Michael McCartan, fervent défenseur de la tarification dynamique, est un intervenant reconnu et très sollicité dans le domaine des technologies hôtelières et est largement considéré comme une figure influente de la gestion des revenus hôteliers à l’échelle mondiale. Dans le cadre de ses fonctions, Après 20 ans de carrière dans les secteurs de l’hôtellerie et des technologies du voyage, Michael McCartan représente IDeaS en tant qu’expert et conférencier lors d’événements du secteur, tout en dirigeant l’organisation commerciale EMEA sur les marchés actuels et nouveaux..
© Archives Travolution
Les hôtels investissent beaucoup de temps et de ressources dans l’intelligence artificielle, mais nombre d’entre eux peinent encore à passer de la phase d’expérimentation à une utilisation opérationnelle à grande échelle.
Aujourd’hui, le défi auquel sont confrontés de nombreux groupes hôteliers n’est plus d’avoir accès à l’IA. Il consiste à acquérir suffisamment de confiance dans la technologie, les données et la gouvernance qui l’encadrent pour permettre à l’IA d’influencer à grande échelle de véritables décisions commerciales.
Par conséquent, de nombreuses organisations se retrouvent piégées dans une forme de « purgatoire des projets pilotes de l’IA », où les équipes sont disposées à tester la technologie et à examiner ses recommandations, mais restent réticentes à la laisser influencer les décisions commerciales prises en conditions réelles.
Ce manque de confiance devient particulièrement visible dans le revenue management, où les changements apportés à la fixation des prix, à l’inventaire ou aux prévisions peuvent avoir un impact financier immédiat.
Le rapport State of AI 2025 de McKinsey révèle que moins d’un tiers des organisations sont parvenues à déployer l’IA à grande échelle au-delà de la phase pilote. Pour les hôtels, la question n’est souvent pas de savoir si l’IA fonctionne. Il s’agit plutôt de savoir si les organisations lui font suffisamment confiance pour l’intégrer à leur processus décisionnel quotidien.
Les décisions commerciales renforcent l’importance de la confiance
La confiance devient plus importante à mesure que la technologie passe de la simple fourniture d’informations à une influence sur les décisions.
Un revenue manager peut être à l’aise avec le fait d’examiner une recommandation générée par un système. Autoriser ce même système à augmenter automatiquement un tarif, à restreindre l’inventaire associé aux tarifs les plus bas ou à refuser une activité commerciale exige un niveau de confiance plus élevé, à la fois dans les données et dans le processus décisionnel à l’origine de la recommandation.
Les systèmes de revenue management parviennent souvent à des conclusions qui peuvent sembler contre-intuitives lorsqu’elles sont examinées à travers un seul point de données, comme l’occupation actuelle. Un hôtel peut encore avoir des chambres à vendre alors que la demande à venir, la vitesse de réservation, la durée de séjour et les indicateurs de déplacement suggèrent que restreindre les activités à plus faible valeur permettra d’obtenir de meilleurs résultats commerciaux.
Les équipes doivent donc disposer d’une visibilité suffisante sur la manière dont une recommandation a été formulée, les facteurs qui l’ont influencée et les situations dans lesquelles une intervention humaine reste appropriée. La confiance se développe grâce à des performances constantes, mais elle dépend également de la compréhension.
La précision seule ne suffit pas. Les équipes commerciales sont davantage disposées à adopter l’automatisation lorsqu’elles peuvent comprendre les facteurs ayant influencé une recommandation et communiquer ce raisonnement dans l’ensemble de l’activité. La confiance est renforcée lorsque l’IA peut être encadrée aussi bien que mesurée.
Des systèmes déconnectés limitent ce que l’IA peut accomplir
La technologie n’est efficace que dans la mesure où les informations dont elle dispose le sont également. Les hôtels gèrent généralement leurs données commerciales à travers différents systèmes, notamment le PMS, le CRS, le RMS, le CRM et les plateformes de distribution. La qualité de toute recommandation automatisée dépend fortement de la régularité avec laquelle ces systèmes échangent leurs informations. Des données déconnectées peuvent limiter ce que l’IA est capable d’accomplir, tandis que des rapports et des définitions incohérents peuvent conduire différents services à prendre des décisions en se basant sur des versions différentes de la demande.
Les méthodes de travail en silos créent des difficultés supplémentaires. Les équipes chargées des revenus peuvent réagir à la vitesse de réservation, les équipes marketing peuvent se concentrer sur la génération de demande et les équipes commerciales peuvent chercher à développer l’activité groupe, tout en travaillant à partir d’hypothèses différentes concernant les performances futures.
Introduire l’IA dans cet environnement peut accélérer l’activité sans nécessairement améliorer la qualité des décisions si les informations alimentant ces décisions restent incomplètes ou fragmentées.
Appliquer l’IA à des données fragmentées ne présente pas simplement le risque de produire une mauvaise recommandation. Lorsque le mauvais type d’IA est associé à des informations incomplètes ou déconnectées, les organisations risquent de générer de mauvaises recommandations à grande échelle. Au lieu d’éliminer les inefficacités liées aux processus manuels, elles risquent simplement de les remplacer par des erreurs automatisées. Les recommandations peuvent être répétées avec assurance pour différents types de chambres, segments de marché et futures dates d’arrivée, multipliant ainsi l’impact d’hypothèses erronées ou de données d’entrée incomplètes.
Le danger est que le système peut malgré tout sembler fonctionner. Sans une architecture, un suivi et une explicabilité adaptés, les erreurs peuvent rester cachées jusqu’à ce qu’elles aient déjà influencé un volume significatif d’activité commerciale.
C’est pourquoi les hôtels doivent de plus en plus comprendre non seulement quelles données alimentent un système d’IA, mais aussi quelle forme d’IA est utilisée, quelle place elle occupe dans le processus décisionnel et comment ses recommandations peuvent être évaluées et remises en question.
Les hôtels commencent à se poser une autre question
Pendant plusieurs années, une grande partie des discussions du secteur de l’hôtellerie autour de l’IA s’est concentrée sur la question de savoir si les fournisseurs de technologies proposaient des fonctionnalités reposant sur l’IA.
Cependant, les groupes hôteliers se posent de plus en plus une autre question : quelle place l’IA occupe-t-elle réellement au sein du processus de décision ?
Cette question est importante, car tous les systèmes intégrant l’IA ne sont pas conçus de la même manière. Certaines technologies utilisent l’IA pour synthétiser des informations, générer du contenu ou faire ressortir des insights, tandis que les principales recommandations commerciales continuent de reposer sur des règles prédéfinies ou une logique gérée manuellement.
D’autres placent le machine learning au cœur des prévisions et de l’optimisation, permettant aux modèles de s’adapter en permanence à l’évolution des conditions de la demande.
À mesure que les hôtels recherchent davantage d’automatisation et de capacité à passer à l’échelle, l’architecture sous-jacente devient de plus en plus importante. La confiance dépend non seulement de la qualité d’une recommandation, mais aussi de la certitude que le processus de décision est cohérent, explicable et intégré au produit lui-même.
Cela reflète une évolution plus large de la manière dont les organisations du secteur hôtelier évaluent l’IA. La question n’est plus simplement de savoir si l’IA est présente au sein d’une plateforme. Les acheteurs cherchent de plus en plus à comprendre quelle place occupe l’IA dans le processus de décision et si elle est capable de faire partie intégrante du moteur de décision commerciale lui-même.
Les hôtels doivent adapter la technologie à la décision
La croissance rapide de l’IA générative a créé une tendance à considérer l’IA comme une catégorie unique, alors que différents enjeux commerciaux nécessitent différentes formes d’intelligence.
L’IA générative peut faciliter la communication, l’interprétation et les interactions avec les utilisateurs. Le revenue management repose sur des prévisions mathématiques et l’optimisation afin d’estimer la demande future et de déterminer comment la fixation des prix et l’inventaire doivent s’adapter. Un modèle génératif prédit le langage. Un système de revenue management doit établir des prévisions de la demande pour les futures dates d’arrivée et optimiser les décisions commerciales en fonction de ces prévisions.
L’IA mathématique peut soutenir le moteur de décision en collectant les signaux de demande, en établissant des prévisions sur les comportements futurs et en optimisant la fixation des prix et l’inventaire. L’IA générative peut aider les utilisateurs à interpréter et à communiquer les recommandations, tandis que les capacités agentiques peuvent faciliter leur exécution en réalisant des actions approuvées dans le respect de paramètres définis.
Les environnements commerciaux les plus efficaces associent ces capacités au sein d’un cadre de décision unique. Les prévisions, les recommandations, les explications et les actions gagnent en valeur lorsqu’elles fonctionnent ensemble au sein d’un système connecté plutôt que comme des outils distincts. Lorsque le mauvais type d’IA est utilisé pour résoudre le mauvais problème, les organisations risquent d’accorder leur confiance aux résultats obtenus sans pour autant améliorer la qualité de la décision sous-jacente.
La valeur commerciale vient de la création d’un processus continu dans lequel les signaux sont collectés, des prévisions de la demande sont établies, les paramètres sont optimisés, les décisions sont appliquées et les futures recommandations s’améliorent grâce à un apprentissage continu.
Les hôtels doivent définir où s’arrête l’automatisation
La confiance exige également une répartition claire des responsabilités.
Les hôtels doivent déterminer quelles décisions peuvent être automatisées, quelles situations nécessitent un examen et qui reste responsable des résultats.
Les ajustements courants de fixation des prix peuvent être effectués automatiquement dans le respect de paramètres convenus, tandis que des évolutions inhabituelles de la demande, des écarts importants par rapport aux prévisions ou des décisions majeures concernant l’inventaire peuvent nécessiter une supervision supplémentaire.
Des points d’intervention clairement définis permettent aux équipes de comprendre dans quelles situations le jugement humain reste nécessaire et facilitent l’intégration de l’automatisation aux opérations quotidiennes, plutôt que de la maintenir cantonnée à des programmes pilotes contrôlés. La gouvernance doit également s’appuyer sur les compétences, la formation et l’adoption. La technologie seule ne suffit pas à instaurer la confiance. Les employés doivent comprendre pourquoi les systèmes sont mis en place, quel rôle jouera l’automatisation et comment les responsabilités en matière de prise de décision évoluent à mesure que l’IA s’intègre plus profondément aux processus commerciaux.
Une adoption réussie commence par un problème précis
Les hôtels peuvent prolonger leur séjour dans le purgatoire des projets pilotes lorsque les initiatives liées à l’IA débutent par une ambition générale d’adopter l’IA plutôt que par un enjeu commercial clairement défini.
Un point de départ plus efficace consiste généralement à viser un résultat précis, comme améliorer la précision des prévisions, réagir plus rapidement aux évolutions de la vitesse de réservation, réduire les activités manuelles de fixation des prix ou évaluer les opportunités de groupe de manière plus cohérente. Une fois l’objectif clairement défini, les organisations peuvent déterminer quelles données sont nécessaires, quelles technologies sont adaptées et comment la réussite sera mesurée. Elles peuvent également définir les éléments de preuve nécessaires pour justifier le passage de l’expérimentation à une utilisation opérationnelle.
Pour sortir du purgatoire des projets pilotes, les organisations doivent en définitive considérer l’IA moins comme un projet technologique que comme un modèle opérationnel.
La question n’est plus simplement de savoir si l’IA peut générer des recommandations. La véritable question est de savoir si les organisations accordent suffisamment de confiance au moteur de décision sous-jacent pour intégrer ces recommandations à leurs processus commerciaux quotidiens.
Lorsque cela se produit, l’IA cesse d’être une expérimentation et devient partie intégrante du fonctionnement de l’activité.