Intelligenza artificiale agentica nel revenue management: cosa c’è davvero

Oggi, in una struttura ricettiva, l’intelligenza artificiale che funziona davvero fa previsioni e propone prezzi. L’agente che decide da solo, esegue e si corregge esiste, ma in perimetri stretti e sotto controllo umano. La differenza fra le due cose non è di grado, è di responsabilità: nel primo caso la decisione resta tua, nel secondo no. Tutto il resto della discussione discende da qui.

Il problema è che i due prodotti vengono venduti con lo stesso vocabolario. In una presentazione commerciale «intelligenza artificiale» può indicare una regola scritta a mano da un consulente nel 2019, un modello statistico addestrato su tre anni di storico, o un sistema che scrive da solo sul channel manager. Sono tre cose con costi, rischi e requisiti diversi, e l’albergatore che chiede chiarimenti spesso riceve una risposta più commerciale che tecnica.

La seconda difficoltà è linguistica. In italiano il materiale serio su questo tema è quasi assente: chi cerca trova pagine di fornitori, e i fornitori raccontano la loro parte. Vale la pena mettere in fila che cosa questi sistemi fanno oggi, che cosa non fanno, e come si smonta una presentazione in mezz’ora senza essere ostili e senza essere ingenui.

Tre cose diverse chiamate con lo stesso nome#

Automazione basata su regole#

«Se il pickup a trenta giorni supera venti camere, alza la tariffa di riferimento di dieci euro.» È una regola: deterministica, riproducibile, leggibile da chiunque. Ha due grandi pregi. Il primo è che capisci sempre perché il prezzo è cambiato. Il secondo è che si spegne in un secondo e il sistema torna esattamente com’era.

Il limite è la manutenzione. Le regole non si aggiornano da sole e crescono di numero: dopo due anni ce ne sono ottanta, quattro si contraddicono a vicenda e nessuno ricorda chi ha scritto la numero 31. L’automazione a regole è utilissima e non è intelligenza artificiale, anche quando viene venduta come tale.

Modelli previsionali#

Un modello previsionale stima una quantità futura: la domanda per una data, la probabilità che una prenotazione venga cancellata, il pickup residuo, la domanda reale al netto dei rifiuti nei periodi in cui hai chiuso le vendite. L’uscita è un numero, e nei sistemi fatti bene anche un intervallo di incertezza attorno a quel numero.

Qui l’apprendimento automatico c’è per davvero, ma il modello non decide: trasforma lo storico in una stima. La decisione arriva dopo, da un’ottimizzazione o da una persona. È la parte più matura del settore, ed è anche la parte meno raccontata nelle presentazioni, perché è meno spettacolare.

Agenti#

Un sistema agentico è un’altra cosa. Riceve un obiettivo invece di un comando, osserva lo stato del mondo attraverso gli strumenti a cui è collegato, decide una sequenza di azioni, le esegue, guarda il risultato e corregge. Le due novità vere sono l’uso degli strumenti — leggere il gestionale, scrivere sul channel manager, mandare un messaggio — e la capacità di scomporre un obiettivo generico in passi che nessuno ha scritto in anticipo.

La linea che separa un agente da tutto il resto è una sola: l’autorità di scrittura. Un modello che produce un foglio di numeri sta suggerendo. Un sistema che scrive quei numeri sul channel manager senza che nessuno prema un tasto sta decidendo. Quando valuti un prodotto, la domanda non è «usa l’intelligenza artificiale» ma «su quali campi può scrivere, e con quali limiti».

Che cosa funziona oggi#

Un elenco onesto è più corto di quello delle presentazioni, ma non è corto.

• Previsione della domanda su serie storiche lunghe e regolari, con stagionalità e giorno della settimana. Su questo i modelli battono quasi sempre la media mobile fatta a mano.
• Ricostruzione della domanda repressa nei periodi chiusi o esauriti, che a mano quasi nessuno fa e che cambia il forecast dell’anno dopo.
• Probabilità di cancellazione a livello di singola prenotazione, con l’avvertenza pesante che il risultato dipende dalla pulizia dei campi in ingresso più che dall’algoritmo.
• Normalizzazione dei dati esterni: riconciliare le tipologie di camera dei concorrenti, ripulire le tariffe raccolte, riconoscere che due nomi diversi indicano la stessa camera.
• Rilevamento di anomalie: una tariffa caricata a 19 euro invece di 190, un canale che ha smesso di ricevere aggiornamenti da trentasei ore, un pickup che si ferma di colpo. Qui il valore è alto perché il costo dell’errore non intercettato è alto.
• Lavoro linguistico: bozze di risposta alle recensioni, traduzione delle condizioni tariffarie, estrazione dei dati da un contratto in formato non strutturato, riassunti di riunione.
• Classificazione: assegnare i codici tariffa ai segmenti, con revisione umana la prima volta e controlli a campione dopo.

Il tratto comune di questa lista: compiti con molti esempi, uscita verificabile, e danno limitato quando la risposta è sbagliata. Sono le tre condizioni che rendono sensata la delega.

Che cosa non funziona oggi#

Il primo limite è strutturale: un modello impara dal passato, quindi non sa niente di ciò che non è mai successo. Una fiera che cambia data, un concorrente nuovo che apre a duecento metri, un cantiere davanti all’ingresso, uno sciopero: sono esattamente le situazioni in cui il prezzo conta di più, e sono quelle in cui il sistema è più debole. Chi vende «previsione degli eventi» sta vendendo un calendario, che è una cosa utile ma diversa.

Il secondo limite è la qualità del dato. Un modello addestrato su uno storico in cui le prenotazioni cancellate sono state riscritte, le modifiche di data sovrascrivono l’originale e i codici tariffa sono stati riusati con significati diversi, impara quegli errori e li ripete con grande sicurezza. Non c’è modello che compensi un’estrazione sbagliata.

Il terzo limite è la spiegabilità. Molti sistemi producono a richiesta una spiegazione in italiano corretto del perché hanno scelto 214 euro. Quella spiegazione, nella maggior parte dei casi, è ricostruita dopo ed è plausibile, non è la catena causale che ha prodotto il numero. Non è una truffa, è come funzionano quei componenti: ma se la usi per difendere una decisione davanti alla proprietà, stai difendendo una narrazione.

Il quarto limite è il ciclo chiuso. Se il sistema decide il prezzo, osserva le vendite che quel prezzo ha generato e usa quelle vendite per addestrarsi, sta imparando da un mondo che ha creato lui. Senza un termine di paragone esterno — date lasciate fuori dall’automazione, confronti su periodi comparabili, prove controllate — nessuno può dire se sta migliorando o solo confermando le proprie scelte.

L’esempio è costruito, ma il meccanismo è reale e non riguarda l’algoritmo: riguarda il fatto che il sistema non aveva modo di distinguere «nessuno prenota» da «non ricevo più dati». Un agente senza controlli sulla salute dei propri ingressi è più pericoloso di un foglio di calcolo, perché agisce più in fretta.

Il problema dei dati: quanti ne hai davvero#

La promessa più diffusa è «ottimizziamo ogni tipologia per ogni data». Vale la pena contare quante osservazioni ci sono dietro quella frase in una struttura di dimensione normale.

Meno di una prenotazione per cella. Il numero non dice che il modello è inutile: dice che a quel livello di dettaglio non c’è niente da imparare, e che il sistema dovrà aggregare — per gruppi di date, per famiglie di tipologie, per macrosegmenti — e poi ridistribuire. È un lavoro legittimo e ben studiato, ma è l’opposto della promessa «ogni tipologia, ogni data».

La conseguenza pratica è una domanda da fare in demo: a quale livello il modello stima davvero, e come ridistribuisce verso il basso. Se la risposta è vaga, il sistema o non lo sa o non lo vuole dire. Le strutture piccole e stagionali sono le più esposte: un campeggio aperto centoventi giorni all’anno accumula in tre anni un terzo delle osservazioni di un hotel cittadino aperto tutto l’anno, e le sue serie sono spezzate dalle chiusure.

Quanto vale delegare una decisione#

La delega non è una scelta binaria fra fiducia e diffidenza: è un conto. Ogni decisione automatica ha una probabilità di essere migliore di quella che avresti preso tu, un guadagno quando lo è, un danno quando non lo è, e una probabilità che qualcuno se ne accorga prima che produca effetti.

La cosa interessante è l’asimmetria fra G e D. Una decisione tariffaria migliore della tua vale qualche decina di euro; una decisione sbagliata su una data di forte compressione vale centinaia o migliaia. Con numeri di questa forma il valore della delega dipende quasi interamente da c, cioè da quanto è buono il controllo, e pochissimo dalla bravura del modello.

Lo stesso identico modello, con la stessa identica precisione, vale 9.000 euro all’anno con un controllo che intercetta metà degli errori e ne brucia 18.000 senza. Si può girare la formula e chiedersi quale precisione minima serve perché la delega non distrugga valore: la soglia è il rapporto fra il danno atteso e la somma di guadagno e danno atteso.

Con i numeri dell’esempio e un controllo al 50 per cento, la soglia è 450 diviso 475, cioè 94,7 per cento. Senza controllo diventa 900 diviso 925, cioè 97,3 per cento. Fra le due c’è meno di tre punti percentuali di distanza, e sono i tre punti che separano un investimento sensato da una perdita. Nessun fornitore può garantirti in anticipo da che parte cadrà il tuo caso: puoi solo misurarlo dopo.

I livelli di autonomia, e dove fermarsi#

Invece di discutere se un sistema «è agentico», conviene collocare ogni funzione su una scala. La stessa piattaforma può stare su livelli diversi a seconda del compito: aggiornare le tariffe di una data lontana e accettare un gruppo da quaranta camere non sono la stessa decisione.

La regola pratica che regge bene: si sale di livello solo su decisioni reversibili. Un prezzo si cambia domani mattina; un allotment concesso a un intermediario, una tariffa firmata in una gara corporate o una camera venduta sotto costo su una data di compressione non si annullano. Le decisioni irreversibili restano al livello del suggerimento, per quanto buono sia il sistema.

Chi risponde quando il prezzo è sbagliato#

Questa è la parte che le presentazioni saltano, ed è quella che conta il giorno del problema. Vanno separati tre piani.

Sul piano contrattuale, i contratti dei fornitori di software limitano quasi sempre la responsabilità a una frazione del canone annuo. Con i numeri dell’esempio di prima significa che una notte sbagliata può costare più di quanto potresti mai recuperare. Non è scandaloso, è normale nel software: va solo letto prima di firmare, e va confrontato con il perimetro di autonomia che stai concedendo.

Sul piano verso l’ospite, la responsabilità è integralmente tua. Un overbooking generato da un sistema autonomo è un tuo overbooking: l’ospite ha un contratto con la struttura, non con il fornitore. Lo stesso vale per una tariffa pubblicata per errore e poi onorata o disdetta.

Sul piano interno, la responsabilità è di chi non può ricostruire che cosa è successo. Se in riunione nessuno sa dire perché quella data è stata venduta a quel prezzo, il conto economico non è difendibile. Serve un registro delle decisioni che per ogni scrittura automatica conservi data e ora, il valore precedente e quello nuovo, i dati in ingresso al momento della decisione, quale regola o modello l’ha prodotta, chi eventualmente l’ha approvata e come è andata a finire. Non è burocrazia: è l’unica base su cui si può misurare il sistema l’anno prossimo.

Un accenno normativo, senza pretese di consulenza legale. Il regolamento europeo sulla protezione dei dati disciplina le decisioni interamente automatizzate che producono effetti significativi su una persona fisica. Un prezzo per data e tipologia di camera non ricade in quel perimetro; un prezzo personalizzato su un singolo utente identificato è un caso diverso e va valutato con chi segue la protezione dei dati in struttura. Il regolamento europeo sull’intelligenza artificiale, adottato nel 2024, classifica i sistemi per livello di rischio e impone obblighi di trasparenza su alcuni usi: un motore tariffario non è fra i casi ad alto rischio elencati, ma il testo esatto e le scadenze vanno verificati con un professionista e non con il commerciale che ti sta vendendo il prodotto.

Le sette domande che smontano una presentazione#

Sono domande da fare con calma, prendendo nota delle risposte. Un buon fornitore risponde volentieri a tutte e sette, e l’assenza di risposta a una sola è un’informazione utile.

1. Su quali dati è stato addestrato il modello che userete su di me? I miei, un aggregato di altri clienti, dati sintetici? Se è un aggregato, di che tipo di strutture e di quali mercati?
2. Quanto storico serve prima che il sistema valga più della persona che oggi fa questo lavoro? E che cosa succede nei primi mesi, quando quello storico non c’è ancora?
3. Che cosa succede quando sbaglia? Chi se ne accorge, dopo quanto tempo, e come si torna al valore precedente.
4. Qual è il perimetro scritto dell’autonomia? Su quali campi il sistema può scrivere, con quali soglie minime e massime, e chi può cambiare quelle soglie.
5. Come si distingue il merito del sistema da quello della domanda? Se la risposta è «il fatturato è cresciuto del tot», la domanda non ha avuto risposta: serve un metodo di confronto dichiarato prima, non dopo.
6. Che cosa vedo del ragionamento? La catena di valori che ha prodotto il numero, oppure un testo generato dopo che descrive una motivazione plausibile.
7. Se disdico, che cosa mi porto via? Lo storico normalizzato, le previsioni, il registro delle decisioni, in quale formato e in quanto tempo.

Vale la pena aggiungere una prova concreta: chiedere di ripetere il confronto su un periodo scelto da te, con la separazione temporale fra addestramento e verifica. Costa poco al fornitore che ha un buon prodotto e mette in difficoltà chi ha solo una presentazione.

Cosa fare lunedì mattina#

1. Fai l’inventario di quello che è già automatico in struttura, comprese le regole del gestionale e del channel manager che nessuno tocca da anni, e segna per ognuna chi può scrivere che cosa.
2. Per ogni voce, colloca il livello di autonomia usando la scala della tabella. Le voci che stanno su un livello alto e riguardano decisioni irreversibili vanno riportate al suggerimento.
3. Verifica che esista un controllo sulla salute dei dati in ingresso: un allarme se un canale smette di aggiornare, se il pickup si ferma di colpo, se una tariffa esce dalla banda prevista.
4. Attiva o richiedi il registro delle decisioni automatiche, con valore precedente, valore nuovo, ora e origine. Senza quel registro nessuna misura è possibile.
5. Scegli dieci date a caso fra le prossime sessanta e prova a ricostruire perché hanno il prezzo che hanno. Se non ci riesci in cinque minuti a data, hai un problema di trasparenza prima che di algoritmo.
6. Metti da parte un gruppo di date confrontabili tenute fuori dall’automazione, per avere un termine di paragone quando arriverà il momento di valutare.
7. Prima della prossima presentazione, stampa le sette domande e chiedi le risposte per iscritto.
8. Fissa in calendario, fra sei mesi, la revisione del controllo umano: verificare che venga ancora fatto è più importante che verificare il modello.