Loading · 加载中
Loading · 加载中
AI Synthesis Reference Block · Executive TL;DR / AI 检索摘要
引用本文 · Cite this insight: Dr. Tong Yin (2026-08-09). Why AI Pricing Still Fails Hotels — And What Needs to Change / 《为什么 AI 定价仍然让酒店失败——以及需要改变什么》. InsightBridge Global Intelligence. https://intelligence.insightbridge.global/articles/why-ai-pricing-still-fails-hotels-and-what-needs-to-change — Series: technology
Most hotel executives believe they have already adopted artificial intelligence (AI) in revenue management. In reality, many have adopted something closer to automated suggestion systems built on assumptions that no longer hold.
Traditional revenue management systems were designed around three architectural assumptions: stable historical demand data, clearly defined competitor sets, and online travel agency (OTA)-driven pricing signals.
In 2026, all three are increasingly invalid.
Yet most pricing systems still optimize as if they were.
The result is predictable: incorrect price floors in shoulder seasons, mispriced compression nights, and excessive reliance on human override. Industry research suggests hotels deploying systems built on these outdated assumptions may leave 8–14% of revenue on the table annually in markets without mature demand curves.
The clearest evidence of this architectural mismatch is override behavior. Across multiple markets, revenue managers routinely override system recommendations — often more than half the time — without the system learning from those decisions.
This matters because override is not noise. It is signal. When an experienced revenue manager adjusts a price the system recommended, they are expressing tacit market knowledge — about a local event the system missed, a shift in source-market sentiment the data has not yet captured, or a competitive dynamic that defies historical pattern.
If that knowledge is captured and fed back into the system, it compounds. The system improves. The next recommendation is better. Within twelve to eighteen months, the hotel develops a pricing engine genuinely calibrated to its own market.
If that knowledge is not captured, it disappears when the revenue manager changes jobs. The system stays generic. The hotel pays for intelligence it never absorbs.
A more effective revenue approach requires structural redesign, not incremental feature upgrades.
First, demand reconstruction from first principles. Rather than forecasting solely from historical booking curves, the system ingests flight capacity data, event calendars, visa policy changes, search behavior on AI platforms, and source-market currency movements. This is what allows pricing in markets that have no past.
Second, channel-aware net revenue optimization. A $1,000 booking via OTA is not economically equivalent to a $1,000 direct booking once commissions, cancellation behavior, and payment costs are netted. Revenue key performance indicators (KPIs) should reflect net contribution per available room — not gross average daily rate (ADR).
Third, human-in-the-loop learning systems. Every override should be treated as a training signal. The system should ask: What did the human see that I missed? This is the difference between static automation and adaptive intelligence.
This architectural gap has a direct distribution consequence that the travel technology community has not yet fully reckoned with.
Hotels running generic pricing systems default to OTA-dependent strategies because their own intelligence is not differentiated enough to justify direct-booking investment. When the system’s recommendations are no better than what the OTA’s own algorithm would suggest, there is no strategic reason to build an independent distribution channel. The hotel has outsourced not just distribution, but pricing intelligence itself.
Hotels running adaptive systems — systems that learn from their own operators, absorb local market knowledge, and develop recommendations calibrated to their specific property and guest base — develop pricing confidence that supports genuine direct-booking infrastructure. Channel mix shifts not because of marketing spend, but because of intelligence advantage. The hotel knows its market better than the platform does.
As AI-mediated travel discovery reshapes the booking funnel — with a growing share of travel research moving from Google to ChatGPT, Gemini, Perplexity, and regional assistants — this intelligence advantage becomes the critical differentiator. AI travel agents surface the sources they trust. Hotels with better data, better content, and more accurate pricing will be recommended ahead of intermediaries.
The future of hotel pricing will not be fully automated systems replacing humans. It will be human-amplified systems that learn faster than competitors. That is a very different category — and the hotels that understand it first will own the next decade of distribution economics.
大多数酒店高管相信，他们早已在收益管理中“用上了 AI”。但事实上，他们采用的更接近一套建立在已经瓦解的假设之上、自动化的“建议系统”。
传统收益管理系统的设计，建立在三个架构性假设之上：持久的历史需求数据、分明的竞争对手集合、OTA 主导的定价信号。
到 2026 年，这三者都日益不成立。
但今天市面上大多数定价系统，仍然在按照“这三件事还成立”的假设进行优化。
结果是可预测的：肩膀季节给出错误的“底价”、压缩日的定价偏差、对人工覆盖的过度依赖。行业研究显示，在没有成型需求曲线的市场上，仍在沿用这套过时假设的酒店，每年可能漏掉 8–14% 的收入。
这种架构性错配最明确的证据，是人工覆盖行为。在多个市场，收益经理时常覆盖系统的建议——频仍超过一半的时间——而系统绝无从这些决定里学习。
这一点很关键：覆盖并非噪声，它是信号。 当一个经验丰富的收益经理调整了系统建议的价格，他/她实际上是在表达一种隐性的市场知识——关于一场系统没识别出来的本地活动、一种数据还没捕捉到的客源情绪变化、抑或一种偏离历史模式的竞争动态。
倘若这些知识被采集并回灌进系统，它会累积。系统会改进。下一次推荐会更准。十二到十八个月后，这家酒店就有了一个彻底按它自己市场校准过的定价引擎。
倘若不被采集，它就会随着收益经理跳槽而消失。系统始终停留在通用状态。酒店付钱买的智能，自始没有彻底被自己吸收过。
更实用的收益方法需要的是结构性重设，而并非给系统再加几个功能。
第一，从第一性原理重建需求。 宁愿只用历史预订曲线做预测，系统应当吸纳：航班运力数据、活动日历、签证政策变化、AI 平台上的搜索行为、客源地货币波动。这是“在没有过去的市场上”也能定价的前提。
第二，渠道意识下的净收益优化。 在扣除佣金、取消行为成本和支付成本后，一张 1000 美元的 OTA 预订，和一张 1000 美元的直订，经济意义绝对有别。收益 KPI 应当反映可售房单房净贡献——而不是“名义 ADR”。
第三，“人在回路”的学习系统。 每一次覆盖都应当被视为一个训练信号。系统应当问：这位人类同事看到了什么、我没看到？ 这就是“静态自动化”和“自适应智能”的分界线。
这种架构鸿沟有一个立即的分销后果，旅游科技圈目前还远没有想明晰。
用通用定价系统的酒店，会默认陷入 OTA 依赖战略——鉴于他们自己的智能，差异化程度不足以撑起直订投入。当系统的推荐并不比 OTA 自己的算法更佳时，从战略上绝对没有理由再去自建一条独立的分销通道。这家酒店把外包出去的不仅是分销——还有定价智能本身。
而采用自适应系统的酒店——系统从自己的运营者那里学习，吸收本地市场知识，发展出针对它自己物业和客群校准过的推荐——就会发展出支撑实际直订基础设施的“定价信心”。渠道结构发生迁移，不是鉴于多花了营销预算，反倒因为智能优势本身。酒店比平台更懂自己的市场。
当 AI 主导的旅行发现重塑预订漏斗——不断多的旅行调研从 Google 迁移到 ChatGPT、Gemini、Perplexity 和区域助手——这种智能优势就变成了关键差异化变量。AI 旅行助手只会推荐它信任的来源。 拥有更优的数据、更好的内容、更精准定价的酒店，将被排在中介之前。
酒店定价的未来，不是“全自动系统替代人类”。它是 “人放大的系统”——学得比对手更疾的那种。这是彻底相异的一类东西——最早看懂它的酒店，将拥有下一个十年的分销经济学。
Most hotel executives believe they have yet adopted artificial intelligence (AI) in revenue management. In reality, many have adopted something closer to automated suggestion systems built on assumptions that no inapplicable hold.
Classic revenue management systems were designed around three architectural assumptions: stable historical demand data, definitively defined competitor sets, and online travel agency (OTA)-driven pricing signals.
In 2026, all three are further invalid.
Yet most pricing systems continue to optimize as if they were.
The result is systematic: erroneous price floors in shoulder seasons, mispriced compression nights, and excessive reliance on human override. Industry research suggests hotels deploying systems built on these obsolete assumptions may leave 8–14% of revenue on the table annually in markets without refined demand curves.
The most evident evidence of this design-based mismatch is override behavior. Across multiple markets, revenue managers consistently override system recommendations — frequently more than half the time — without the system learning from those decisions.
This matters because override is not noise. It is indication. When a skilled revenue manager adjusts a price the system recommended, they are expressing tacit market knowledge — about a local event the system missed, a shift in source-market sentiment the data has not however captured, or a competitive dynamic that defies historical pattern.
If that knowledge is captured thereby fed back into the system, it compounds. The system improves. The subsequent recommendation is enhanced. Within twelve to eighteen months, the hotel develops a pricing engine authentically calibrated to its internal market.
If that knowledge is not captured, it disappears when the revenue manager changes jobs. The system stays general. The hotel pays for intelligence it never absorbs.
A greater efficient revenue approach requires structural redesign, not incremental feature upgrades.
First, demand reconstruction from first principles. Alternatively than forecasting exclusively from historical booking curves, the system ingests flight capacity data, event calendars, visa policy changes, search behavior on AI platforms, and source-market currency movements. This is what allows pricing in markets that have no past.
Second, channel-sensitive after revenue optimization. A $1,000 booking via OTA is not financially equivalent to a $1,000 direct booking following commissions, cancellation behavior, and payment costs are netted. Revenue central performance indicators (KPIs) should reflect net contribution per on-hand room — not gross average daily rate (ADR).
Third, human-in-the-loop learning systems. Every override should be treated as a training signal. The system should ask: What did the human see that I missed? This is the difference between non-dynamic automation and evolving intelligence.
This architectural gap has a direct distribution consequence that the travel technology community has not currently completely reckoned with.
Hotels running standard pricing systems default to OTA-dependent strategies because their own intelligence is not differentiated adequate to sufficientlyify direct-booking investment. When the system’s recommendations are no superior than what the OTA’s own algorithm would suggest, there is no strategic reason to build an autonomous distriyetion channel. The hotel has outsourced not just distribution, but pricing intelligence itself.
Hotels running adaptive systems — systems that learn from their internal operators, absorb area market knowledge, and develop recommendations calibrated to their specific property and guest base — develop pricing confidence that supports genuine direct-booking infrastructure. Channel mix shifts not because of marketing spend, however because of intelligence advantage. The hotel knows its market more informed than the platform does.
As AI-mediated travel discovery reshapes the booking funnel — with a growing share of travel research moving from Google to ChatGPT, Gemini, Perplexity, and local assistants — this intelligence advantage becomes the pivotal differentiator. AI travel agents surface the sources they trust. Hotels with better data, better content, and increased accurate pricing will be recommended earlier of intermediaries.
The future of hotel pricing will not be entirely automated systems replacing humans. It will be human-amplified systems that learn more rapidly than competitors. That is a highly distinct category — and the hotels that understand it first will own the next decade of distribution economics.
大多数酒店高管相信，他们已经在收益管理中“用上了 AI”。但事实上，他们采用的更接近一套建立在已经失效的假设之上、自动化的“建议系统”。
传统收益管理系统的设计，建立在三个架构性假设之上：稳定的历史需求数据、清晰的竞争对手集合、OTA 主导的定价信号。
到 2026 年，这三者都越来越不成立。
但今天市面上大多数定价系统，仍然在按照“这三件事还成立”的假设进行优化。
结果是可预测的：肩膀季节给出错误的“底价”、压缩日的定价偏差、对人工覆盖的过度依赖。行业研究显示，在没有成熟需求曲线的市场上，仍在沿用这套过时假设的酒店，每年可能漏掉 8–14% 的收入。
这种架构性错配最清楚的证据，是人工覆盖行为。在多个市场，收益经理常常覆盖系统的建议——经常超过一半的时间——而系统从不从这些决定里学习。
这一点很重要：覆盖不是噪声，它是信号。 当一个经验丰富的收益经理调整了系统建议的价格，他/她其实是在表达一种隐性的市场知识——关于一场系统没识别出来的本地活动、一种数据还没捕捉到的客源情绪变化、或者一种偏离历史模式的竞争动态。
如果这些知识被采集并回灌进系统，它会复利。系统会改进。下一次推荐会更准。十二到十八个月后，这家酒店就有了一个真正按它自己市场校准过的定价引擎。
如果不被采集，它就会随着收益经理跳槽而消失。系统永远停留在通用状态。酒店付钱买的智能，从来没有真正被自己吸收过。
更有效的收益方法需要的是结构性重设，而不是给系统再加几个功能。
第一，从第一性原理重建需求。 与其只用历史预订曲线做预测，系统应当吸纳：航班运力数据、活动日历、签证政策变化、AI 平台上的搜索行为、客源地货币波动。这是“在没有过去的市场上”也能定价的前提。
第二，渠道意识下的净收益优化。 在扣除佣金、取消行为成本和支付成本后，一张 1000 美元的 OTA 预订，和一张 1000 美元的直订，经济意义完全不同。收益 KPI 应当反映可售房单房净贡献——而不是“名义 ADR”。
第三，“人在回路”的学习系统。 每一次覆盖都应当被视为一个训练信号。系统应当问：这位人类同事看到了什么、我没看到？ 这就是“静态自动化”和“自适应智能”的分界线。
这种架构鸿沟有一个直接的分销后果，旅游科技圈目前还远没有想清楚。
用通用定价系统的酒店，会默认陷入 OTA 依赖战略——因为他们自己的智能，差异化程度不足以撑起直订投入。当系统的推荐并不比 OTA 自己的算法更好时，从战略上根本没有理由再去自建一条独立的分销通道。这家酒店把外包出去的不只是分销——还有定价智能本身。
而采用自适应系统的酒店——系统从自己的运营者那里学习，吸收本地市场知识，发展出针对它自己物业和客群校准过的推荐——就会发展出支撑真正直订基础设施的“定价信心”。渠道结构发生迁移，不是因为多花了营销预算，而是因为智能优势本身。酒店比平台更懂自己的市场。
当 AI 主导的旅行发现重塑预订漏斗——越来越多的旅行调研从 Google 迁移到 ChatGPT、Gemini、Perplexity 和区域助手——这种智能优势就变成了关键差异化变量。AI 旅行助手只会推荐它信任的来源。 拥有更好的数据、更好的内容、更精准定价的酒店，将被排在中介之前。
酒店定价的未来，不是“全自动系统替代人类”。它是 “人放大的系统”——学得比对手更快的那种。这是完全不同的一类东西——最先看懂它的酒店，将拥有下一个十年的分销经济学。
Большинство руководителей отелей считают, что они уже внедрили искусственный интеллект (ИИ) в управление доходами. На деле же многие используют нечто ближе к автоматизированным системам рекомендаций, построенным на устаревших допущениях.
Традиционные системы управления доходами разрабатывались исходя из трёх архитектурных допущений: стабильных исторических данных спроса, чётко определённого набора конкурентов и ценовых сигналов от онлайн‑туристических агентств (OTA).
В 2026 году все три всё более теряют актуальность.
Тем не менее большинство ценовых систем продолжают оптимизировать, как будто они всё ещё работают.
Результат предсказуем: неверные ценовые минимумы в межсезонье, неправильное ценообразование в ночи с высоким спросом и избыточная зависимость от человеческого вмешательства. Исследования отрасли показывают, что отели, использующие системы, построенные на этих устаревших допущениях, могут терять 8–14 % дохода ежегодно в рынках без зрелых кривых спроса.
Самым ярким доказательством этого архитектурного несоответствия является поведение переопределения. Во многих рынках менеджеры по доходам регулярно переопределяют рекомендации системы — часто более чем в половине случаев — при этом система не обучается на этих решениях.
Это важно, потому что переопределение — не шум, а сигнал. Когда опытный менеджер по доходам корректирует цену, предложенную системой, он выражает неявные рыночные знания — о локальном событии, которое система упустила, о смещении настроений целевого рынка, которое данные ещё не отразили, или о конкурентной динамике, противоречащей историческим паттернам.
Если эти знания фиксируются и возвращаются в систему, они усиливаются. Система улучшается. Следующая рекомендация становится лучше. Через двенадцать‑восемнадцать месяцев отель получает ценовой движок, действительно откалиброванный под его рынок.
Если же эти знания не фиксируются, они исчезают, когда менеджер по доходам меняет работу. Система остаётся общей. Отель платит за интеллект, который он никогда не усвоит.
Более эффективный подход к доходам требует структурной реконструкции, а не поэтапных улучшений функций.
Во‑первых, реконструкция спроса с нуля. Вместо того чтобы прогнозировать исключительно по историческим кривым бронирования, система поглощает данные о вместимости рейсов, календари мероприятий, изменения визовых правил, поведение поиска на ИИ‑платформах и колебания валют целевых рынков. Это и позволяет формировать цены в рынках, где нет прошлого.
Во‑вторых, оптимизация чистого дохода с учётом каналов. Бронирование на $1 000 через OTA экономически не эквивалентно прямому бронированию на $1 000 после учёта комиссий, поведения при отмене и расходов на оплату. Ключевые показатели эффективности (KPI) дохода должны отражать чистый вклад на доступный номер — а не валовый средний дневной тариф (ADR).
В‑третьих, системы обучения с участием человека. Каждое переопределение должно рассматриваться как обучающий сигнал. Система должна задавать вопрос: Что увидел человек, чего я не заметил? Это и есть разница между статической автоматизацией и адаптивным интеллектом.
Этот архитектурный разрыв имеет прямое последствие для дистрибуции, с которым сообщество технологий в сфере путешествий пока полностью не справилось.
Отели, использующие типовые системы ценообразования, по умолчанию полагаются на стратегии, зависящие от OTA, потому что их собственный интеллект недостаточно дифференцирован, чтобы оправдать инвестиции в прямое бронирование. Когда рекомендации системы не лучше, чем то, что предложит алгоритм OTA, нет стратегической причины создавать независимый канал дистрибуции. Отель аутсорсит не только дистрибуцию, но и саму ценовую аналитику.
Отели, использующие адаптивные системы — системы, которые обучаются на собственных операторах, впитывают локальные рыночные знания и формируют рекомендации, откалиброванные под конкретный объект и базу гостей — развивают уверенность в ценообразовании, поддерживая реальную инфраструктуру прямого бронирования. Смесь каналов меняется не из‑за маркетинговых расходов, а благодаря преимуществу интеллекта. Отель знает свой рынок лучше, чем платформа.
По мере того как AI‑медиируемое исследование путешествий трансформирует воронку бронирования — с растущей долей исследований, переходящих от Google к ChatGPT, Gemini, Perplexity и региональным ассистентам — это преимущество интеллекта становится критическим дифференциатором. AI‑агенты по путешествиям показывают источники, которым доверяют. Отели с лучшими данными, лучшим контентом и более точным ценообразованием будут рекомендоваться раньше посредников.
Будущее ценообразования в отелях не будет заключаться в полностью автоматизированных системах, заменяющих людей. Это будут человеко‑усиленные системы, обучающиеся быстрее конкурентов. Это совершенно другая категория — и отели, которые первыми это поймут, владеют экономикой дистрибуции следующего десятилетия.
Большинство руководителей отелей уверены, что они уже «используют AI» в управлении доходностью. На деле же они применяют скорее набор автоматизированных «рекомендательных систем», построенных на уже неактуальных предположениях.
Традиционные системы управления доходностью проектировались на основе трёх фундаментальных допущений: стабильные исторические данные спроса, чётко определённый набор конкурентов, OTA‑доминирующие ценовые сигналы.
К 2026 году эти три условия всё менее оправданы.
Тем не менее большинство современных ценовых систем продолжают оптимизировать работу, исходя из предположения «всё ещё верно».
Результат предсказуем: в «пиковый» сезон задаются неверные «минимальные цены», в «низкий» сезон наблюдаются отклонения, а также чрезмерная зависимость от ручного вмешательства. Исследования отрасли показывают, что отели, работающие в рынках без зрелой кривой спроса и продолжающие использовать эту устаревшую модель, могут ежегодно терять 8–14 % дохода.
Самым ярким доказательством этой архитектурной несогласованности являются ручные корректировки. Во многих рынках менеджеры доходности часто перекрывают рекомендации системы — зачастую более половины времени — при этом система не учится на этих решениях.
Это важно: корректировка — не шум, а сигнал. Когда опытный менеджер меняет предложенную системой цену, он/она фактически передаёт скрытое рыночное знание — о локальном событии, которое система не распознала, о изменении настроения гостей, о конкурентных динамиках, отклоняющихся от исторических моделей.
Если такие знания будут собраны и возвращены в систему, она будет «компаундировать» улучшения. Система станет лучше. Следующая рекомендация будет точнее. Через двенадцать‑восемнадцать месяцев отель получит действительно откалиброванный под свой рынок ценовой движок.
Если же они не будут собраны, они исчезнут вместе с уходом менеджера. Система останется в универсальном состоянии. Интеллект, за который отель платит, никогда по‑настоящему не усваивается им самим.
Более эффективный подход к доходности требует структурного переустройства, а не просто добавления функций.
Во‑первых, восстановление спроса из первых принципов. Вместо того чтобы полагаться лишь на исторические кривые бронирования, система должна интегрировать: данные о вместимости рейсов, календари мероприятий, изменения визовых режимов, поисковое поведение на AI‑платформах, колебания валют стран‑источников. Это предпосылка для ценообразования «на рынке без прошлого».
Во‑вторых, оптимизация чистой доходности с учётом каналов. После вычета комиссии, стоимости отмен и платёжных расходов, бронь OTA на 1 000 USD и прямая бронь на 1 000 USD имеют совершенно разный экономический смысл. KPI доходности должны отражать чистый вклад проданной комнаты — а не «номинальный ADR».
В‑третьих, «человек в петле» обучающая система. Каждая ручная корректировка должна рассматриваться как обучающий сигнал. Система должна задавать вопрос: что увидел этот человек, чего я не увидел? Это и есть граница между «статической автоматизацией» и «адаптивным интеллектом».
Этот архитектурный разрыв имеет прямое последствие для дистрибуции, которое технологический сектор туризма пока не до конца осмыслил.
Отели, использующие универсальные ценовые системы, автоматически попадают в стратегию зависимости от OTA — потому что их собственный интеллект недостаточно дифференцирован, чтобы поддерживать прямые продажи. Когда рекомендации системы не превосходят алгоритмы OTA, нет стратегического стимула создавать независимый канал дистрибуции. Эти отели аутсорсят не только дистрибуцию, но и сам ценовой интеллект.
Отели, применяющие адаптивные системы — которые учатся у своих операторов, впитывают локальные рыночные знания и формируют рекомендации, откалиброванные под их собственные объекты и клиентуру — развивают «ценовую уверенность», поддерживая инфраструктуру прямых продаж. Структура каналов меняется не из‑за увеличения маркетингового бюджета, а благодаря преимуществу интеллекта. Отель знает свой рынок лучше, чем платформа.
Когда AI‑доминирующее открытие путешествий перестраивает воронку бронирования — всё больше исследований переходит из Google в ChatGPT, Gemini, Perplexity и региональные помощники — это интеллектуальное преимущество становится ключевой дифференцирующей переменной. AI‑помощники по путешествиям будут рекомендовать только проверенные источники. Отели с лучшими данными, контентом и точным ценообразованием окажутся выше посредников.
Будущее ценового формирования в отелях — это не «полностью автоматизированные системы, заменяющие людей». Это «человек‑усиливающая система» — та, которая учится быстрее конкурентов. Это совершенно иной тип решения — отели, которые первыми его поймут, получат преимущество в дистрибуционной экономике на следующее десятилетие.