Waarom AI in hospitality vastloopt op processen en te weinig experimenten

AI in hospitality wordt op elk congres genoemd, maar de meeste hotels doen er in de praktijk nog vrijwel niets mee. Niet omdat de techniek te ingewikkeld is. Wel omdat een hotel draait op standaarden, checklists en procedures die al jaren goed werken. En precies dat is het probleem: de branche is te succesvol om zichzelf makkelijk te veranderen.

Als je als general manager of revenue manager rondkijkt, zie je een organisatie die op zich prima loopt. De check-in werkt, de forecast draait, housekeeping heeft zijn ritme, F&B haalt zijn marges. Er is weinig wat schreeuwt om verandering. En dat is precies de valkuil die je bij succesvolle bedrijven overal ziet: ze rijden goed, dus stappen ze niet uit om de motor open te maken.

Wat je onder de motorkap ziet is een sterk procesgedreven bedrijf. Elk hotelmerk heeft zijn brand standards, zijn SOP's, zijn audit-formulieren. Dat systeem is de reden dat je consistent bent, maar het maakt de organisatie ook traag. Een idee van een front office manager over een nieuwe gastcommunicatie moet langs vier lagen voor er iets gebeurt. Een test van een tool duurt zes maanden voor iemand groen licht geeft. En intussen praat het hele MT wel over AI, maar niemand experimenteert.

Het pijnlijke is dit: in andere sectoren, van cruise tot retail, laten hotels al zien dat AI direct de omzet raakt via hyper-personalisatie. Alleen zit die kennis nergens verankerd in jouw dagelijkse operatie. Er is geen budget voor mislukking. Er is geen ruimte voor een team dat gewoon iets probeert. En dus schuift het door.

Van procesindustrie naar experimenteercultuur met AI in hospitality

Wat in de praktijk werkt is niet nog een AI-strategiedocument. Het is de keuze om een deel van je bestaande processen open te breken en er kleine experimenten omheen te bouwen. Niet één groot project voor het hele hotel, maar tien kleine tests per kwartaal in afgebakende onderdelen. Reservations, upselling bij check-in, personeelsplanning, revenue forecasting. Vier plekken waar je nu al meetbare cijfers hebt, dus waar je meteen ziet of een AI-tool wat toevoegt of niet.

De verschuiving zit in de rol van je standaarden. Standaarden zijn er om kwaliteit te borgen, niet om snelheid tegen te houden. Als een front office team met een AI-tool de gemiddelde check-in van 4 minuten naar 90 seconden krijgt zonder verlies aan gastervaring, dan is die standaard geen wet meer maar een startpunt. Dat vraagt dat je als leiding actief zegt: standaarden mogen we herzien zodra een experiment een betere uitkomst laat zien.

Concreet betekent dit dat je per afdeling één persoon aanwijst die experimenten mag draaien buiten de reguliere KPI's om. Iemand met mandaat om een tool twee weken te testen, resultaten te delen, en te stoppen als het niet werkt. Zonder businesscase van 30 pagina's vooraf. Dat is voor een hotelketen ongemakkelijk, omdat je gewend bent aan gedegen besluitvorming. Maar de sectoren die AI nu goed inzetten hebben allemaal die stap gezet.

Waar AI in hospitality nu al aantoonbaar geld oplevert

Hyper-personalisatie is het meest concrete voorbeeld. Amerikaanse hotels en cruise-operators gebruiken AI om per gast te bepalen welk aanbod, welke kamerupgrade en welke ancillary op welk moment relevant is. Niet één upsell-mail voor iedereen, maar een aanbod per segment dat rekening houdt met boekingsgedrag, verblijfsduur en historische besteding. De resultaten die daaruit komen zijn geen marginale verbeteringen. Ze verschuiven de RevPAR-curve merkbaar, juist bij ketens die eerder al goed presteerden.

Dichter bij huis zie je hetzelfde in processen die vaak tijdrovend en foutgevoelig zijn. Groepsaanvragen die vroeger door sales handmatig werden verwerkt. Forecast-modellen die op vrijdag pas voor volgende week rond zijn. Roosterplanning waar HR uren aan kwijt is. Dit zijn precies de plekken waar AI-toepassingen nu al werken, omdat de input gestructureerd is en de output meetbaar. De grootste hefboom zit niet in nieuwe diensten, maar in bestaande processen die je 5 tot 10 keer sneller kunt draaien.

Wat je nog niet weet, en waarom dat oké is

Eerlijk gezegd weet niemand in de branche al welke AI-tools binnen welk hotelproces echt betrouwbaar zijn. Wat werkt bij een resort van 400 kamers is niet wat werkt bij een stadshotel met 90 kamers en een strak F&B-concept. Dat betekent dat je een leerperiode ingaat waarin sommige experimenten mislukken. Dat is geen falen van AI, dat is de normale kostprijs van leren welke tool bij welke situatie past. Wie die kostprijs weigert te betalen, blijft toekijken hoe anderen het uitzoeken.

Het interessante voor jou als revenue-, HR- of asset manager is dat je nu al de data hebt om te bepalen waar je begint. Je weet welk proces per maand het meeste tijd kost. Je weet waar de fouten zitten in forecast of planning. Je weet welke gastsegmenten ondergewaardeerd worden in je huidige communicatie. Dat is de shortlist voor experimenten. Niet beginnen bij "we willen iets met AI", maar bij "in dit proces verliezen we aantoonbaar tijd of geld, laten we daar drie tools tegenaan zetten en kijken wat overeind blijft".

De hotels die de komende twee jaar het verschil maken zijn niet degenen met de grootste AI-strategie. Het zijn de organisaties die hun proces-DNA durven combineren met een experimenteerritme dat de branche nog niet gewend is. Wie standaarden blijft behandelen als eindpunt, verliest terrein aan wie standaarden gebruikt als startpunt. Bij Future of Hospitality delen collega's uit revenue, HR en asset management wekelijks wat bij hen werkt en wat niet, zodat je niet zelf elk experiment vanaf nul hoeft te doen.