18.000 vasos de agua: lo que la IA de voz para autoservicio sigue haciendo mal

Un cliente se acercó a un poste con altavoz de un Taco Bell en agosto de 2025 y pidió 18.000 vasos de agua. La IA lo entendió perfectamente. Puso los 18.000 en el pedido. El clip superó los 21,5 millones de visualizaciones, y Taco Bell pausó la expansión de su IA para averiguar qué había salido mal.

Aquí está la parte incómoda: no salió nada mal con la inteligencia artificial. El reconocimiento de voz fue impecable. El modelo de lenguaje interpretó la solicitud exactamente como fue dicha. Lo que faltaba era una sola pieza de software aburrido, basado en reglas, situado entre la IA y la caja registradora: ese tipo de cosa que debería haber mirado "18.000 aguas" y haber dicho no, eso no es un pedido real. Nadie lo había construido.

He pasado el último tramo de mi carrera dentro de la IA de voz para autoservicio en coche (drive-thru): los sistemas que toman tu pedido en el poste con altavoz mientras una persona está de pie en la ventanilla, y quiero contarte por qué estos fallos siguen ocurriendo, porque la lección no es la que sugieren los titulares. El modelo casi nunca es el problema. La arquitectura que rodea al modelo sí lo es.

La IA escuchó el pedido correctamente. Simplemente no había nada en el sistema autorizado a decir "eso no puede estar bien".

Esa frase es toda la historia de por qué la IA de voz para autoservicio sigue dejando en ridículo a las cadenas que la despliegan. Y tiene solución, no con un modelo más inteligente, sino con la ingeniería poco vistosa que todos se saltaron camino de una demostración.

La meseta de tres años de la que nadie quiere hablar

Cuando empecé a mirar en serio este ámbito, el caso ejemplarizante que todos señalaban era el de McDonald's. Pasaron tres años en una alianza de voz para autoservicio con IBM, se quedaron estancados en torno al 80-85% de precisión en los pedidos y, discretamente, dieron por terminado todo el proyecto en julio de 2024. Por el camino, el sistema añadió 260 Chicken McNuggets al pedido de un coche y adornó el helado de vainilla de alguien con beicon. Ahora existe una entrada en el Museo del Fracaso dedicada a ello.

Mi primer instinto fue el mismo que tienen la mayoría de los ingenieros: seguro que usaron un modelo flojo. Así que empezamos donde todos empiezan: coger un potente motor de conversión de voz a texto, alimentarlo a un modelo de lenguaje capaz, conectar la salida a un sistema de punto de venta y dejarlo funcionar. En una sala de reuniones era genuinamente impresionante. Manejaba pedidos complejos, modificadores, sustituciones. Estaba convencido de que lo habíamos resuelto en pocas semanas.

Luego lo llevamos a un carril real en una tarde fría y ventosa, y se vino abajo casi de inmediato.

Un camión estaba al ralentí dos plazas más allá y el sistema empezó a transcribir su motor. Una ráfaga de viento se registró como un estallido de habla. Cuando la radio del coche de un cliente estaba encendida, la IA mezclaba alegremente la voz del locutor en el pedido. Aquello que había sido brillante en interiores era casi inutilizable en exteriores, y yo personalmente había apostado la hoja de ruta inicial a la suposición de que el modelo era la parte difícil. No lo era. La parte difícil era todo lo que le ocurre al sonido antes de que el modelo siquiera lo oiga.

Aquella noche en el aparcamiento replanteó todo el problema para mí, y es la razón por la que acabamos construyendo lo que construimos en Veriprajna: no un modelo mejor, sino las capas que faltaban a su alrededor.

Por qué el poste con altavoz es el lugar más difícil de la Tierra para escuchar

Un poste con altavoz de autoservicio es uno de los entornos acústicamente más hostiles en los que puedes pedirle a una máquina que escuche. No lo digo como una figura retórica.

El retumbar del motor se concentra en la banda de 200-400 Hz, que resulta situarse justo encima de la frecuencia fundamental de una voz masculina típica. Así que el ruido no está educadamente a un lado, donde puedas filtrarlo; está enredado en las frecuencias exactas que transportan las palabras. El viento crea ondas de presión no estacionarias que golpean el micrófono en ráfagas impredecibles. La lluvia añade un siseo de banda ancha en todo el rango del habla. Y una voz que compite (un pasajero, una radio, el carril de al lado) produce un sonido que la detección estándar de actividad de voz simplemente no puede separar del cliente.

El sistema de McDonald's-IBM manejaba todo esto enviando audio en bruto, sin filtrar, directamente a la capa de comprensión del lenguaje. Por eso "escuchaba de más" pedidos de carriles adyacentes, malinterpretaba transitorios del motor como alguien empezando a hablar y alucinaba artículos del menú a partir de fragmentos fonéticos. Cuando el audio se degradaba, el modelo hacía lo que hacen los modelos ante la incertidumbre: emparejaba la basura con los tokens de mayor probabilidad más cercanos y producía algo seguro de sí mismo y equivocado.

No puedes salir de un audio malo mediante ingeniería de prompts. Si la señal está corrompida antes de que el modelo la vea, un modelo más inteligente solo te da un error más fluido.

La solución es un pipeline de audio de múltiples etapas, y el orden de las operaciones importa. Reemplazamos la detección de voz basada en energía (que trata cualquier sonido fuerte como habla) por un detector neuronal (los modelos de la clase Silero) que mantiene un umbral de probabilidad continua de 400 milisegundos antes de decidir que un humano realmente está hablando. Ese único cambio elimina la mayoría de los fallos del tipo "el motor está pidiendo nuggets". Encima de eso ejecutamos un filtrado espectral que elimina aproximadamente el 75% del ruido de fondo antes de que el reconocedor de voz reciba siquiera la señal, y beamforming mediante arrays de micrófonos (el Andrea DA-252 o el Veovox AudioBox) que aíslan espacialmente la voz del conductor de todo lo demás alrededor del coche.

El inconveniente, y esta es la parte que odian los proveedores, es que esta capa hay que ajustarla por cada modelo de poste con altavoz y por cada entorno acústico. La cancelación de ruido lista para usar, entrenada con audio pulcro de oficina, se derrumba en un aparcamiento. Aquí no hay atajos, y es precisamente por eso que tan poca gente lo hace.

Las 18.000 aguas fueron un error de software, no un error de IA

Déjame volver a Taco Bell, porque es la ilustración más nítida del segundo modo de fallo.

La mañana en que ese clip se hizo viral, un operador de una cadena con el que había estado hablando me lo reenvió y me preguntó, sin rodeos, si el nuestro haría lo mismo. Es una pregunta justa, y la respuesta honesta es que la mayoría de los sistemas desplegados lo harían, porque comparten el mismo agujero arquitectónico.

La IA entendió correctamente "18.000 vasos de agua". Eso nunca estuvo en duda. El sistema no tenía validación de cantidad, ni detección de anomalías, ni límite de frecuencia por sesión. La salida del modelo fluía directamente al punto de venta porque nadie construyó el middleware para preguntar si un pedido es físicamente plausible antes de que llegue a la cocina. Esa misma capa ausente es la razón por la que McDonald's puso 260 nuggets en una cuenta y beicon sobre el helado. En cada uno de estos casos la comprensión del lenguaje era correcta y la lógica de negocio simplemente estaba ausente.

Lo exasperante es lo barata que es esta solución. Un motor de validación determinista (y me refiero a código genuinamente basado en reglas, no más IA) tarda de dos a tres semanas en construirse por cada cadena. Impone topes de cantidad derivados de distribuciones reales de pedidos (el techo realista para un solo pedido de agua en un restaurante de servicio rápido está en algún lugar en torno a ocho vasos, no dieciocho mil). Comprueba la lógica de combinación de artículos, donde la probabilidad histórica de "helado más beicon" en los datos de pedidos es efectivamente cero. Fija umbrales de precio por transacción y obliga a un humano a intervenir en cualquier cosa que rompa esos límites.

La solución más barata y rápida en la IA de voz para autoservicio es también la que previene los desastres que consiguen 21 millones de visualizaciones. Son reglas, no inteligencia.

Esta es la inversión que sorprende a la gente. La parte vistosa (el modelo conversacional) es hoy en su mayor parte una capacidad resuelta y de uso común. La parte que realmente protege a la marca es la capa determinista de guardrails que nadie pone en la demostración porque no es impresionante de ver.

¿Qué pasa cuando llega alguien que tartamudea?

El tercer modo de fallo es el que me quita el sueño, en parte porque es un problema moral y en parte porque está a punto de convertirse en uno legal.

FreshAI de Wendy's ha sido descrito como "inutilizable" por clientes que tartamudean, y una vez que entiendes la mecánica es obvio por qué. Teníamos el mismo defecto en nuestra propia versión temprana, y solo lo detecté porque me senté y reproduje una y otra vez la grabación de alguien pidiendo un "b-b-baconator". Nuestro sistema lo cortaba cada vez sin excepción.

El habla disfluente rompe la IA de voz de tres maneras distintas. Cuando una persona repite un sonido ("b-b-baconator"), el reconocedor produce tokens duplicados que descolocan la lógica del pedido. Cuando tiene un bloqueo, una pausa silenciosa en medio de una palabra, el detector de voz lee el silencio como el final de su turno y deja de escuchar a mitad del pedido. Cuando prolonga un sonido ("Mmmmleche"), el fonema se estira lo suficiente como para que el sistema oiga una palabra completamente distinta ("Silk"). Nada de esto es exótico. Afecta a los aproximadamente 80 millones de personas en todo el mundo que tartamudean, además de a muchas más con acentos marcados, patrones de habla de personas mayores o pronunciación no nativa. Estos sistemas se entrenaron con inglés estadounidense estándar y fluido, y le fallan a todos los demás.

Yo solía archivar la accesibilidad bajo "estaría bien tenerlo, más adelante". Estaba equivocado, y la trayectoria regulatoria es lo que me hizo cambiar de opinión. La alimentación y las bebidas son ahora la segunda industria más señalada en demandas por accesibilidad digital bajo la Ley de Estadounidenses con Discapacidades (ADA), representando alrededor del 21% de todas las presentaciones, y esas presentaciones aumentaron un 40% en 2025 respecto al año anterior. Canadá publicó la CAN-ASC-6.2:2025 en diciembre de 2025, el primer estándar nacional del mundo para IA accesible, que exige un rendimiento equitativo independientemente de la discapacidad y una opción significativa de rechazar la IA en favor de un humano. Las obligaciones de transparencia de la Ley de IA de la Unión Europea entran en vigor en agosto de 2026, exigiendo que se informe a los clientes de que están hablando con una máquina.

Todavía no ha llegado ninguna demanda por accesibilidad de la IA de voz para autoservicio. Pero el caso de privacidad biométrica de McDonald's (una demanda colectiva que alega que recopiló huellas de voz sin consentimiento) ya demostró que la IA de autoservicio está de lleno en el punto de mira de los litigios, aunque ese caso concreto fuera desestimado. Las matemáticas de costes son brutales en la dirección equivocada: readaptar la accesibilidad a un sistema que ya está desplegado cuesta unas cinco veces lo que cuesta incorporarla desde el principio. Diseñar para el habla disfluente desde el primer día no es caridad. Es la versión barata.

¿Funciona algo de esto de verdad? Sí, cuando la arquitectura es la correcta

Sería fácil leer hasta aquí y concluir que la IA de voz para autoservicio es una mala idea. No lo es. Las cadenas que diseñaron las capas correctamente están registrando cifras que los despliegues fallidos nunca alcanzaron, y la brecha entre ellos es toda la cuestión.

Hi Auto, funcionando en Bojangles a lo largo de aproximadamente 500 ubicaciones, reporta un 93% de finalización de pedidos y un 96% de precisión, con más de 100 millones de pedidos al año fluyendo a través de su cartera. El sistema de SoundHound en White Castle supera el 90% de finalización de pedidos y afirma un ahorro anual de alrededor de 58.000 dólares por ubicación. El Estudio de Autoservicio de Intouch Insight de 2025 halló que los carriles con IA promediaban 3 minutos 53 segundos de tiempo total de servicio frente a 4 minutos 15 segundos en general (unos 22 segundos más rápido por pedido) y despachaban de 17 a 18 coches por hora frente a 16 sin IA. La satisfacción en las ubicaciones con IA rondó el 97%, varios puntos por encima de los carriles tradicionales.

Fíjate en la diferencia. McDonald's-IBM se estancó en el 80-85%. Hi Auto-Bojangles está en el 96%. Esa no es la diferencia entre un modelo flojo y uno potente; para 2026 los modelos subyacentes son en gran medida comparables. Es la diferencia entre enviar audio en bruto a un modelo y aplicar ingeniería al procesamiento de la señal, a la validación determinista y a la integración a su alrededor.

Esa última palabra, integración, es donde mueren muchas buenas intenciones. Aproximadamente entre el 75 y el 80% de los ingresos de una cadena importante llega a través del canal de autoservicio, y ese pedido tiene que aterrizar limpiamente en cualquier sistema de punto de venta que la cadena ya utilice. NCR Aloha, Toast y Oracle Simphony exponen, cada uno, APIs diferentes con límites distintos sobre cómo se transmiten los modificadores y cómo se mantienen aisladas las sesiones de múltiples carriles. Los menús tampoco se quedan quietos: las ofertas por tiempo limitado, la segmentación por franjas horarias y los artículos regionales cambian de dos a cuatro veces por semana, y cualquier sistema que necesite reentrenar un modelo para aprender un artículo nuevo no puede seguir el ritmo. En su lugar, anclamos la comprensión del lenguaje a un feed de menú en vivo, de modo que un artículo nuevo está disponible en minutos, no en días.

Las preguntas que los operadores realmente me hacen

Cuando hablo con las personas que dirigen la tecnología de estas cadenas, surgen las mismas objeciones, así que déjame responderlas de la manera en que las respondo en la sala.

¿No deberíamos simplemente elegir Google o NVIDIA y acabar de una vez? Puedes, y muchos lo han hecho: Wendy's funciona sobre Google Cloud, Taco Bell sobre infraestructura de NVIDIA a través de Yum!, el asistente "Patty" de Burger King orientado a los empleados sobre OpenAI. El compromiso es la dependencia de la plataforma. Si la API cambia o los precios se modifican, todo tu despliegue queda expuesto, y estás obteniendo modelos de propósito general en lugar de algo diseñado para la acústica de tus carriles específicos. El campo de proveedores está abarrotado y es competente: Presto recaudó 10 millones de dólares en enero de 2026 y contrató al fundador original de FreshAI; SoundHound, Hi Auto, ConverseNow y Vox AI están todos desplegados a escala real, pero cada uno de ellos te entrega su stack, no un pipeline de señal personalizado. Nuestra posición es neutral respecto al proveedor: auditamos lo que tienes, construimos las capas que faltan sobre cualquier plataforma y no te dejamos atrapado.

¿No ralentizarán todo las capas de validación y accesibilidad? Esta es la verdadera tensión de ingeniería. Una respuesta por debajo de los 300 milisegundos es el listón, y cada capa que añades cuesta latencia. Solo el procesamiento en la nube añade de 100 a 500 milisegundos de ida y vuelta por la red; mover la inferencia a un dispositivo de borde (edge) reduce eso a entre 5 y 10 milisegundos, pero añade de 500 a 1.500 dólares de hardware por ubicación. El trabajo consiste en añadir los guardrails sin bajar los coches por hora por debajo de la referencia humana, porque en el momento en que un sistema ralentiza la fila, se retira sin importar lo preciso que sea. Ese equilibrio es un problema de ingeniería con una respuesta conocida, no una razón para saltarse los guardrails.

¿Es esto una partida presupuestaria real o un proyecto experimental? La IA de voz por ubicación cuesta de 200 a 500 dólares al mes en software, de 400 a 980 dólares en total con hardware. Frente a eso, las cadenas están reportando de 3.000 a 18.000 dólares de ingresos mensuales adicionales por ubicación y ahorros de mano de obra de cuatro cifras al mes. La economía funciona. Lo que no funciona es gastar ese presupuesto en la capa conversacional y saltarse las tres capas que de verdad te mantienen fuera de la portada.

La verdadera lección de los fallos virales

Repasa cada desastre de la IA de voz para autoservicio que llegó a las noticias (los 260 nuggets, el sundae con beicon, las 18.000 aguas, el cliente que tartamudea y al que le cuelgan) y no encontrarás uno solo causado por un modelo que no supiera entender inglés. Cada uno de ellos es un fallo de arquitectura: audio que nunca se limpió, un pedido cuya coherencia nunca se comprobó, una voz que el sistema nunca se construyó para oír.

Las cadenas que están ganando en esto no compraron un cerebro mejor. Construyeron el cuerpo a su alrededor: los oídos que funcionan en un aparcamiento, los reflejos que detienen un pedido absurdo antes de que llegue a la cocina, el criterio para saber cómo es un pedido real. Ese es el trabajo que hacemos en Veriprajna, y es mucho menos glamuroso de lo que sugieren las demostraciones.

La tecnología para tomar un pedido de autoservicio con una máquina lleva ya un tiempo funcionando. Lo que sigue faltando, en la mayoría de las cadenas que corren por desplegarla, es la parte que nadie filma para el anuncio de lanzamiento: el audio depurado, la regla que atrapa el decimoctavo millar de vaso de agua, la paciencia para dejar que un tartamudeo termine su palabra. Construye eso, y el modelo nunca fue la parte difícil. Sáltatelo, y ya sabes cómo termina el vídeo.