La inteligencia artificial ha cambiado la velocidad a la que tomamos decisiones, pero su verdadero impacto en revenue management depende menos del algoritmo y más de la calidad de las preguntas. Esa fue la tesis principal que defendió Javier Ortiz, CEO y cofundador de Sextaplanta, en su ponencia “El arte de preguntar a la máquina: ingeniería de prompts aplicada al revenue management”, durante el Smart Travel News Roadshow Málaga celebrado el 24 de septiembre.
Ortiz arrancó con una analogía cotidiana para explicar por qué un buen prompt es mucho más que una frase suelta. Igual que cuando pedimos a un adolescente “guarda la ropa” y termina ocultándola bajo la cama, a la IA no basta con decirle qué hacer: hay que especificar el cómo, el dónde y el para qué. En otras palabras, el prompt no es una búsqueda; es una instrucción operativa que determina la utilidad del resultado.
Ocho piezas para un prompt que funciona
El ponente desgranó la anatomía de un buen prompt en ocho elementos prácticos que, combinados, incrementan la precisión y evitan respuestas vagas:
-
Rol: pedir al asistente que actúe con una identidad concreta (“revenue manager especializado en hoteles vacacionales”, “director comercial para mercados nórdicos”).
-
Objetivo: lo único realmente irrenunciable. ¿Qué queremos conseguir? ¿Un informe, una campaña, un análisis profundo?
-
Contexto: datos del hotel y del problema (habitaciones, tipologías, temporada, canal, ubicación).
-
Referencias: resultados previos o materiales de base (campañas, pick up, forecast) para orientar el output.
-
Formato de salida: tabla, lista, texto plano, borrador de email, copy para redes.
-
Tono y estilo: profesional interno, orientado a dirección, o dirigido a cliente final.
-
Ejemplos: muestras de “cómo lo quiero” o “cómo no lo quiero”.
-
Límites: reglas explícitas (“no uses ‘barato’”, “sin decimales”, “con cifras redondeadas”).
Con estos ingredientes, el resultado deja de ser una respuesta genérica y se convierte en materia accionable, lista para el siguiente paso del trabajo con datos, pricing o distribución.
Iteración, feedback y trabajo por pasos
Para Ortiz, el gran error es quedarse con la primera respuesta. La interacción con la IA exige iterar: dar feedback positivo o negativo, pedir segunda versión, ajustar el público objetivo y solicitar el razonamiento paso a paso. Este último punto, subrayó, es crítico cuando se trabaja con documentos extensos: antes de pedir “analízalo”, conviene preguntar qué estructura ha detectado y qué información echa en falta. Así se valida que el sistema ha leído bien los datos y no se pierden columnas, rangos o hojas.
También recomendó usar delimitadores claros (guiones o asteriscos) cuando se proporcionan ejemplos, para que el modelo distinga con precisión entre instrucciones y muestras. Y, en ámbitos muy verticales como el hotelero, repetir palabras clave ayuda a reforzar el contexto.
Otro consejo práctico: invitar al asistente a preguntar lo que necesite antes de responder. Este simple giro provoca que la herramienta solicite datos críticos ausentes y evita conclusiones precipitadas.
Verificar fuentes y números
Ortiz fue claro con un aviso metodológico: si no se solicita la fuente o la localización del dato, el asistente puede devolver información sin citar origen. Por eso es recomendable pedir dónde está en el documento (página y párrafo) o, en un Excel, en qué columna y fila se sustenta una cifra. En iteraciones sucesivas, si un dato no cuadra, hay que corregirlo y pedir la revisión sobre esa base.
Memoria, GPTs y agentes: del prompt al proceso
Una vez afinado un flujo de trabajo, entra en juego la memoria del asistente y la posibilidad de empaquetar instrucciones en GPTs o agentes, de modo que el sistema recuerde el contexto y solo tengamos que indicar el objetivo. Con ello se reduce la fricción diaria: por ejemplo, automatizar que el pick up matinal se recoja de una fuente, se procese con instrucciones ya probadas y se entregue por email con el resumen listo para decidir.
Ortiz defendió además la conveniencia de combinar varios asistentes según su fortaleza: desde modelos que brillan con documentos largos o conexión a internet hasta aquellos integrados en el entorno corporativo para trabajar con repositorios internos. La clave no es casarse con una sola herramienta, sino orquestar capacidades para maximizar velocidad, control y seguridad.
IA para aumentar, no sustituir
El núcleo de su visión es el revenue manager aumentado: un profesional que combina criterio y experiencia con automatización de tareas de bajo valor, para dedicar más tiempo a análisis, estrategia y coordinación interdepartamental. “No se trata de sustituir a la persona; se trata de quitar acciones que no aportan valor para que pueda concentrarse en las que sí”, resumió.
Ese enfoque exige nuevas habilidades: además del cálculo y el manejo de herramientas habituales, el revenue manager deberá dominar el arte de preguntar a la máquina. Formular objetivos claros, estructurar datos y guiar iteraciones se convierten en competencias centrales para transformar la IA en ventaja competitiva.
Un método aplicable mañana mismo
Más allá de la teoría, la propuesta de Ortiz es profundamente operativa. Definir rol y objetivo, contextualizar con datos reales, aportar referencias, fijar formato y límites, iterar con feedback y verificar números son pasos que cualquier equipo puede empezar a practicar de inmediato. Con el tiempo, esas mejores prácticas se empaquetan en agentes que estandarizan procesos y elevan la consistencia de las salidas, liberando horas para pensar en precio, canal y producto con una perspectiva más estratégica.
La conclusión quedó clara: la IA no “lo hace todo”. Lo que hace es acelerar la llegada a una respuesta accionable. A partir de ahí, el valor humano vuelve a ser decisivo: decidir, priorizar, coordinar e implementar. En esa frontera entre lo automático y lo estratégico es donde nacerá la próxima ventaja del revenue.
