Caso de estudio · anonimizado
Grupo independiente multi-propiedad: deflection AI concierge sube de 45% a 72%
Grupo independiente, 4 propiedades (140 hab total), ADR ~EUR 95, mix multi-idioma de huespedes (DE, EN, PL, ES)
El reto
El grupo recibia aproximadamente 250 mensajes entrantes por dia de huespedes a traves de email, WhatsApp y chat web. El personal de recepcion gastaba 90-120 minutos diarios en preguntas repetitivas (corte de breakfast, late check-in, reset de Wi-Fi, recomendaciones de restaurantes) que los alejaba del servicio real. El grupo queria deflectar las preguntas rutinarias pero se habia quemado con un proyecto chatbot previo que se quedo en 35% de deflection.
El enfoque
El equipo desplego una plataforma AI-concierge con modelo hospitality-tuned y setup de cuatro propiedades. La disciplina deliberada de proceso fue una review de Viernes de 20 minutos por el gerente de recepcion en cada propiedad: pull del log de transcripts AI, identificar las top cinco preguntas mal respondidas de la semana, agregarlas al knowledge base. La plataforma exponia las queries no respondidas como queue, que hacia la review tratable.
Outcomes medidos
Tasa de deflection, mes 1
Antes: n/a
Despues: ~45% en KB con templates del vendor
Tasa de deflection, mes 3
Antes: ~45%
Despues: ~72% despues de reviews semanales KB
Minutos recepcion/dia en mensajes rutinarios
Antes: 90-120 minutos
Despues: ~25-35 minutos (queries residuales)
El patron de fallo y el fix
El proyecto ingenuo previo fallo porque nadie estaba asignado a mantener el knowledge base; la AI respondia "No estoy segura, dejame conectarte con el equipo" a cualquier pregunta fuera del template vendor. El fix fue la disciplina semanal de 20 minutos. La plataforma se ubicaba sobre el PMS existente (Mews) asi que el contexto de huesped (fechas, tipo habitacion, preferencias) fluia en la conversacion; el proyecto anterior habia estado en un chatbot standalone que no veia contexto PMS.
Lo que aprendimos
La rampa 45% a 72% empata con la curva publicada por Hotel Tech Report para plataformas AI-concierge con mantenimiento KB activo. La leccion es operacional, no tecnica: el modelo AI es suficientemente bueno; el cuello de botella es si alguien hace review semanal de la queue de queries no respondidas. Grupos multi-propiedad pueden repartir la carga de review KB; propiedades individuales necesitan designar un dueno.
Nota de anonimizacion
Este caso usa data de propiedad anonimizada: segmento, banda de habitaciones, region de mercado y metricas de outcome. La propiedad no se nombra. Cifras reportadas por operadores se presentan con ese framing; benchmarks industriales publicados se citan inline.