¿Destruirá la IA al Revenue Manager? Lo que escuché en Scale UK 2026

📌Resumen — En Scale UK 2026 en Brighton, asistí a la charla “El rol cambiante del Revenue Manager” con Oliver Stern (Wheelhouse), Ishan Gangakhedkar (Strategy Cues) y Eduardo Mandri (Sentinel), moderada por John An (TechTape). El veredicto de quienes gestionan miles de alojamientos: la IA está absorbiendo el reporting, el monitoreo y, cada vez más, los movimientos de precios del día a día, pero no las decisiones de juicio. Los LLMs dan una respuesta ligeramente diferente cada vez que preguntas, así que los modelos deterministas siguen dominando las decisiones de precios. La confianza de los propietarios, los perfiles de riesgo y el contexto local siguen siendo tarea humana. Los revenue managers no están desapareciendo: están gestionando carteras mucho más grandes.

Estuve en la sala en Brighton para esta, y la pregunta que rondaba la sesión era clara: ahora que la IA está en todas partes, ¿qué le queda al revenue manager por hacer?

John An abrió con una breve historia de la profesión que resonó con cualquiera que haya estado desde los primeros días. Los expertos eran los que dominaban Excel. Luego las herramientas de precios dinámicos — software que ajusta automáticamente las tarifas nocturnas según la demanda, la estacionalidad y las señales del mercado — cambiaron el panorama. El revenue management surgió como concepto alrededor de 2019, y hacia 2024 se había convertido en una disciplina formal que la mayoría de los operadores profesionales ya habían integrado en sus negocios.

La tecnología ya ha transformado este rol una vez en la última década. Ahora la IA lo está haciendo de nuevo — y, como dijo An medio en broma: “Tal vez la destruya. No lo sé.”

Esto es lo que saqué en claro, y lo que creo que significa para los property managers.

---

1. La IA resume los datos — Los humanos siguen tomando decisiones

Todos en el escenario coincidieron en una cosa: la recopilación de datos es un problema resuelto. Los informes de pickup (cuántas reservas entraron en un período dado) y las hojas de cálculo on-the-books (reservas ya confirmadas para fechas futuras) que antes definían el trabajo ahora están automatizados.

Lo que sigue separando a los mejores operadores — en 2019 y hoy — es la interpretación.

Gangakhedkar señaló que a veces tomar decisiones implica ir en contra de lo que sugieren los datos. La IA puede resumir lo que hay; no puede decirte cuándo desobedecerlo. El pensamiento basado en primeros principios sigue siendo necesario.

Mandri, cuyo equipo ha gestionado ingresos para miles de propiedades en siete años, trazó la línea técnica más clara de la sesión: alimenta todo tu porfolio a un modelo de lenguaje (LLM), la tecnología base detrás de herramientas como Claude o ChatGPT, y pregúntale qué está bien y qué está mal, te dará una estimación, y una respuesta ligeramente diferente en cada consulta. La división de su equipo es clara: IA para entender qué sucede en el porfolio, modelos deterministas y de machine learning para decidir qué cambios hacer. (Determinista significa que la misma pregunta siempre da la misma respuesta — justo lo que quieres cuando fijas precios.)

La prueba de Stern fue la más simple: cuando sabes lo que quieres calcular, la respuesta debe ser repetible.

Entre líneas: el hype dice “deja que la IA fije tus precios”. Los practicantes que gestionan miles de anuncios aún trazan una muralla entre los LLMs para análisis y los algoritmos para decisiones. La consistencia es una virtud, no una limitación. Vale la pena recordarlo cuando te prometan lo contrario en la próxima presentación comercial.

---

2. La relación con los propietarios sigue siendo humana

Si hubo un tema al que el panel regresó repetidamente, fue este: la comunicación con los propietarios es la parte del trabajo que la IA no puede asumir.

Stern lo puso de manera concreta: incluso si los cambios de tarifas llegan a ser totalmente automáticos — es decir, que la IA los realiza por sí sola y no solo los recomienda — alguien debe entender tan bien los datos como para explicar a un propietario: “Estamos 2% abajo, pero el mercado está 5% abajo.” Eso requiere un buen benchmarking (medir tu rendimiento contra el mercado y propiedades comparables, no solo tu propio histórico) y mucha confianza en tus números — y esto también aplica internamente, con tus equipos de ventas y operaciones.

Mandri añadió una dimensión que me pareció interesante: perfiles de riesgo de los propietarios. Algunos solo se fijan en la ocupación — quieren ver el calendario lleno. Otros solo en el ADR (Tarifa Media Diaria — el precio medio pagado por los huéspedes). Ninguno es el mejor indicador, pero es lo que les importa. Los algoritmos asumen que todos buscan el máximo ingreso; la realidad es más compleja. Caemos en el error de pensar que todo propietario es un maximizador puro de beneficios. No es así.

Y An lanzó una advertencia que pondría en un cartel: si le dices a una IA “maximiza mis ingresos” sin reglas claras, puede bajar tarifas hasta llenar el calendario — logrando el objetivo técnico pero destrozando justo lo que le importa al propietario. Tu cliente te llama: “¿Qué haces? Eso no es lo que quería.”

Lo que haría con esto:

• Trata la tolerancia al riesgo de cada propietario como un dato en la configuración de tu RMS (tu sistema de revenue management — el software que fija y ajusta los precios): segmenta tu porfolio y configura precios, cancelaciones y políticas de estancia mínima por segmento.
• Compara el rendimiento del porfolio frente al mercado, no solo frente al año anterior.
• Jamás des a una IA un objetivo sin límites claros.

---

3. El contexto local no es rastreable

El ejemplo de Gangakhedkar impactó a toda la sala: obras en construcción junto a una de sus propiedades. ¿Cómo va a saber eso la IA? No existe un feed sobre eso.

Una persona debe introducir ese contexto en el RMS, ajustar la descripción del anuncio y avisar a los huéspedes antes de su llegada — en vez de rezar por una reseña decente tras el checkout.

Su argumento más amplio merece más atención: los operadores con dos o tres años de datos realizados — resultados reales de estancias ya consumadas, no simples previsiones — tienen un activo que la mayoría infrautiliza. Puedes establecer tus propias relaciones causa-efecto — ¿qué ocurrió realmente cuando cambiaste la política para gap-nights (cómo tarifas las noches sueltas entre dos reservas)? ¿Cuando pasaste la estancia mínima de X a Y? ¿Cuál fue el impacto de esas tres últimas malas reseñas?

Reconocer patrones es cada mes más fácil. Pero como enfatizó Gangakhedkar, tener la información no es suficiente: debe convertirse en una acción tanto para tu equipo de revenue como para tu equipo de operaciones.

---

4. Menos hojas de cálculo, carteras más grandes

Nadie en el escenario predijo la desaparición del revenue manager. Predijeron mayor apalancamiento.

Mandri compartió una cifra que anoté: su equipo de siete revenue managers ha visto aumentar su productividad de forma notable en los últimos 12 meses, simplemente dejando que las herramientas detecten las señales que requieren atención. Su conclusión: los revenue managers no van a desaparecer; gestionan carteras mucho más grandes, y deben hacerlo.

Stern ofreció el modelo mental más útil de la sesión — tres capas de cómo la IA impulsa el rol:

1. Consultar datos — pedir exactamente los números que necesitas en vez de buscar por los menús del software.
2. Crear interfaces — diseñar el dashboard de business intelligence (BI) que deseas en vez de esperar la hoja de ruta del proveedor.
3. Capa agentic — la IA ya no solo responde preguntas, sino que toma acciones directamente sobre esos datos e interfaces.

También señaló hacia dónde se dirige el rol: mayor integración con distribución y marketing, especialmente a medida que aumentan las reservas directas.

Entre líneas: hay una trampa en la ganancia de eficiencia. Una función de revenue más escalable corre el riesgo de volverse también más aislada — y Stern lo dijo así. El revenue manager de 2026 debe estar más conectado a marketing, distribución y operaciones, no menos, incluso cuando la IA reduzca el trabajo manual.

---

5. Optimiza el ingreso, no la ocupación o ADR — y gestiona según lead time

Un miembro de la audiencia hizo la pregunta que todo propietario acaba haciendo: ¿debo optimizar ocupación o ADR? Fue la cuestión más táctica de la sesión.

La respuesta de Stern: todo depende del lead time — cuánta anticipación hay respecto a la fecha de estancia.

Guía de lead time de Stern:

• Con mucha anticipación: reduce el riesgo aceptando reservas con tarifas algo menos agresivas — aseguras una base de ingresos pronto.
• Ventana de compresión: cuando la demanda supera a la oferta y el mercado se llena rápido, incrementa el ADR tanto como lo permita tu ritmo de reservas (ritmo = cuán rápido entran reservas respecto a años anteriores).
• Último minuto: vuelve a priorizar la ocupación — una noche sin vender es ingreso que no recuperas.

Mandri fue más tajante, y coincido con él: una buena gestión de revenue siempre optimiza el ingreso. Los objetivos de ocupación y ADR existen porque algunos propietarios los requieren. El cliente ideal es el inversor que simplemente dice: maximiza la rentabilidad de este activo — y te deja hacerlo.

---

Bonus: Cómo contratar a un revenue manager — Un test de cada panelista

Un property manager del público preguntó cómo evaluar candidatos a revenue manager. Cada panelista dio una prueba, y juntas conforman un buen kit de entrevista:

• Stern: hacer que los aspirantes describan su flujo de trabajo real y lo expliquen con palabras sencillas. Así evalúas el trabajo y la capacidad de comunicación con propietarios al mismo tiempo.
• Mandri: analizar su disposición a aprender de la máquina. Ha visto revenue managers experimentados tan apegados a sus métodos que tardaron meses en aceptar una recomendación contraintuitiva… que finalmente era la correcta.
• Gangakhedkar: pedirles que expliquen un fracaso — “Me equivoqué porque no hice A, B, C” — y qué aprendieron de ello.

---

Mi conclusión

La respuesta del panel a “¿destruirá la IA al revenue manager?” fue un claro no, pero agregaría un matiz. La IA está absorbiendo el monitoreo, el reporting y, cada vez más, los cambios de precio cotidianos. Lo que no absorbe: el juicio, la confianza del propietario y el conocimiento local.

Los revenue managers que prosperen no serán los que hagan hojas de cálculo mejores que la máquina. Serán quienes gestionen más propiedades, se comuniquen mejor con los propietarios y estén abiertos a lo que la máquina pueda enseñarles — sin perder contacto con lo que realmente sucede en su negocio.