Sykes Cottages ET Casago/Vacasa sur l’IA : Leçons pour les petits gestionnaires de biens issues du Short Stay SUMMIT 2026

Je suis venu assister à la table ronde sur l’IA au Short Stay Summit 2026 en sachant que le déplacement en vaudrait la peine. Les deux PDG présents sur scène font partie du petit cercle de leaders de la location saisonnière dont les équipes déploient réellement de l’IA, et ne se contentent pas d’en parler. Graham Donoghue, à la tête de Forge Holiday Group (Sykes Cottages et un portefeuille de marques européennes), est reconnu dans notre secteur pour son enthousiasme inhabituel à montrer et partager publiquement les projets de son équipe — et il ne s’est pas retenu sur scène. Steve Schwab, PDG de Casago/Vacasa depuis la fusion entre les deux opérateurs, pilote l’une des rares structures capables de tester l’IA à grande échelle dans le monde réel. À l’animation, avec une vraie rigueur, Kate Cox, CMO de Guesty, a su maintenir la conversation ancrée dans la réalité des opérateurs : ce qui fonctionne, ce qui échoue, les coûts impliqués, et ce qui est réellement défendable.

Ce qui m’a surpris, c’est à quel point leurs propos s’appliquent directement aux gestionnaires opérant entre 50 et 500 logements, et pas seulement aux « géants » de 50 000. Mieux, les plus grands enseignements sont venus des échecs.

Leçon 1 : Dirigez l’IA vers l’interne avant de cibler l’externe

Le conseil le plus sous-estimé de toute la session vient de Steve Schwab :

« À chaque fois qu’on a essayé de la déployer côté client, c’était sous-optimal. L’IA pour un usage interne a été fantastique. »

Le buzz autour de l’IA en location saisonnière porte presque exclusivement sur les chatbots invités, la recherche conversationnelle ou la planification dynamique de séjours : justement la catégorie qui, d’après Schwab, a régulièrement déçu chez Casago/Vacasa. Ce sont les cas d’usage internes qui, selon les deux PDG, ont permis de réelles améliorations de marge. Schwab a expliqué que des marques plus petites du groupe Casago/Vacasa bénéficient enfin d’une capacité d’analyse autrefois réservée aux grands groupes — et qu’un gestionnaire opérant moins de 300 ou 400 biens peut désormais explorer au-delà des simples KPIs pour creuser les subtilités du compte de résultat, ce qui devient réellement accessible et visible sur la rentabilité.

Si vous êtes un plus petit gestionnaire croulant sous un mélange désordonné de données PMS, d’exports de canaux, et de relevés propriétaires, considérez ceci comme l’autorisation que vous attendiez. Le retour sur investissement le plus rapide ne vient pas d’un projet côté client. Il vient du ciblage de l’IA sur vos opérations : reporting, rapprochements, rédaction des annonces, SOP, formation, communication propriétaire, scripts d’upsell… et de remettre les usages côté invité à plus tard, une fois vos données suffisamment matures.

À lire également : Le quatrième pilier d’Airbnb : comment l’IA est devenue une arme stratégique contre le futur de l’IA

Leçon 2 : Aucune stratégie IA ne survit à des données sales

Les deux PDG sont revenus encore et encore sur le sujet de l’hygiène des données, au point où Kate Cox a dû rediriger la discussion pour avancer. L’équipe de Donoghue a passé des mois (pas des semaines) à préparer 500 millions d’enregistrements tarifaires pour que l’IA puisse en apprendre. Schwab a mis en garde avec l’une des phrases fortes de la session :

« Ne perdez pas trop de temps à vibe-coder un truc que vous pensez utile pour le futur. On voit des équipes pousser le vibe code à 80 %, puis incapables d’aller au bout car elles n’ont pas d’accès API ni aux données adéquates. »

Pour les opérateurs plus petits, la traduction concrète est peu glamour : consacre le prochain trimestre à nettoyer les attributs d’annonce, les taxonomies de biens, la santé du calendrier, les métadonnées photo et tous les cas bizarres dans votre PMS avant d’écrire ne serait-ce qu’une ligne de prompt engineering. Ce n’est pas excitant. Mais c’est la différence entre un projet IA qui prend de l’ampleur et un autre qui hallucine votre relevé propriétaire — exactement ce qui se produit quand l’IA reçoit des informations qui ne sont pas « extrêmement claires », selon Schwab.

La bonne nouvelle : vous n’avez pas besoin du niveau de maturité d’un groupe de 90 000 biens. Vous avez besoin que vos données soient assez propres pour qu’un modèle entraîné ne les invente plus. Pour un gestionnaire intermédiaire, c’est un projet de trois mois, pas plus. Commencez dès maintenant.

Leçon 3 : L’adoption relève du management, pas de la technique

L’aveu sincère de Graham Donoghue sur l’adoption m’a paru l’élément le plus applicable de toute la session. Forge a mis les outils à disposition des équipes. Beaucoup de collaborateurs les ont ignorés. La solution n’a pas été davantage de formation, mais de rendre l’usage obligatoire. Certains ont fini par partir car ils refusaient de s’engager.

« Je pensais naïvement que les gens s’y mettraient si on leur donnait les outils. Parfois oui, mais souvent, il a fallu rendre l’usage non négociable. On peut mener un cheval à l’eau, pas le forcer à boire. Là, je le plongeais la tête sous l’eau. »

Les petits gestionnaires pensent souvent que le problème d’adoption ne concerne que les grandes entreprises. C’est faux. Si vous donnez un abonnement Claude ou ChatGPT à un responsable des réservations sans cas d’usage impératifs ni documentation d’utilisation, ni boucle de retour qualité, rien ne bouge. L’adoption de l’IA est une discipline managériale : mandats clairs, garde-fous précis, cycles de revue définis.

Les garde-fous sont essentiels. Donoghue a présenté un système interne de droits utilisateurs par niveau et d’outils approuvés (Forge en utilise env. 175), avec des règles claires sur quelles données sont sûres à copier dans quel modèle. Un gestionnaire de 50 biens n’a pas besoin de 175 outils, mais le principe tient sur une page : quel modèle pour quelle tâche, quelles données doivent rester internes, comment sont relus les résultats.

À lire également : Que se passe-t-il quand l’IA devient la première étape d’une réservation ?

Leçon 4 : N’essayez pas de battre les plateformes à leur propre jeu

Schwab a été d’une franchise rafraîchissante sur le dilemme entre construire et acheter. Il a évoqué le projet de 60 millions de dollars de Vacasa pour un outil de revenue management interne… qui n’a jamais abouti, puis a transposé la logique à l’IA :

« Prenez l’exemple de Las Vegas. Amusez-vous, misez sur ce qui est fun, mais ne pariez pas votre entreprise là-dessus. »

Pour les PM de taille moyenne ou petite, c’est quasiment une règle universelle : vous ne dépasserez pas la roadmap IA de Guesty. Vous ne rattraperez pas les investissements LLM d’Airbnb. Tout ce que vous construisez en interne nécessitant de vrais data scientists sera obsolète en un an — et vous devrez tout maintenir.

La stratégie gagnante : des outils de haut niveau, bien intégrés, et le budget économisé réinvesti dans ce qui vous appartient réellement.

Leçon 5 : Le « moat » des petits, c’est le contexte – et l’IA permet enfin de l’industrialiser

C’était le point le plus optimiste de la session — et là où Kate Cox a été remarquable pour ramener les deux PDG à du concret, reproductible par des opérateurs plus modestes. Schwab a parlé d’une expérimentation : un agent vocal IA appelle des propriétaires et mène un entretien de 20 minutes : pourquoi ils ont acheté, qui ils inviteraient, le quartier, ce qu’ils préfèrent, le profil d’invité idéal… puis formalise ce contexte en métadonnées d’annonce.

Donoghue a présenté un exemple inverse : l’agent vocal IA de Forge, « Kate AI », gère les appels entrants le soir après 19h via des voix ElevenLabs, qualifie les leads selon la valeur des biens et transfère le dossier aux humains le lendemain matin. Son message rassurant pour les petits opérateurs : ce n’était pas cher à mettre en place.

Les deux exemples illustrent la même réalité : la profondeur de connaissance du contexte que peut capter un opérateur local — sur les propriétaires, les biens, la rue, les partenaires — est irremplaçable par n’importe quelle OTA. L’IA n’est pas là pour remplacer ce savoir, c’est la première technologie permettant à un gestionnaire de 100 biens d’en démultiplier la portée dans la rédaction d’annonce, la communication invité, et la visibilité en recherche sans embaucher une armée.

Si la découverte de séjours pilotée par l’IA et les recherches contextuelles sont l’avenir (et tout l’indique chez Google, OpenAI, Airbnb), alors ce « moat » de contexte riche, précis et profondément humain est votre meilleur atout.

À lire également : Commercialisez-vous un bien ou répondez-vous à un besoin ? La réalité du marketing IA pour la location saisonnière

Point non-négociable : déclarez l’IA

La session s’est conclue sur un principe partagé par les deux PDG, mais souvent négligé par les petits groupes. Si vous installez de l’IA — vocal, chat, rédaction d’emails —, annoncez-le clairement. L’agent après-vente de Donoghue se présente comme « Kate AI ». Schwab l’a martelé :

« Vous perdrez la confiance de vos propriétaires et invités si vous ne déclarez pas de façon très, très transparente ce qui relève de l’IA ou non. »

Les invités pardonneront l’usage de l’IA. Les propriétaires aussi. Aucun ne pardonnera d’avoir été trompé.

Que ferais-je lundi matin avec 200 biens ?

Voici le plan que je déploierais dans une agence de gestion de taille moyenne :

Nettoyez d’abord vos données : attributs d’annonce, taxonomies PMS, métadonnées photos, fiches propriétaires. Orientez l’IA sur l’opérationnel avant tout usage côté client. Imposer un usage précis avec droits utilisateurs adaptés et des règles strictes sur les données sortantes. Préférez ce qui existe de meilleur sur le marché plutôt que de construire, et investissez ce que vous économisez dans la capture du contexte propriétaire et bien, à un niveau inégalable par une OTA. Testez un projet vocal ou éditorial où ce contexte est votre arme. Et annoncez systématiquement la présence de l’IA dès qu’elle touche un humain.

Dans la location courte durée, la ligne de partage IA n’opposera pas ceux qui ont les plus gros modèles — mais ceux qui auront fait ce travail fastidieux dès maintenant, versus ceux qui continuent à vibe-coder.