La inteligencia artificial está abriendo nuevas posibilidades para las empresas turísticas, desde la automatización de tareas hasta la personalización de la experiencia del cliente. Sin embargo, incorporar estas tecnologías a las operaciones sigue planteando retos relacionados con la calidad de los datos, la modernización de los sistemas, la seguridad y la transformación de los procesos. La cuestión es cómo convertir los proyectos piloto en soluciones escalables que generen resultados reales para el negocio.
Las herramientas de IA generativa han reducido considerablemente las barreras para desarrollar prototipos y validar ideas. Hoy es posible experimentar con nuevas funcionalidades en mucho menos tiempo, pero esa facilidad no siempre se traduce en una mayor capacidad para obtener resultados. Para conseguirlo, las empresas necesitan evaluar qué problemas merece la pena resolver, qué condiciones técnicas requieren las soluciones y cómo integrarlas en su operativa.
Esta fue la cuestión central del webinar ¿Dónde termina un piloto de IA y empieza realmente la transformación?, organizado por Codurance y Turistec, en el que participaron Raúl Blanco Díaz, Chief AI Officer de Neobookings; Xavier Venteo, Engineering Leader de Voxel (an Amadeus company); y Lesmes López, Regional Manager de Codurance.
A partir de sus experiencias, los participantes identificaron los principales obstáculos para integrar la inteligencia artificial en las operaciones turísticas y las prácticas tecnológicas y organizativas necesarias para superarlos.
La conclusión es que generar valor con IA requiere algo más que desarrollar prototipos. Las empresas necesitan seleccionar casos de uso relevantes, disponer de datos fiables, integrar las soluciones con sus sistemas, establecer controles adecuados y medir sus resultados.
La facilidad para desarrollar soluciones con IA ha cambiado las reglas del juego. Ahora mismo las empresas pueden construir asistentes, automatizar tareas o crear prototipos funcionales en cuestión de días, pero disponer de esa capacidad no significa que todas las iniciativas merezcan convertirse en productos.
Raúl Blanco, Chief AI Officer de Neobookings, subrayó la importancia de delimitar cada iniciativa desde el principio, dejando claro que cada prototipo debería estar enfocado en un área concreta.
La idea que subyace de las palabras de Raul es fundamental, ya que es totalmente necesario identificar cuál es el problema que se pretende resolver y qué resultado se espera obtener. Pongamos un ejemplo: en una empresa hotelera, puede resultar más útil comenzar por automatizar la gestión de determinadas consultas de clientes o mejorar la coordinación entre recepción y otros departamentos que intentar desarrollar un asistente capaz de gestionar todas las operaciones del establecimiento.
En esta misma linea, Xavier Venteo, Engineering Leader de Voxel, destacó que la velocidad de desarrollo obliga a reforzar la disciplina de producto: identificar necesidades reales, formular hipótesis, validarlas y priorizar aquellas soluciones que puedan aportar mayor valor. De no ser así, la organización corre el riesgo de acumular pilotos que consumen recursos y generan expectativas, pero nunca se integran en el funcionamiento cotidiano del negocio.
Desde esta perspectiva, el primer paso para escalar la IA no es desarrollar más prototipos, sino seleccionar mejor los casos de uso, estableciendo objetivos concretos y criterios que permitan evaluar sus resultados.
Uno de los principales obstáculos para incorporar la IA a las operaciones empresariales es la fragmentación de la información. Volvamos a uno de los ejemplos que se abordaron en la sesión.
En el sector hotelero, los datos suelen distribuirse entre diferentes plataformas, como los sistemas de gestión hotelera (PMS), los motores de reservas, los CRM, las herramientas de facturación y las aplicaciones operativas. Cada solución responde a necesidades específicas, pero no siempre comparte información de forma coherente con el resto.
Esta fragmentación dificulta construir soluciones capaces de ofrecer respuestas fiables, interpretar correctamente el contexto del cliente o ejecutar procesos que necesitan información procedente de varios sistemas.
Para Raúl Blanco, la calidad del dato es uno de los factores que separan un prototipo de una solución preparada para producción. No basta con conectar un modelo de lenguaje a diferentes fuentes de información: es necesario asegurar que los datos están organizados, actualizados y preparados para utilizarse correctamente.
«El camino complejo, que es el que para mí hay que tomar, es ordenar el dato y hacer una arquitectura, una infraestructura preparada para agentes y LLMs».
Raúl Blanco Díaz, Chief AI Officer de Neobookings.
Para ilustrar esta idea hablamos desde un ejemplo. Un asistente integrado en el motor de reservas de un hotel puede ofrecer una experiencia conversacional muy avanzada, pero si no dispone de información fiable sobre disponibilidad, condiciones comerciales o características de las habitaciones, puede generar respuestas incorrectas que afecten directamente a la experiencia del huésped. Y eso es un problema, de los gordos.
Aquí cobra especial relevancia la modernización de las arquitecturas tecnológicas. La integración de sistemas, la calidad de los datos y el desarrollo de interfaces que permitan a nuevas soluciones acceder de forma controlada a las capacidades existentes son condiciones importantes para llevar la IA a producción.
Lesmes López, Regional Manager de Codurance, recordó durante el debate que las empresas llevan años atravesando diferentes etapas de digitalización, desde la eliminación de procesos manuales hasta la integración y automatización de sistemas. Incorporar soluciones avanzadas de IA sin resolver determinadas limitaciones anteriores puede elevar considerablemente la complejidad y el coste de su implementación.
Esto no significa que las organizaciones deban completar toda su modernización tecnológica antes de empezar a experimentar. Pueden desarrollar casos de uso concretos aprovechando las capacidades que ya tienen disponibles, mientras avanzan progresivamente hacia una arquitectura más preparada para escalar.
El objetivo no es modernizarlo todo, sino identificar qué limitaciones tecnológicas impiden convertir la IA en una capacidad real del negocio.
La evolución de la IA generativa está abriendo nuevas posibilidades para automatizar procesos y mejorar la relación con los clientes. Los chatbots tradicionales se centran principalmente en responder preguntas, mientras que los agentes de IA pueden acceder a información, interactuar con herramientas y ejecutar determinadas acciones dentro de los procesos empresariales.
Raúl Blanco explicó cómo esta evolución está cambiando las soluciones que Neobookings desarrolla para el sector hotelero. El potencial de la IA no se limita a responder consultas: también puede ayudar a los profesionales a gestionar tareas recurrentes y concentrar su atención en actividades que requieren mayor criterio.
Volvamos al ejemplo del hotel: un director de hotel podría contar con un agente capaz de recopilar incidencias operativas, identificar prioridades, proponer actuaciones y facilitar la coordinación con los departamentos responsables. En lugar de consultar individualmente diferentes herramientas o realizar múltiples comunicaciones, dispondría de una visión más integrada de las tareas pendientes. Sin duda esta solución sería de gran ayuda y le descargaría de buena parte de las tareas de gestión. Él solo tendría que tomar las decisiones necesarias sobre el mapa de acciones priorizadas y organizadas que el agente le ofrecería.
En esta misma linea aparecen oportunidades para transformar la experiencia de reserva. Xavier Venteo planteó la posibilidad de construir capas agénticas conectadas con las APIs y los motores de reservas existentes, de modo que los usuarios puedan avanzar desde una conversación hasta una operación real.
Sin embargo, y este punto es importantísimo, cuanto mayor es la autonomía de un agente, más importantes resultan los mecanismos de control.
Lo entenderemos mejor con un ejemplo: un agente que consulta información sobre habitaciones disponibles no presenta los mismos riesgos que otro que puede modificar una reserva, acceder a datos personales o intervenir en una transacción económica. Estaremos de acuerdo que es fundamental definir qué acciones puede ejecutar, a qué sistemas puede acceder, qué permisos necesita y en qué situaciones debe intervenir una persona.
Durante el webinar, Xavier y Raúl destacaron la importancia de incorporar guardrails y mecanismos de evaluación para delimitar el comportamiento de los agentes, validar sus resultados y reducir actuaciones no deseadas.
Raúl Blanco advirtió del riesgo de trasladar soluciones experimentales a entornos reales sin haber establecido previamente mecanismos suficientes para controlar su comportamiento:
«Lo que está ocurriendo es que la gente despliega prototipos, herramientas, pero con las puertas abiertas de par en par, y ahí es donde realmente surgen los problemas».
Raúl Blanco Díaz, Chief AI Officer de Neobookings.
Así que volvemos al mismo mantra que repetimos, porque es necesario dejarlo muy claro: La supervisión humana sigue siendo especialmente importante cuando las decisiones afectan a datos sensibles, operaciones críticas o compromisos económicos.
Los pagos constituyen uno de los ámbitos donde estas exigencias resultan especialmente relevantes. La posibilidad de que un agente seleccione una oferta, realice una reserva y ejecute un pago autorizado representa una evolución potencial de la experiencia turística, pero también introduce desafíos relacionados con la protección de los datos financieros, la seguridad de las transacciones y el cumplimiento de estándares como PCI DSS.
Xavier Venteo señaló que existen oportunidades para aplicar la IA en tareas como la comparación de alternativas de pago, la evaluación de comisiones o la selección de opciones más convenientes, sin necesidad de delegar inicialmente toda la ejecución de la transacción.
Avanzar hacia operaciones más autónomas exigirá sistemas capaces de gestionar permisos, autorizaciones y controles de forma fiable. La oportunidad existe, pero el nivel de autonomía debe ajustarse al riesgo de cada operación.
Uno de los mensajes más relevantes del encuentro fue que la transformación con IA no consiste únicamente en incorporar nuevas herramientas a los sistemas existentes. Desde Codurance es algo que llevamos apuntando desde que empezamos a hablar de IA. La incorporación de IA debería ser un proceso que sea capaz de transformar la forma en que las organizaciones ejecutan tareas, desarrollan productos y coordinan equipos, por tanto, requiere revisar los procesos, las responsabilidades y las capacidades necesarias para trabajar con estas tecnologías.
Un ejemplo es la automatización de determinadas fases del desarrollo de software. Si la IA permite generar funcionalidades mucho más rápido, pero la validación depende de una única persona o de un proceso manual, el cuello de botella simplemente se traslada a otra fase. Para Xavier, una de las respuestas a este tipo de situaciones consiste en aplicar principios de lean management: analizar el flujo completo de trabajo, identificar dónde se producen las esperas y rediseñar los procesos antes de automatizarlos.
«Cuando metemos la IA aceleramos algunas partes del value stream map, de la línea del proceso, pero si aceleramos eso, igual generamos un cuello de botella en otra área que va detrás».
Xavier Venteo, Engineering Leader de Voxel.
Esta perspectiva también es aplicable a las operaciones turísticas. Automatizar la recepción de una solicitud no necesariamente mejora la eficiencia si después tiene que pasar por varios departamentos que siguen trabajando de forma desconectada.
Los agentes pueden aportar valor conectando actividades, facilitando la transferencia de información y reduciendo tiempos de espera entre equipos, pero para conseguirlo es necesario entender el proceso de principio a fin.
La adopción de IA exige además nuevas capacidades profesionales. Los perfiles especializados en calidad del software, ingeniería de datos, arquitectura y seguridad adquieren un papel fundamental para garantizar que las soluciones funcionan de manera consistente.
Teniendo todo esto en cuenta es más que obvio que la excelencia en ingeniería se convierte en un elemento clave para escalar la IA. Las pruebas automatizadas, la integración continua, la observabilidad, la evaluación de resultados y las prácticas de desarrollo sostenible permiten introducir nuevas capacidades sin comprometer la estabilidad de los sistemas existentes.
Esta necesidad resulta especialmente relevante en organizaciones que operan con plataformas legacy. Como explicó Xavier Venteo, modernizar una aplicación con muchos años de evolución exige comprender primero su funcionamiento y establecer pruebas que aseguren que los cambios no alteran comportamientos críticos.
La IA puede ayudar a acelerar ese trabajo, pero no sustituye la necesidad de contar con una estrategia de modernización y prácticas sólidas de ingeniería.
Desde Codurance, Lesmes López reforzó esta visión al relacionar la adopción de IA con la evolución de los sistemas, los procesos y las capacidades tecnológicas de las organizaciones. El desafío no es únicamente integrar una solución nueva, sino conseguir que forme parte de una base tecnológica capaz de seguir evolucionando.
La capacidad técnica para desarrollar una solución no garantiza su viabilidad a gran escala. Volvamos a un ejemplo práctico: un asistente puede ofrecer resultados prometedores con un número reducido de usuarios, pero cuando aumenta el volumen de consultas también pueden crecer significativamente sus costes de operación.
Xavier Venteo insistió en que la rentabilidad debe formar parte de la evaluación desde el principio. No basta con analizar los beneficios que puede generar una solución: es necesario proyectar cómo evolucionará su coste cuando aumenten las operaciones, los clientes o el consumo de modelos.
Raúl Blanco coincidió en la importancia de monitorizar el uso de los modelos de lenguaje y sus costes, aunque también defendió mantener un espacio para experimentar con iniciativas cuya rentabilidad todavía no puede determinarse por completo.
Este equilibrio entre experimentación y disciplina económica resulta esencial, y en esta sentido las organizaciones necesitan explorar nuevas posibilidades, pero también saber cuándo detener una prueba, revisarla o ampliar su alcance. Hace poco escribimos sobre ello, ya que a menudo vemos como la mayoría de iniciativas de IA empresarial no fracasan porque la tecnología no esté preparada, sino porque muchas empresas no están preparadas para convertirla en software real.
Además del coste, la decisión de escalar una iniciativa de IA debería considerar cinco aspectos:
La evaluación de estos criterios permite diferenciar una prueba tecnológica prometedora de una solución realmente preparada para integrarse en el negocio.
Las experiencias compartidas por Neobookings, Voxel y Codurance muestran que el sector turístico dispone de numerosas oportunidades para aplicar la inteligencia artificial, pero también que su adopción requiere algo más que incorporar herramientas o acelerar el desarrollo de prototipos.
Para las organizaciones que ya están experimentando con IA, el siguiente paso debería ser revisar cinco prioridades:
La IA puede acelerar el desarrollo de nuevas soluciones, pero su valor depende de la capacidad de las organizaciones para incorporarlas a sus operaciones de forma fiable y sostenible.
La verdadera transformación comienza cuando la inteligencia artificial deja de funcionar como un experimento aislado y se convierte en una capacidad integrada en los procesos, los sistemas y los equipos de la empresa.
Para las compañías turísticas, avanzar en esa dirección implica combinar una visión clara de negocio con datos de calidad, arquitecturas capaces de evolucionar y prácticas sólidas de ingeniería, y esa combinación es la que permite pasar de experimentar con IA a generar resultados tangibles y sostenibles.
Porque el verdadero potencial de la IA no está únicamente en hacer mejor lo que ya hacemos, sino en abrir nuevas posibilidades para transformar la manera en que las empresas crean valor, compiten y se relacionan con sus clientes.