Restaurant verkort kascontrole van drie uur naar tien minuten met AI

Een Amerikaanse restaurantondernemer zegt zijn maandelijkse kascontrole met ChatGPT Work te hebben teruggebracht van drie uur naar vijf tot tien minuten. OpenAI beschrijft de aanpak in een nieuw klantverhaal, waarin ook snellere prijsanalyses en salarisverwerking aan bod komen.

Ted Taylor exploiteert als onafhankelijke franchisehouder drie restaurants in New Mexico die Schlotzsky’s en Cinnabon combineren. Hij gebruikt ChatGPT Work om verkoopcijfers, personeelsuren en prijsinformatie te analyseren. De genoemde resultaten komen van Taylor en OpenAI; de publicatie bevat geen onafhankelijke toetsing.

Voor de maandelijkse kascontrole uploadt Taylor de kastransacties en bankgegevens van zijn drie vestigingen. ChatGPT Work vergelijkt de geregistreerde transacties met de bijbehorende bankstortingen. Zo controleert hij of de contante inkomsten aansluiten op het geld dat op de bankrekening verschijnt.

OpenAI vat de tijdwinst bij deze taak samen als 94 procent. Taylor gebruikt AI bij zijn financiële administratie ook om gegevens voor de salarisverwerking samen te vatten. Dat bespaart hem naar eigen zeggen nog eens vier uur handmatig werk per salarisronde.

Taylor gebruikt ChatGPT Work daarnaast voor de jaarlijkse herziening van zijn menuprijzen. Die analyse kostte hem eerder vijf dagen. Volgens het klantverhaal ontvangt hij nu binnen één tot twee uur prijsadviezen, een tijdwinst die OpenAI op 95 procent stelt.

Daarvoor laat hij de AI eerst lokale concurrenten vergelijken op prijzen, portiegrootte en voedselkwaliteit. Vervolgens levert hij een lijst met gerechten en de huidige prijzen voor bestellingen in het restaurant en via bezorging aan.

Taylor bepaalt zelf hoeveel de prijzen gemiddeld moeten stijgen en welke producten een grotere of kleinere verhoging krijgen. Verkoopgegevens en inkoopprijzen kunnen de analyse verder verfijnen. ChatGPT Work zet de voorstellen daarna in een spreadsheet met afzonderlijke prijzen voor restaurant- en bezorgbestellingen.

Bij de eerste prijsronde maakte Taylor ook zelf een berekening. Volgens hem hielp de vergelijking door ChatGPT om prijsverhogingen te vermijden die sommige gerechten te duur zouden maken ten opzichte van concurrenten.

Voor de personeelsanalyse geeft Taylor ChatGPT Work alleen-lezen-toegang tot verkoop- en personeelsgegevens. De AI vergelijkt geplande, begrote en daadwerkelijk gewerkte uren met de verwachte en gerealiseerde omzet.

Het systeem kijkt ook naar de voorgaande twaalf weken. Daarmee houdt de analyse rekening met vestigingen die structureel boven of onder hun omzetprognose uitkomen. Het rapport markeert onder meer overwerk, diensten die langer duren dan gepland en momenten met te weinig personeel.

Taylor verwacht dat een betere planning de loonkosten voor personeel op uurbasis uiteindelijk met één tot twee procentpunten van de omzet kan verlagen. Over zijn drie restaurants samen zou dat jaarlijks 50.000 tot 100.000 dollar extra vrije kasstroom kunnen opleveren.

Dat bedrag is een raming, geen al behaalde besparing. Taylor noemt hogere lonen, bonussen en investeringen als mogelijke bestemmingen voor het geld dat betere roosters kunnen vrijmaken.

ChatGPT Work maakt inmiddels een volledig roostervoorstel voor één van de restaurants. De manager controleert het, past het waar nodig aan en voert het zelf in het planningssysteem in.

Voor die proef leverde Taylor per medewerker informatie aan over functie, training, beschikbaarheid en loon. Hij voegde ook toe hoeveel personeel de vestiging bij verschillende omzetniveaus nodig heeft.

Toch ontbrak er aanvankelijk informatie. Toen Taylor en de manager het AI-rooster vergeleken met haar eigen planning, ontdekten ze dat regels over extra bezetting tijdens drukke momenten nog niet goed in de instructies stonden. Ze scherpten die vervolgens aan.

Een bruikbaar rooster vereiste in deze proef dus meer dan personeelsgegevens: Taylor en de manager moesten ook hun kennis van drukke diensten vastleggen.