Todos los grupos hoteleros tienen datos. El PMS registra cada reserva, cada llegada, cada salida. El sistema de revenue management analiza ritmo, pickup y previsión. El BI consolida métricas para dirección. Finanzas cierra el mes con sus propios números. El channel manager cuenta canales. El CRM cuenta huéspedes.
Los datos existen. El problema es otro.
El problema es que los mismos datos no significan lo mismo en cada sistema, y en la mayoría de los grupos hoteleros, nadie ha resuelto esa contradicción de forma estructural. Se convive con ella. Se reconcilia en reuniones. Se aprende a leer cada informe sabiendo implícitamente de dónde viene y qué limitaciones tiene.
Ese conocimiento tácito funciona cuando lo lleva una persona. Cuando se aplica IA sobre esa base, el resultado no es inteligencia operativa. Es confusión con apariencia de certeza.
El mismo número,
tres definiciones
Tomemos el RevPAR. No hay métrica más citada en una reunión de dirección hotelera. Y sin embargo, en la mayoría de los grupos, el RevPAR del equipo de operaciones, el del equipo comercial y el que produce el RMS son tres números distintos, calculados sobre supuestos distintos, y los tres son técnicamente defendibles.
Operaciones calcula sobre habitaciones físicamente disponibles y todas las habitaciones ocupadas, incluyendo cortesías y uso interno, porque eso refleja la realidad del edificio. Comercial excluye el inventario fuera de servicio y calcula sobre ingresos netos de rappels, porque eso refleja lo que el negocio realmente ingresó. El RMS calcula sobre inventario comercializable y excluye cortesías, porque eso refleja la señal de demanda que necesita para optimizar tarifas.
Misma propiedad. Mismo mes. Tres números. Los tres correctos desde su propia lógica.
En una organización donde esa diferencia la gestionan personas, el problema es manejable; aunque costoso en tiempo y en reuniones. Cuando se le pide a un sistema de IA que razone sobre el RevPAR del grupo, el sistema no sabe que definición usar. Y lo que es más peligroso, tampoco lo dice. Usa una, produce una respuesta con apariencia de precisión, y nadie en la sala sabe sobre qué base está calculando.
No es un problema
de tecnología
La reacción habitual cuando se describe este problema es técnica: hay que integrar mejor los sistemas, hay que limpiar los datos, hay que construir un data warehouse. Todo eso es necesario, pero no es suficiente, porque el problema no es técnico en su origen.
Es un problema de lenguaje operativo.
Cada departamento del hotel desarrolla, con el tiempo, su propia manera de nombrar y calcular las cosas que le importan. Eso no es un defecto de organización: es una consecuencia natural de que distintos equipos usan distintos sistemas para distintos propositos. El área comercial vive en el RMS y en el channel manager. Operaciones vive en el PMS. Finanzas vive en el ERP. Cada uno optimiza sus herramientas para su trabajo, y cada herramienta tiene su propia forma de representar la realidad del hotel.
El resultado es que el hotel tiene muchos lenguajes y ninguna lengua franca.
Cuando la dirección pide un informe consolidado, alguien; generalmente una persona que lleva años en el grupo; hace la traducción. Sabe que el RevPAR de finanzas no es comparable con el del RMS sin ajuste previo. Sabe que el "pickup" del dashboard de revenue no es el mismo que el pickup que menciona el jefe de reservas. Sabe qué números creer y cuáles mirar con escepticismo.
Ese conocimiento no está documentado. No está en ningún sistema. Vive en la cabeza de dos o tres personas.
Y cuando se aplica IA sobre esa estructura, la IA no hereda ese conocimiento. Hereda los datos crudos, con todas sus contradicciones, sin el contexto que permitiría interpretarlos correctamente.
Lo que la IA amplifica
Hay una idea que vale la pena dejar clara: la IA no crea claridad. Amplifica la claridad, o la confusión, que ya existe en la operación.
Un sistema de IA aplicado sobre datos bien definidos, con linaje claro y métricas consistentes, produce respuestas útiles. Un sistema de IA aplicado sobre datos contradictorios, con definiciones implícitas y métricas que significan cosas distintas según quién las calcule, produce respuestas que suenan bien pero que no son fiables.
El peligro no es que la IA diga algo obviamente incorrecto. El peligro es que diga algo que parece correcto, con una confianza que no está justificada, y que la organización actúe sobre esa respuesta.
Ese es el patrón que se repite en los pilotos de IA hotelera que no terminan de funcionar. No es que el modelo sea malo. Es que el modelo está razonando sobre una base que nadie ha ordenado, y los errores que produce son difíciles de detectar porque se parecen mucho a las respuestas correctas.
La IA no crea claridad. Amplifica la claridad, o la confusión, que ya existe en el negocio.
La solución es arquitectónica,
no de gobernanza
La respuesta instintiva a este problema suele ser de gobernanza: convocamos una reunión, acordamos las definiciones, documentamos los criterios, formamos a los equipos. Eso se ha intentado en todos los grupos hoteleros que han enfrentado este problema. Y nunca funciona de forma duradera.
No porque los equipos no quieran cumplir. Sino porque el acuerdo existe en un documento o en la memoria de quien convocó la reunión, mientras que los cálculos existen en software que no sabe nada de ese acuerdo. En cuanto alguien necesita un número con urgencia, cada sistema implementa su propia versión. El acuerdo decae.
La única solución que funciona de forma duradera es arquitectónica: una capa que contenga las definiciones de las métricas como objetos del sistema, que calcule cada KPI de forma canónica, y que sea la fuente de la que leen todos los demás sistemas. No un dashboard más. Una capa debajo de todos los dashboards, que garantice que la pregunta sobre el RevPAR del mes pasado tiene una sola respuesta, con su base declarada, su linaje visible y sus límites explícitos.
Cuando esa capa existe, la IA puede razonar sobre el negocio sin inventar significados. Cuando no existe, la IA razona sobre contradicciones y produce respuestas que parecen inteligentes pero que descansan sobre arena.
Por donde empezar
El primer paso no es elegir una herramienta de IA. Es hacer un diagnóstico honesto del entorno que esa herramienta va a heredar.
Eso significa responder a preguntas concretas: ¿podemos trazar cada número crítico hasta su origen? ¿Significan lo mismo RevPAR, ADR y ocupación para el equipo comercial, para operaciones y para finanzas? ¿Sabe cualquier sistema externo cómo está estructurado realmente nuestro negocio, con sus propiedades, sus segmentos, sus canales y sus excepciones? ¿Quién es responsable de cada recomendación que produce la IA? ¿Qué ocurre cuando se equivoca?
Si esas preguntas no tienen respuesta clara, la IA no va a mejorar la situación. La va a hacer más opaca.
Ordenar el lenguaje operativo del hotel no es un proyecto de tecnología. Es un proyecto de claridad. Y es el trabajo que tiene que ocurrir antes de cualquier despliegue de IA que merezca ese nombre.