As empresas de recreação funcionam com uma combinação que dificilmente se encontra reunida noutros setores: picos sazonais, uma grande população de colaboradores flexíveis e temporários, contacto com o hóspede que é o próprio produto, e uma retaguarda administrativa (backoffice) que tem de continuar a funcionar durante todo o ano enquanto a frente de casa trabalha a meio gás durante metade do ano. As horas concentram-se em grande parte no trabalho de front-office — fazer check-in, dar informações, alterar reservas, tratar reclamações — e no planeamento: escalas, distribuição de capacidade por alojamentos ou atrações, e manutenção que atinge o pico na mudança de estação. Além disso, há o trabalho administrativo que continua independentemente da estação: faturação, gestão de contratos, relatórios para proprietários ou franquiadores.
A circunstância que mais determina o resultado é a distribuição do trabalho entre o núcleo fixo e a camada flexível. Uma organização com um núcleo fixo pequeno e uma grande camada sazonal tem obstáculos diferentes de uma empresa que trabalha com uma equipa fixa durante todo o ano. Essa diferença não determina apenas onde estão as horas, mas também onde está a repetição — e é precisamente na repetição que a IA atua.
Numa parte das empresas de recreação, uma alteração de reserva, uma pergunta padrão sobre horários de abertura ou uma primeira resposta a uma reclamação já são tratadas por um sistema, sem que um colaborador as veja antes de serem enviadas. Noutras empresas, exatamente a mesma tarefa passa ainda inteiramente por um colaborador, com a mesma repetição, a mesma pergunta padrão, a mesma pressão de tempo durante a época alta. A diferença não está na natureza do trabalho — que é comparável — mas em saber se os dados subjacentes (sistemas de reservas, base de conhecimento, histórico de reclamações) estão organizados e ligados entre si. Onde isso não é o caso, a tarefa continua a ser trabalho humano, não porque o trabalho o exija, mas porque falta a condição prévia.
As mesmas três categorias percorrem toda a estação. Uma parte do trabalho pode ser assumida por um sistema: reservas de rotina, comunicação padrão, primeira triagem de perguntas. Uma parte é feita parcialmente, com um colaborador que aprova ou rejeita e indica um motivo: uma resposta de rascunho a uma reclamação, uma proposta de ajuste de escala em caso de doença, um cenário de planeamento para uma semana de grande afluência. E uma parte continua a ser trabalho humano: o hóspede que tem um problema no terreno, a ponderação num caso-limite num contrato, a conversa com um proprietário sobre um investimento. Essa distribuição muda com a estação — no pico, desloca-se muitas vezes mais para o sistema, simplesmente porque o volume o exige, enquanto no período mais calmo há mais espaço para o tratamento humano.
A "ambição de IA" é frequentemente interpretada em níveis diferentes nas empresas de recreação, sem que isso seja explicitado. Um diretor refere-se a um chatbot para o site, outro refere-se a um sistema que calcula todo o planeamento sazonal, o terceiro pensa em faturação automatizada para os proprietários. Não se trata de graus da mesma ambição — são ambições diferentes com requisitos diferentes. Um chatbot exige uma base de conhecimento bem preenchida; um sistema de planeamento exige dados históricos fiáveis sobre ocupação e pessoal; a faturação automatizada exige contratos padronizados. Sem essa tradução, surge o padrão que também se verifica fora deste setor: por que razão as pessoas querem dizer coisas diferentes com as mesmas palavras, e uma decisão que é entendida por um como "projeto pequeno" e por outro como "mudança fundamental".
Isto também colide com os objetivos departamentais existentes. Uma equipa de front-office avaliada pela pontuação dos hóspedes vive uma primeira resposta automatizada de forma diferente de um departamento de planeamento orientado para a redução de custos. O que fazer quando esses objetivos se contrariam é uma questão que vai além do setor da recreação e é tratada em separado na página sobre objetivos departamentais em conflito.
A preparação para uma ambição de IA na recreação depende fortemente de cadeias de dados frequentemente fragmentadas entre o sistema de reservas, o sistema de caixa e o planeamento de pessoal, de quantos colaboradores sazonais estão formados para reconhecer desvios de uma proposta do sistema, e de saber se os direitos de decisão estão claramente definidos entre a unidade local e a sede. Uma ambição de automatizar o planeamento de escalas só é realista quando está claro quem pode anular uma proposta do sistema e com que fundamento. Isto não está relacionado com a questão de saber se alguém mantém a sua função — para isso aplicam-se requisitos legais próprios, à parte desta avaliação — mas com a questão de saber se a organização já organizou o trabalho de forma a permitir a sua transferência.
O setor da recreação não está sozinho nisto: obstáculos semelhantes em torno da carga de pico e das camadas flexíveis encontram-se também em as ambições de IA que existem no setor da limpeza e, com uma estrutura de pico diferente mas a mesma questão em torno do planeamento e da supervisão, em as ambições de IA na área da saúde.
A pergunta sobre que trabalho na sua empresa pode efetivamente ser assumido pela IA não tem resposta em termos gerais, mas sim por tarefa — é precisamente para isso que o scan de trabalho da FTE TO AI foi concebido. Para uma primeira impressão, sem ter de esperar por isso, existe a verificação de preparação gratuita: oito perguntas curtas, uma por dimensão, que mostram em que ponto a sua organização está mais avançada e em que ponto está menos avançada. O teste de ambição completo, com as quatro camadas e os cinco confidence gates, está em preparação.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.