyos.

La propiedad deberá decidir si considera el Revenue Management una función de producción de tarifas o una capacidad estratégica. Si solo espera automatización y ahorro de costes, probablemente obtendrá eficiencia. Si pretende mejorar la rentabilidad hotelera, necesitará conservar personas capaces de cuestionar objetivos, interpretar contextos y traducir recomendaciones en decisiones empresariales. Reducir trabajo no equivale automáticamente a ampliar inteligencia.

Prepararía esta transición en tres horizontes. En los próximos seis meses, inventariaría tareas, datos, decisiones y dependencias. En un horizonte de doce a dieciocho meses, definiría zonas de autonomía, métricas y protocolos de excepción. A partir de ahí, rediseñaría puestos, formación y reuniones para que el tiempo liberado por la IA se transforme en análisis estratégico, desarrollo de producto, comprensión del cliente y coordinación comercial.

El mayor fracaso sería automatizar treinta horas semanales y rellenarlas después con más informes, más reuniones y más vigilancia. La promesa de la IA no consiste en permitir que el Revenue Manager mire todavía más pantallas. Consiste en devolverle tiempo para pensar mejor el negocio. Si no sabemos utilizar ese tiempo, la tecnología habrá mejorado el proceso sin mejorar la dirección.

No temo especialmente que la IA elimine al Revenue Manager. Me preocupa más que algunos hoteles vacíen de criterio el puesto antes de que la IA llegue a sustituirlo. Cuando una función se limita a trasladar recomendaciones, vigilar dashboards y justificar variaciones, su vulnerabilidad no nace de la tecnología. Nace de haber renunciado previamente a su dimensión estratégica.

Si trabajas en Revenue, empieza por identificar qué parte de tu semana produce decisiones y qué parte produce simplemente actividad. Aprende a cuestionar el dato, comprende la operación, conversa con Marketing y Finanzas, reconstruye el margen de cada tipo de reserva y documenta tus hipótesis antes de consultar a la máquina. Tu valor futuro no estará en saber qué botón pulsar, sino en saber cuándo no deberías pulsarlo.

Si tienes responsabilidad sobre un hotel, no preguntes únicamente cuánto trabajo puede automatizar la IA. Pregunta qué capacidad quieres conservar dentro de la organización, quién responderá cuando el modelo se equivoque y cómo aprenderán los profesionales que llegan detrás. El futuro del Revenue Management no pertenecerá a la máquina ni a la persona por separado. Pertenecerá a los hoteles que sepan combinar velocidad algorítmica, criterio humano y una idea muy clara de qué negocio desean construir.