AI och hållbara hotellval: från penna till prognos

Jul- och nyårsveckorna är ofta årets mest intensiva period i hotell och restaurang. Det är också den period då små beslut tenderar att tas på rutin: “Ta det vi alltid tar.” En penna här, en välkomstlapp där, en extra omgång engångsartiklar i konferensrummet. Och just därför är det här en av de bästa tiderna att jobba smart med hållbarhet.

Det låter kanske märkligt att börja med en penna. Men jag gillar exemplet, för det avslöjar något som många verksamheter missar: hållbarhet byggs inte av en stor satsning per år, utan av hundratals små val – och av att man mäter dem. När leverantörer lyfter biologiskt nedbrytbara pennor i bambu och kraftpapper blir frågan snabbt större än själva produkten: Hur vet vi att den här typen av val faktiskt gör skillnad? Hur följer vi upp? Hur skalar vi utan att kostnaden drar iväg?

Här kommer kampanjens kärna in: AI inom turism och besöksnäring gör det möjligt att koppla ihop vardagsinköp med data, drift och gästupplevelse. Samtidigt finns en tydlig parallell till den här bloggens serie om AI inom försäkring och riskhantering: samma tekniker som förbättrar riskbedömning, prediktiv analys och bedrägeridetektion kan också användas för att minska operativa risker, kostnadsrisker och regelefterlevnadsrisker i hospitality.

Varför “små” hållbara produkter blir stora frågor i driften

Svar först: Små artiklar som pennor blir viktiga eftersom de förekommer i stora volymer, hamnar i många kontaktpunkter och påverkar både inköp, avfall och varumärkesupplevelse.

En penna på receptionen, i konferensblocken, i rummen och i personalutrymmen låter obetydligt. Men multiplicera med beläggning, säsongstopp, konferenser och svinn. Då blir det en fråga om:

• Volymrisk: “Små” artiklar köps ofta i stora partier. Fel beslut ger lång eftersläpning.
• Kostnadsrisk: Pris per enhet är låg, men totalen kan bli hög.
• Hållbarhetsrisk: Engångsplast eller icke-spårbara material kan slå mot både mål och upphandling.
• Varumärkesrisk: Gäster märker inkonsekvens. En “grön” kommunikation och en plastpenna i rummet går inte ihop.

Det är här många organisationer fastnar: man gör hållbara byten, men utan att sätta mätpunkter. Då blir det svårt att prioritera mellan “ekopennan” och andra initiativ (tvätt, energi, matsvinn) – och svårt att argumentera för budget.

AI som gör hållbarhet mätbar (inte bara synlig)

Svar först: AI hjälper hotell att koppla inköp till faktiskt utfall genom prognoser, avvikelsedetektion och optimering i realtid.

När en leverantör beskriver pennor av bambu och kraftpapper är det ett exempel på en produkt där materialvalet är tydligt. Men det verkliga värdet uppstår när du kan svara på tre driftfrågor med data:

1. Hur många går åt – och varför varierar det?
2. Vilka enheter driver svinn (konferens, housekeeping, reception)?
3. Vilka hållbara val ger effekt per krona och per kg avfall/CO₂?

Prognoser för säsongstoppar och rätt inköpsnivå

AI-baserad efterfrågeprognos använder historisk beläggning, bokningskurvor, evenemangskalender, vädermönster och marknadsdata för att uppskatta framtida volymer. I praktiken kan det betyda:

• Färre panikbeställningar under julhelgerna
• Mindre överlager som blir inaktuellt eller hamnar i svinn
• Bättre villkor i upphandling eftersom du beställer mer planerat

För hållbara artiklar (som biologiskt nedbrytbara pennor) blir detta extra relevant: du vill undvika att betala en “hållbarhetspremie” på expressleveranser.

Avvikelsedetektion: upptäck svinnet där det uppstår

Här finns en direkt bro till AI inom försäkring och riskhantering. Samma typ av modeller som flaggar ovanliga skadeärenden kan flagga ovanliga förbrukningsmönster.

Exempel:

• Ett konferensplan förbrukar 2,6× fler pennor per deltagare än snittet.
• En våning har högre “försvinnandegrad” av amenities än jämförbara våningar.
• Receptionen beställer extra ofta (indikator på bristande lagerdisciplin).

När du ser avvikelsen kan du göra en enkel rotorsaksanalys: är det placering, rutiner, leveransstorlek, eller att gäster tar med sig pennor (vilket i vissa segment kan vara helt okej – men då ska det vara en medveten del av upplevelsen)?

Optimering: från policy till praktisk drift

Många hållbarhetspolicys fastnar i pdf:er. AI kan däremot driva konkret beteende genom att föreslå nästa bästa åtgärd:

• Justera påfyllningsnivåer per rumstyp
• Föreslå alternativ produkt baserat på pris/leverans/avtryck
• Schemalägga inköp utifrån beläggningsprognos

Det här är “tråkig” AI. Och det är precis därför den fungerar.

Gästupplevelse: personalisering av gröna val utan pekpinnar

Svar först: AI kan anpassa hållbara erbjudanden efter gästsegment och situation, så att hållbarhet upplevs som omtanke – inte som försämring.

Många hotell gör misstaget att behandla hållbarhet som ett generellt budskap: samma skylt i alla rum, samma “spara handduken”-text oavsett gäst. AI-baserad segmentering (baserat på bokningskanal, vistelselängd, anledning till resan och tidigare preferenser) gör det möjligt att vara mer träffsäker.

Konkreta exempel som passar julperioden:

• Affärsgäst 1 natt: tydlig, snabb opt-out/opt-in för room service och städ, ingen moralpredikan.
• Familj 3 nätter: små val som barnen förstår (t.ex. “välj återbrukade pysselkit i lobbyn”).
• Konferensgrupp: mätning per deltagare (pennor, block, vatten) och en snygg summering till beställaren efteråt.

Och ja – en hållbar penna kan vara en del av detta. Inte som “vi är duktiga”, utan som en konsekvent detalj i en helhet.

En tumregel jag ofta återkommer till: Om gästen märker att ni sparar pengar, blir de irriterade. Om de märker att ni minskar slöseri, blir de imponerade.

Från leverantör till samarbete: AI i hållbar upphandling

Svar först: AI-stödd upphandling gör hållbarhetskrav praktiska genom spårbarhet, poängmodeller och bättre leveransprecision.

Leverantörsrelationer är en nyckel i hospitality – särskilt när hållbarhetskraven skärps. Eco-produkter (som biologiskt nedbrytbara pennor) är ett bra exempel på en kategori där du vill kunna bedöma mer än bara pris.

En enkel poängmodell (som faktiskt används)

Bygg en poängmodell där AI kan hjälpa till att vikta och följa upp. Exempel på kriterier:

1. Total cost of ownership (TCO): inköp + frakt + bristkostnad + svinn
2. Material och återvinnings-/nedbrytningsprofil: dokumentation och konsekvens
3. Leveransprecision: rätt tid, rätt volym
4. Kvalitet i användning: hållbarhet, bläckflöde, reklamationer
5. Varumärkespassning: design, känsla, “look and feel”

När detta mäts per kvartal blir samtalet med leverantören enklare: “Här är datan, här är förbättringen vi vill se.”

Riskperspektivet (kopplingen till försäkring och riskhantering)

I vår serie om AI inom försäkring pratar vi ofta om att minska osäkerhet med bättre data. I hospitality handlar det om liknande risktyper:

• Försörjningsrisk: sena leveranser i högsäsong
• Regelefterlevnadsrisk: felaktiga miljöpåståenden eller bristande dokumentation
• Ryktesrisk: gäster som upplever greenwashing

AI kan hjälpa genom att identifiera avvikelser tidigt, jämföra leverantörer mer objektivt och skapa spårbarhet.

Praktisk start: en 30-dagars plan för “från penna till prognos”

Svar först: Börja med en enda produktkategori, sätt tre mätetal och koppla dem till beläggning och inköp – sedan skalar du.

Det här är upplägget jag brukar rekommendera när man vill komma igång utan att bygga ett monsterprojekt.

1. Välj en kategori med hög volym och låg komplexitet
   • Exempel: pennor, block, engångsmuggar, rumsamenities
2. Sätt tre KPI:er som går att följa varje vecka
   • Förbrukning per gästnatt (eller per konferensdeltagare)
   • Svinn/avvikelse (skillnad mellan beställt och förbrukat)
   • Kostnad per enhet och per gästnatt
3. Koppla till beläggningsdata och eventkalender
   • Det räcker ofta med en enkel modell i början
4. Inför en rutin för avvikelseuppföljning
   • 15 minuter/vecka: “Var stack det iväg och varför?”
5. Skala till nästa kategori när ni ser stabilitet
   • Målet är att bygga ett bibliotek av bevisade förbättringar

Efter 30 dagar har du något de flesta saknar: ett datadrivet svar på vad hållbarhetsbytet gav i praktiken.

Avslutning: hållbarhet tar inte ledigt – och det borde inte datan heller

Biologiskt nedbrytbara pennor är en fin symbol för en större rörelse i besöksnäringen: detaljerna räknas. Men jag tycker att symboliken blir ännu starkare när den backas upp av siffror.

AI gör det möjligt att gå från “vi borde” till “vi vet”. Samma logik som gör underwriting och riskbedömning skarpare i försäkring kan göra hotellens hållbarhetsarbete mer konsekvent: prognoser som minskar stressinköp, avvikelsedetektion som hittar svinn, och uppföljning som håller löften ärliga.

Vill du att julens mest hektiska veckor också ska bli veckorna där ni lär er mest om er drift? Vilken produktkategori skulle ge tydligast effekt om ni började mäta den redan i januari?