Roberto Martín: IA para analizar datos F&B en hoteles

IA en restauración: cuando el dato decide qué tienes que cocinar mañana

Una cocina profesional genera al año más datos que una Pyme industrial: ventas, costes, inventarios, compras, ocupación, perfiles de cliente, productividad por turno y encuestas. El problema, según explica Roberto Martín, director de Alimentos y Bebidas, no es la falta de información, sino que está repartida entre el TPV, el PMS, los sistemas de compras y las encuestas de satisfacción sin que nadie la conecte. Y ahí es donde la inteligencia artificial empieza a tener sentido en el F&B: no para sustituir al cocinero ni al director de operaciones, sino para hacer visibles los datos que importan en medio del ruido.

El relato de Martín en Hosteltur es uno de los pocos testimonios en castellano de un directivo hostelero que documenta su uso real, no una demo de marketing. Y llega en un momento en el que la IA ya no es un proyecto piloto en la hotelería: según el análisis publicado por COAX Software en noviembre de 2025, el 87% de los profesionales de hostelería ya utiliza IA en algún proceso del hotel, y el segmento específico de IA hotelera se proyecta a US$2.280 millones para 2030.

Por qué la IA todavía se entiende como "hacer trampa" en hostelería

Martín parte de una confesión incómoda: "para muchos colegas, hablar de IA sigue siendo hablar de vagancia, trampa, procrastinación". La analogía que usa para desmontar ese mito es reveladora — cuando dirigió una cocina ya trabajaba con Rational, Thermomix y Pacojet, y nadie le decía que eso lo hacía peor cocinero. La IA, dice, es la misma lógica aplicada a la gestión: una herramienta, no un atajo.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Esa comparación importa porque desenmascara la barrera cultural más común en el sector. BCG, citado en el mismo análisis sectorial, estima que menos del 10% de las empresas hoteleras son realmente "future-built" con IA capaz de generar valor sustancial, mientras que un 25% empieza a ver retornos reales. La diferencia entre ambos grupos no es el presupuesto: es la capacidad de integrar la herramienta al flujo de trabajo, no como adorno.

El caso real: 188 cócteles que escondían una decisión

El ejemplo que más pesa en el artículo de Martín no es futurista ni técnico. Es una cifra de barras: entre enero y mayo vendió 255 cócteles; entre junio y mediados de agosto, 443. "No necesito una IA para decirme que en verano se venden más cócteles", reconoce. Lo que sí necesitó fue cruzar esos datos con qué se estaba vendiendo, cuándo, dónde y cómo evolucionaba la demanda para decidir si potenciaba referencias, creaba nuevas experiencias o ajustaba la mise en place.

Esa secuencia (dato estacional → cruce con mix de producto → pregunta de negocio → decisión) es exactamente el patrón que repiten los casos de éxito documentados en grandes cadenas. Marriott, por ejemplo, implementó un optimizador de precios para grupos que ajusta tarifas en tiempo real combinando elasticidad y datos de booking. Y Hilton aplicó segmentación sobre millones de perfiles de Hilton Honors para subir revenue entre un 5% y un 8% sin tocar la experiencia del cliente, según reporta la industria.

El F&B como sistema de datos fragmentado

El verdadero punto del artículo es estructural. Martín describe un departamento con datos repartidos así:

TPV → ventas por producto, por turno, por camarero.
PMS → ocupación, estancias, tipología de cliente.
Compras e inventarios → costes, consumos teóricos, mermas.
Operación real → lo que pasa en sala y nunca queda registrado en ningún sistema.
Redes sociales, encuestas y reseñas → lo que el cliente dice sin que se lo pregunten.

Esa fragmentación es la misma que COAX identifica como "el problema operativo más subestimado" en hotelería: housekeeping no sabe qué habitaciones priorizar porque el front desk no sincroniza en tiempo real; los partes de mantenimiento se pierden en una herramienta distinta. "AI doesn't fix a broken process but only amplifies it", resume Kostiantyn Lopukh, Senior Developer en COAX.

Lo que la IA sí está cambiando en hospitality, con cifras

Aunque la fuente principal es un testimonio, el contexto sectorial ayuda a dimensionar la apuesta. Estos son los datos verificables más relevantes del análisis de COAX Software:

87% de los profesionales de hostelería ya utiliza IA en algún proceso hotelero.
71% dice que la IA ya tiene un impacto significativo o transformador en el sector.
85% espera dedicar al menos un 5% de su presupuesto de TI a herramientas de IA.
El 98% de los hoteleros encuestados por Mews ha usado IA en los últimos seis meses, en promedio sobre 11 de las 19 tareas hoteleras más comunes.
44% de los hoteleros sitúa la optimización de staffing y housekeeping como prioridad principal para implementar IA.
Los operadores que integran IA con su PMS reportan entre un 30% y un 50% menos tiempo de ejecución de tareas.

Esas cifras dibujan un mapa muy concreto: la IA en hotelería no empieza por el checkout robot ni por el mayordomo virtual. Empieza por las cinco áreas con mejor ratio inversión-retorno documentadas por la industria: dynamic pricing, mensajería con huéspedes, revenue forecasting, gestión de reputación y scheduling de housekeeping.

El error que Martín señala y que pocos admiten

De todo el artículo, el aviso más útil para un fundador o directivo hostelero es uno que rara vez aparece en los pitches de vendors: "la IA no toma la decisión. La decisión sigue siendo mía". Y añade algo más incómodo todavía: "si los datos de partida son malos, están incompletos o no explicamos correctamente el contexto, el análisis también será equivocado".

En otras palabras, la IA no compensa un dato sucio ni un mal proceso: lo amplifica. Es exactamente la advertencia que repite COAX desde su experiencia integrando plataformas hoteleras: cuando limpiaron y estandarizaron datos de booking dispersos en hojas de cálculo con formatos de fecha inconsistentes, el siguiente modelo de forecasting pudo entregar un 40% de aumento deprofit. Sin esa limpieza previa, el modelo simplemente aprendía patrones incorrectos.

¿Qué significa esto para tu startup o negocio hostelero?

El caso de Martín sirve de espejo para cualquierPyme de restauración, dark kitchen, cadena hotelera pequeña o startup de foodtech. Lo que describes es transferable casi tal cual.

1. Audita qué datos tienes antes de comprar cualquier IA. Lista qué exporta tu TPV, tu PMS, tu sistema de compras y tus reseñas. Si un pedido de proveedor y una línea de inventario no hablan el mismo idioma (unidades, fechas, SKU), ningún modelo te va a dar respuestas fiables. Empieza por ahí: por una tubería de datos limpia, no por el chatbot.

2. Mide una sola métrica durante 90 días, no veinte. Martín cuenta cómo el "coste de comida tres puntos por encima del objetivo" era inútil sin el cruce. Elige una métrica de F&B (food cost, coste de bebida, ventas por cubierto, ratio demerma), defínela y apúntale a la IA una sola pregunta concreta: "¿qué está moviendo ese número y dónde debería mirar?". Si no obtienes una respuesta accionable en menos de una semana, el problema está aguas arriba, no en el modelo.

3. Reserva la decisión al humano, pero deja que la IA te la haga visible. El patrón que funciona en operaciones es: la IA propone una anomalía o una correlación, el directivo valida con contexto y decide. Lo que NO funciona es dejar que la herramienta "automatice" decisiones sin dueño, porque cuando llegue la sorpresa (una rotura de stock, una reseña viral negativa, un cambio de proveedor), nadie sabrá cómo revertirla.

La frontera que viene: menos demo, más dato conectado

El sector lleva años vendiendo IA como gadget. Lo que viene, según el análisis sectorial disponible, es integración real entre PMS, CRM, POS y revenue management, con una gobernanza del dato diseñada desde el día uno (GDPR, CCPA, ISO 27001). El caso de Jumeirah Hotels ejecutando más de 1.000 optimizaciones automatizadas de KPIs sobre 28 propiedades, con un retorno un 109% mayor sobre gasto publicitario, muestra el techo al que se puede aspirar cuando la tubería de datos está conectada.

Para una startup oPyme del sector, la lección no es "comprar IA", sino "comprar la capacidad de tener datos limpios y conectados". La IA es el acelerador; el proceso, el activo.