L’IA va-t-elle détruire le Revenue Manager ? Ce que j’ai entendu à Scale UK 2026

📌En résumé — À Scale UK 2026 à Brighton, j’ai assisté à la session « Le rôle changeant du Revenue Manager » avec Oliver Stern (Wheelhouse), Ishan Gangakhedkar (Strategy Cues) et Eduardo Mandri (Sentinel), animée par John An (TechTape). Le verdict des personnes gérant des milliers d’annonces : l’IA prend en charge le reporting, la surveillance et de plus en plus les ajustements quotidiens des prix — mais pas les décisions de jugement. Les LLMs donnent une réponse légèrement différente à chaque question, donc les modèles déterministes dominent encore les décisions tarifaires. La confiance des propriétaires, les profils de risque et le contexte local restent du ressort de l’humain. Les revenue managers ne disparaissent pas — ils gèrent des portefeuilles bien plus vastes.

J’étais dans la salle à Brighton pour cette session, et la question au cœur du débat était directe : maintenant que l’IA est partout, que reste-t-il au revenue manager ?

John An a commencé par une brève histoire de la profession qui parlera à quiconque a connu les débuts. Les experts étaient autrefois des as d’Excel. Ensuite, les outils de tarification dynamique — des logiciels qui ajustent automatiquement les tarifs des nuitées en fonction de la demande, de la saisonnalité et du marché — ont changé la donne. La gestion des revenus est apparue comme concept vers 2019, et vers 2024 elle est devenue une discipline formelle intégrée à la plupart des entreprises professionnelles du secteur.

La technologie a déjà bouleversé ce métier une fois en dix ans. Maintenant l’IA le transforme à nouveau — et comme l’a dit An, à moitié en plaisantant : « Peut-être que ça va le détruire. Je ne sais pas. »

Voici ce que j’en retiens, et ce que cela signifie selon moi pour les gestionnaires de biens.

---

1. L’IA synthétise les données — les décisions demeurent humaines

Tous les intervenants étaient d’accord sur un point : la collecte de données est un problème résolu. Les reports de pickup (combien de réservations sur une période) et les tableurs « on the books » (réservations déjà confirmées pour le futur) qui définissaient autrefois le métier sont désormais automatisés.

Ce qui distingue encore les meilleurs opérateurs — en 2019 comme aujourd’hui — c’est l’interprétation.

Gangakhedkar a souligné que les décisions de jugement signifient parfois aller à l’encontre des conclusions apparemment dictées par les données. L’IA peut résumer l’existant ; elle ne sait pas quand il faut la contredire. La réflexion de premier principe reste pertinente.

Mandri, dont l’équipe gère les revenus de milliers d’annonces depuis sept ans, a tracé la frontière technique la plus nette de la session : si vous transmettez l’ensemble de votre portefeuille à un grand modèle de langage (LLM), comme ceux de Claude ou ChatGPT, et demandez ce qui est bon ou mauvais, il vous donnera une estimation — et une réponse légèrement différente à chaque demande. La méthode de son équipe est claire : IA pour comprendre ce qui se passe dans le portefeuille, modèles déterministes et d’apprentissage machine pour décider des changements. (Déterministe signifie que la même question produit toujours la même réponse — exactement ce qu’on souhaite pour la tarification.)

Le test de Stern était le plus simple : quand on sait ce qu’on veut calculer, la réponse doit être reproductible.

Entre les lignes : le discours dit « laissez l’IA fixer vos prix ». Les praticiens gérant des milliers d’annonces conservent une séparation stricte entre LLMs pour l’analyse et algorithmes pour les décisions. La cohérence est une qualité, pas une limite. À garder à l’esprit la prochaine fois qu’on essaiera de vous convaincre du contraire.

---

2. Les relations propriétaires restent obstinément humaines

S’il y a un thème auquel le panel est revenu sans cesse, c’est celui-ci : la communication avec les propriétaires reste hors de portée de l’IA.

Stern l’a formulé concrètement : même si les changements tarifaires deviennent entièrement automatiques — c’est-à-dire que l’IA agit seule, et pas seulement comme recommandation — il faut toujours quelqu’un qui comprenne assez bien les données pour expliquer à un propriétaire, « Nous sommes en baisse de 2 %, mais le marché chute de 5 %. » Cela requiert un benchmarking rigoureux (comparer sa performance au marché et à des biens similaires, pas seulement à son historique) et une vraie confiance dans ses chiffres — ce qui est aussi valable en interne, auprès de ses équipes commerciales et opérations.

Mandri a ajouté l’aspect que j’ai trouvé le plus intéressant : le profil de risque des propriétaires. Certains ne jurent que par le taux d’occupation — ils veulent simplement voir le calendrier rempli. D’autres ne jurent que par l’ADR (Average Daily Rate — prix moyen payé par les voyageurs). Aucun de ces indicateurs n’est idéal, mais c’est leur priorité. Les algorithmes partent du principe que tout le monde vise le chiffre d’affaires maximal ; la réalité est bien plus complexe. On a tendance à penser que chaque propriétaire recherche le profit maximal. Ce n’est pas le cas.

Et An a donné l’avertissement que j’accrocherais volontiers sur un mur : dire à une IA « maximise mon revenu » sans règles de conduite, et elle risque de casser les prix pour remplir le calendrier — atteignant l’objectif technique tout en détruisant précisément ce qui compte pour le propriétaire. Votre propriétaire vous appelle : « Qu’est-ce que tu fais ? Ce n’est pas ce que je voulais. »

Ce que j’en retiens :

• Traitez la tolérance au risque de chaque propriétaire comme une donnée à intégrer dans votre RMS (revenue management system — le logiciel qui ajuste et fixe les prix) — segmentez votre portefeuille et configurez prix, annulation et durées minimales de séjour par segment.
• Comparez le portefeuille au marché, pas seulement à l’année précédente.
• Ne jamais confier à une IA un objectif sans garde-fous.

---

3. Le contexte local ne s’attrape pas par scraping

L’exemple de Gangakhedkar a fait écho dans toute la salle : des travaux de construction à côté de l’un de ses biens. Comment une IA pourrait-elle le savoir ? Il n’existe pas de flux automatique pour cela.

Un humain doit saisir cette information dans le RMS, modifier la description de l’annonce et prévenir les voyageurs avant leur arrivée — plutôt que d’espérer un bon avis après le séjour.

Son propos général mériterait plus d’attention : les opérateurs disposant de deux à trois ans de données effectives — résultats réels de séjours effectivement réalisés, pas de prévisions — possèdent un atout qu’ils sous-exploitent. On peut établir ses propres liens de cause à effet : qu’a-t-il vraiment eu lieu lorsque vous avez changé la politique des « nuits orphelines » (la tarification des nuits isolées entre deux réservations) ? Quand la durée minimale est passée de X à Y ? Quel a été l’impact des trois derniers mauvais avis ?

La reconnaissance de motifs devient de plus en plus facile chaque mois. Mais, comme Gangakhedkar l’a rappelé, avoir l’information n’est pas suffisant — il faut qu’elle se transforme en action pour vos équipes Revenue et Opérations.

---

4. Moins de tableurs, des portefeuilles plus vastes

Personne sur scène n’a prédit la disparition du revenue manager. Ils prévoient un effet de levier.

Mandri a partagé un chiffre noté dans mon carnet : son équipe de sept revenue managers a vu sa productivité grimper ces 12 derniers mois, simplement en laissant les outils faire remonter les signaux à traiter. Selon lui, les revenue managers ne disparaissent pas — ils gèrent des portefeuilles bien plus vastes, et c’est inévitable.

Stern a livré le modèle mental le plus utile de la session — les trois couches de l’évolution du métier grâce à l’IA :

1. Interroger les données — récupérer exactement les chiffres nécessaires, sans fouiller dans les menus des logiciels.
2. Construire des interfaces — créer le dashboard BI (business intelligence) voulu, sans attendre une prochaine mise à jour fournisseur.
3. La couche agentique — l’IA ne fait plus seulement répondre à une question, elle réalise aussi directement les actions sur ces données et interfaces.

Il a aussi souligné la direction prise par le métier : une intégration plus poussée avec la distribution et le marketing, surtout à mesure que la part des réservations directes augmente.

Entre les lignes : le piège de l’efficacité, c’est le risque d’isolement. Une fonction revenue plus scalable risque aussi de devenir plus en silo — et Stern l’a souligné. Le revenue manager de 2026 devra être plus relié au marketing, à la distribution et aux opérations — même si l’IA réduit la charge manuelle.

---

5. Optimisez le revenu, pas l’occupation ou l’ADR — et gérez par anticipation

Un membre du public a posé la question incontournable de tout propriétaire : doit-on optimiser l’occupation ou l’ADR ? Là, les conseils les plus opérationnels de la session.

Réponse de Stern : tout dépend du délai avant séjour — le temps restant avant la date d’arrivée.

La méthode de Stern, en fonction du délai :

• À long terme : sécurisez le calendrier en prenant des réservations à des prix légèrement moins ambitieux — pour garantir une base de revenus tôt.
• Fenêtre de compression : quand la demande dépasse l’offre et que le marché se remplit vite, maximisez l’ADR autant que le rythme de réservation vous le permet (le rythme = rapidité des réservations par rapport à la même période auparavant).
• Dernière minute : repassez la priorité à l’occupation — une nuit invendue est un revenu perdu à jamais.

Mandri a été plus cash, et je partage son avis : un bon revenue manager optimise toujours le revenu. Les objectifs d’occupation ou d’ADR n’existent que parce que certains propriétaires les réclament. Le client idéal est l’investisseur qui dit simplement : maximise le rendement de ce bien — et vous laisse faire.

---

Bonus : Comment recruter un revenue manager — Un test par intervenant

Un gestionnaire dans le public a demandé comment sélectionner un candidat en revenue management. Chaque intervenant a donné un test, qui, mis ensemble, forment un bon kit d’entretien :

• Stern : Demandez aux candidats de détailler leur méthode de travail réelle et de l’expliquer en termes simples. On teste à la fois le processus et la capacité à vulgariser pour un propriétaire.
• Mandri : Évaluez leur capacité à apprendre des machines. Il a vu des revenue managers expérimentés tellement attachés à leurs habitudes qu’il a fallu des mois pour admettre qu’une recommandation contre-intuitive était la bonne.
• Gangakhedkar : Faites-leur raconter un échec — « J’ai raté cet objectif parce que je n’ai pas fait A, B, C » — et ce qu’ils en ont retenu.

---

Mon point de vue

La réponse du panel à « l’IA va-t-elle détruire le revenue manager ? » était un non catégorique — mais j’ajouterais une nuance. L’IA prend déjà la surveillance, le reporting et de plus en plus les ajustements tarifaires du quotidien. Ce qu’elle ne prend pas : le jugement, la confiance du propriétaire et la connaissance locale.

Les revenue managers performants ne seront pas ceux qui surpassent la machine sur Excel. Ce seront ceux qui gèrent plus de biens, communiquent mieux avec les propriétaires et restent curieux de ce que la machine peut leur enseigner — sans perdre de vue la réalité de leur activité.