18,000 כוסות מים: מה הבינה המלאכותית הקולית של הדרייב-אין ממשיכה לפספס

לקוח עצר ליד עמדת הרמקול של טאקו בל באוגוסט 2025 והזמין 18,000 כוסות מים. הבינה המלאכותית הבינה אותו בצורה מושלמת. היא הכניסה את כל 18,000 להזמנה. הקליפ עבר 21.5 מיליון צפיות, וטאקו בל השהתה את הרחבת הבינה המלאכותית שלה כדי להבין מה השתבש.

והנה החלק הלא נעים: שום דבר לא השתבש בבינה המלאכותית. זיהוי הדיבור היה חף מטעויות. מודל השפה פירש את הבקשה בדיוק כפי שנאמרה. מה שחסר היה פיסת תוכנה משעממת אחת, מבוססת חוקים, שיושבת בין הבינה המלאכותית לקופה — מהסוג שהיה אמור להביט ב"18,000 מים" ולומר לא, זו אינה הזמנה אמיתית. אף אחד לא בנה אותה.

ביליתי את התקופה האחרונה בקריירה שלי בתוך עולם הבינה המלאכותית הקולית של הדרייב-אין — המערכות שמקבלות את ההזמנה שלכם ליד עמדת הרמקול בזמן שאדם עומד ליד החלון — ואני רוצה לספר לכם מדוע הכשלים האלה ממשיכים לקרות, כי הלקח אינו זה שהכותרות מרמזות עליו. המודל כמעט אף פעם אינו הבעיה. הארכיטקטורה סביב המודל היא הבעיה.

הבינה המלאכותית שמעה את ההזמנה נכון. פשוט לא היה שום דבר במערכת שהורשה לומר "זה לא יכול להיות נכון".

המשפט הזה הוא כל הסיפור מדוע הבינה המלאכותית הקולית של הדרייב-אין ממשיכה להביך את הרשתות שמטמיעות אותה. וזה ניתן לתיקון — לא באמצעות מודל חכם יותר, אלא באמצעות ההנדסה הלא זוהרת שכולם דילגו עליה בדרך להדגמה.

קיפאון בן שלוש שנים שאיש אינו רוצה לדבר עליו

כשהתחלתי לבחון את התחום הזה לעומק, הסיפור המזהיר שכולם הצביעו עליו היה מקדונלד'ס. הם השקיעו שלוש שנים בשותפות בינה מלאכותית קולית לדרייב-אין עם IBM, נתקעו סביב 80–85% דיוק בהזמנות, וסיימו את כל העניין בשקט ביולי 2024. בדרך המערכת הוסיפה 260 נאגטס עוף להזמנה של מכונית אחת, וקישטה למישהו גלידת וניל בבייקון. יש עכשיו על כך רשומה במוזיאון הכישלונות.

האינסטינקט הראשון שלי היה זהה לזה של רוב המהנדסים: הם בטח השתמשו במודל חלש. אז התחלנו במקום שבו כולם מתחילים — לוקחים מנוע דיבור-לטקסט חזק, מזינים אותו למודל שפה מוכשר, מחברים את הפלט למערכת נקודת מכירה, ונותנים לזה לרוץ. בחדר ישיבות זה היה מרשים באמת. הוא התמודד עם הזמנות מורכבות, שינויים, החלפות. הייתי משוכנע שפיצחנו את זה תוך שבועות ספורים.

אז לקחנו את זה לנתיב אמיתי בערב קר וסוער, והכול התפרק כמעט מיד.

משאית עמדה בסרק שני מקומות משם והמערכת התחילה לתמלל את המנוע שלה. משב רוח נרשם כמקטע דיבור. כשהרדיו במכונית של לקוח היה דלוק, הבינה המלאכותית שילבה בשמחה את קול הדי-ג'יי בתוך ההזמנה. הדבר שהיה מבריק בתוך מבנה סגור היה כמעט בלתי שמיש בחוץ, ואני אישית הימרתי במפת הדרכים המוקדמת על ההנחה שהמודל הוא החלק הקשה. הוא לא היה. החלק הקשה היה כל מה שקורה לצליל לפני שהמודל בכלל שומע אותו.

אותו לילה בחניון מיסגר עבורי מחדש את כל הבעיה, וזו הסיבה שבסופו של דבר בנינו את מה שאנחנו בונים ב-Veriprajna — לא מודל טוב יותר, אלא השכבות החסרות שסביבו.

מדוע עמדת הרמקול היא המקום הקשה ביותר בעולם להאזין בו

עמדת רמקול של דרייב-אין היא אחת הסביבות העוינות ביותר מבחינה אקוסטית שאפשר לבקש ממכונה לשמוע בהן. אני לא מתכוון לזה כמליצה.

רעש המנוע מתרכז ברצועת 200–400 הרץ — שבמקרה יושבת בדיוק על תדר היסוד של קול גברי טיפוסי. אז הרעש אינו יושב באדיבות בצד, במקום שבו אפשר לסנן אותו; הוא שזור בדיוק בתדרים שנושאים את המילים. הרוח יוצרת גלי לחץ לא יציבים שחובטים במיקרופון במקטעים בלתי צפויים. הגשם מוסיף רחש רחב־פס על פני כל טווח הדיבור. וקול מתחרה — נוסע, רדיו, הנתיב הסמוך — מפיק צליל שגילוי פעילות קולית סטנדרטי פשוט אינו מסוגל להפריד מהלקוח.

מערכת מקדונלד'ס-IBM התמודדה עם כל זה על ידי שליחת אודיו גולמי ולא מסונן ישירות לשכבת הבנת השפה. לכן היא "קלטה בטעות" הזמנות מנתיבים סמוכים, פירשה שגוי מעברים חדים של מנוע כמישהו שמתחיל לדבר, והזתה פריטי תפריט מתוך שברי הגייה. כשהאודיו הידרדר, המודל עשה מה שמודלים עושים תחת אי-ודאות: הוא התאים את הזבל לאסימונים בעלי ההסתברות הגבוהה ביותר הקרובים אליו וייצר משהו בטוח בעצמו ושגוי.

אי אפשר להיחלץ מאודיו גרוע באמצעות הנדסת פרומפטים. אם האות משובש עוד לפני שהמודל רואה אותו, מודל חכם יותר פשוט ייתן לכם טעות רהוטה יותר.

התיקון הוא צינור אודיו רב-שלבי, וסדר הפעולות חשוב. החלפנו גילוי קול מבוסס אנרגיה — שמתייחס לכל צליל חזק כאל דיבור — בגלאי נוירוני (מחלקת המודלים Silero) שמחזיק סף הסתברות רציף של 400 מילישניות לפני שהוא מחליט שאדם באמת מדבר. השינוי האחד הזה מחסל את רוב הכשלים מסוג "המנוע מזמין נאגטס". מעליו אנחנו מריצים שער ספקטרלי (spectral gating) שמסיר כ-75% מרעש הרקע עוד לפני שמזהה הדיבור מקבל את האות, ועיצוב אלומה (beamforming) באמצעות מערכי מיקרופונים — Andrea DA-252 או Veovox AudioBox — שמבודדים מרחבית את קול הנהג מכל מה שסביב המכונית.

המלכוד, וזה החלק שהספקים שונאים, הוא שהשכבה הזאת חייבת להיות מכווננת לפי דגם עמדת הרמקול ולפי הסביבה האקוסטית. ביטול רעשים מהמדף שאומן על אודיו משרדי מסודר קורס בחניון. אין כאן קיצור דרך, וזו בדיוק הסיבה שכל כך מעט אנשים עושים זאת.

18,000 המים היו באג תוכנה, לא באג של בינה מלאכותית

הרשו לי לחזור לטאקו בל, כי זו ההמחשה הנקייה ביותר של מצב הכשל השני.

בבוקר שבו הקליפ הזה נעשה ויראלי, מפעיל רשת שדיברתי איתו העביר לי אותו ושאל, בפשטות, האם המערכת שלנו הייתה עושה את אותו הדבר. זו שאלה הוגנת, והתשובה הכנה היא שרוב המערכות שנפרסו היו עושות זאת, כי הן חולקות את אותו חור ארכיטקטוני.

הבינה המלאכותית הבינה נכון "18,000 כוסות מים". בכך מעולם לא היה ספק. למערכת לא היה אימות כמויות, לא זיהוי חריגות, ולא הגבלת קצב לכל מושב. הפלט של המודל זרם ישירות לנקודת המכירה כי אף אחד לא בנה את שכבת הביניים שתשאל אם הזמנה סבירה פיזית עוד לפני שהיא מגיעה למטבח. אותה שכבה חסרה היא הסיבה שמקדונלד'ס שמה 260 נאגטס על חשבון אחד ובייקון על גלידה. בכל אחד מהמקרים האלה הבנת השפה הייתה נכונה, וההיגיון העסקי פשוט נעדר.

מה שמטריף הוא כמה זול התיקון הזה. מנוע אימות דטרמיניסטי — ואני מתכוון לקוד מבוסס חוקים באמת, לא עוד בינה מלאכותית — דורש שבועיים עד שלושה בנייה לכל רשת. הוא אוכף תקרות כמות הנגזרות מהתפלגויות הזמנה אמיתיות (התקרה הריאלית להזמנת מים בודדת במסעדת שירות מהיר היא איפשהו סביב שמונה כוסות, לא שמונה עשרה אלף). הוא בודק היגיון של שילובי פריטים, שבו ההסתברות ההיסטורית של "גלידה בתוספת בייקון" בנתוני ההזמנות היא אפסית למעשה. הוא קובע ספי מחיר לכל עסקה ומאלץ אדם להתערב בכל דבר שחורג מהגבולות האלה.

התיקון הזול והמהיר ביותר בבינה המלאכותית הקולית של הדרייב-אין הוא גם זה שמונע את האסונות שזוכים ל-21 מיליון צפיות. אלה חוקים, לא אינטליגנציה.

זהו ההיפוך שמפתיע אנשים. החלק הראוותני — המודל השיחתי — הוא ברובו יכולת פתורה וזמינה כמצרך כיום. החלק שבאמת מגן על המותג הוא שכבת ה-guardrails הדטרמיניסטית שאף אחד לא מכניס להדגמה כי לא מרשים לצפות בה.

מה קורה כשמישהו שמגמגם מגיע לעמדה?

מצב הכשל השלישי הוא זה שמדיר שינה מעיניי, בין השאר כי זו בעיה מוסרית ובין השאר כי היא עומדת להפוך לבעיה משפטית.

FreshAI של וונדי'ס תואר כ"בלתי שמיש" בפי לקוחות שמגמגמים, וברגע שמבינים את המכניקה ברור מדוע. היה לנו אותו פגם בגרסה המוקדמת שלנו, ותפסתי אותו רק כי ישבתי והשמעתי שוב ושוב הקלטה של מישהו שמזמין "ב-ב-בייקונייטור". המערכת שלנו קטעה אותו בכל פעם מחדש.

דיבור לא שוטף שובר בינה מלאכותית קולית בשלוש דרכים נבדלות. כשאדם חוזר על צליל — "ב-ב-בייקונייטור" — המזהה מייצר אסימונים כפולים שמערבבים את היגיון ההזמנה. כשיש לו חסימה, השהיה שקטה באמצע מילה, גלאי הקול קורא את השקט כסוף התור שלו ומפסיק להאזין באמצע ההזמנה. כשהוא מאריך צליל — "Mmmmilk" — הפונמה נמתחת מספיק כדי שהמערכת תשמע מילה אחרת לגמרי ("Silk"). שום דבר מזה אינו אקזוטי. זה משפיע על כ-80 מיליון האנשים ברחבי העולם שמגמגמים, ועל רבים בהרבה בעלי מבטא כבד, דפוסי דיבור של קשישים, או הגייה של דוברים שאינם שפת אם. המערכות האלה אומנו על אנגלית אמריקאית תקנית ושוטפת והן מכשילות את כל היתר.

נהגתי לסווג נגישות תחת "נחמד שיהיה, אחר כך". טעיתי, והמסלול הרגולטורי הוא מה ששינה את דעתי. מזון ומשקאות הם כיום התעשייה השנייה הכי ממוקדת בתביעות נגישות דיגיטלית תחת חוק האמריקאים עם מוגבלויות (ADA), ומהווים כ-21% מכלל התביעות, ותביעות אלה עלו ב-40% ב-2025 לעומת השנה הקודמת. קנדה פרסמה את CAN-ASC-6.2:2025 בדצמבר 2025 — התקן הלאומי הראשון בעולם לבינה מלאכותית נגישה — שדורש ביצועים שוויוניים ללא קשר למוגבלות ואפשרות משמעותית לסרב לבינה מלאכותית לטובת אדם. חובות השקיפות של חוק הבינה המלאכותית של האיחוד האירופי ייכנסו לתוקף באוגוסט 2026, ומחייבות שיודיעו ללקוחות שהם מדברים עם מכונה.

שום תביעת נגישות בנוגע לבינה מלאכותית קולית בדרייב-אין עוד לא הוגשה. אבל תיק פרטיות המידע הביומטרי של מקדונלד'ס — תובענה ייצוגית שטענה שהיא אספה טביעות קול ללא הסכמה — כבר הראה שבינה מלאכותית בדרייב-אין נמצאת בדיוק בכוונת של התדיינות משפטית, גם אם אותו תיק ספציפי נדחה. חשבון העלויות אכזרי בכיוון הלא נכון: התאמה בדיעבד של נגישות למערכת שכבר נפרסה עולה בערך פי חמישה ממה שעולה לבנות אותה מהיסוד. לתכנן עבור דיבור לא שוטף מהיום הראשון אינו צדקה. זו הגרסה הזולה.

האם משהו מכל זה באמת עובד? כן — כשהארכיטקטורה נכונה

קל היה להגיע עד כאן ולהסיק שבינה מלאכותית קולית בדרייב-אין היא רעיון רע. היא לא. הרשתות שהנדסו את השכבות כראוי מציגות מספרים שהפריסות הכושלות מעולם לא הגיעו אליהם, והפער ביניהם הוא כל העניין.

Hi Auto, שפועלת ב-Bojangles על פני כ-500 סניפים, מדווחת על 93% השלמת הזמנות ו-96% דיוק, עם יותר מ-100 מיליון הזמנות בשנה שזורמות דרך התיק שלה. המערכת של SoundHound ב-White Castle עוברת 90% ומעלה בהשלמת הזמנות וטוענת לחיסכון שנתי של כ-58,000 דולר לסניף. מחקר הדרייב-אין של Intouch Insight לשנת 2025 מצא שנתיבים מונעי בינה מלאכותית ממוצעים 3 דקות ו-53 שניות של זמן שירות כולל לעומת 4 דקות ו-15 שניות בסך הכול — מהיר יותר בכ-22 שניות להזמנה — ומעבירים 17 עד 18 מכוניות בשעה לעומת 16 ללא בינה מלאכותית. שביעות הרצון בסניפים עם בינה מלאכותית הגיעה לכ-97%, כמה נקודות מעל הנתיבים המסורתיים.

הביטו על הפער. מקדונלד'ס-IBM נתקעה ב-80–85%. Hi Auto-Bojangles נמצאת ב-96%. זה אינו ההבדל בין מודל חלש למודל חזק — עד 2026 המודלים הבסיסיים דומים במידה רבה. זהו ההבדל בין שליחת אודיו גולמי למודל לבין הנדסת עיבוד האות, האימות הדטרמיניסטי, והאינטגרציה סביבו.

המילה האחרונה הזאת — אינטגרציה — היא המקום שבו הרבה כוונות טובות מתות. בערך 75 עד 80% מההכנסות של רשת גדולה מגיעות דרך ערוץ הדרייב-אין, וההזמנה הזאת חייבת לנחות בצורה נקייה בכל מערכת נקודת מכירה שהרשת כבר מפעילה. NCR Aloha, Toast ו-Oracle Simphony חושפות כל אחת ממשקי API שונים עם מגבלות שונות על אופן הזרמת השינויים ועל האופן שבו מושבים רב-נתיביים נשארים מבודדים. גם התפריטים אינם עומדים במקום: מבצעים לזמן מוגבל, חלוקה לפי שעות היום, ופריטים אזוריים משתנים פעמיים עד ארבע פעמים בשבוע, וכל מערכת שזקוקה לאימון מחדש של המודל כדי ללמוד פריט חדש אינה יכולה לעמוד בקצב. במקום זאת אנחנו מעגנים את הבנת השפה מול הזנת תפריט חיה, כך שפריט חדש זמין בתוך דקות, לא ימים.

השאלות שמפעילים באמת שואלים אותי

כשאני מדבר עם האנשים שמנהלים את הטכנולוגיה עבור הרשתות האלה, אותן התנגדויות עולות, אז הרשו לי לענות עליהן כפי שאני עונה עליהן בחדר.

האם פשוט לבחור בגוגל או ב-NVIDIA ולסיים עם זה? אפשר, ורבים כבר עשו זאת — וונדי'ס פועלת על Google Cloud, טאקו בל על תשתית NVIDIA דרך Yum!, ועוזר "Patty" הפונה לעובדים של בורגר קינג על OpenAI. הפשרה היא תלות בפלטפורמה. אם ה-API משתנה או שהתמחור זז, כל הפריסה שלכם חשופה, ואתם מקבלים מודלים כלליים במקום משהו שהונדס עבור האקוסטיקה של הנתיבים הספציפיים שלכם. שדה הספקים צפוף ומוכשר — Presto גייסה 10 מיליון דולר בינואר 2026 ושכרה את מייסד FreshAI המקורי; SoundHound, Hi Auto, ConverseNow ו-Vox AI כולם פרוסים בקנה מידה אמיתי — אבל כל אחד מהם מוסר לכם את הערימה שלו, לא צינור אות מותאם אישית. העמדה שלנו נייטרלית מבחינת ספקים: לבקר את מה שיש לכם, לבנות את השכבות החסרות מעל כל פלטפורמה, ולא לכלוא אתכם.

האם שכבות האימות והנגישות לא יאטו את הכול? זו המתיחות ההנדסית האמיתית. תגובה של פחות מ-300 מילישניות היא הרף, וכל שכבה שאתם מוסיפים עולה בהשהיה. עיבוד בענן לבדו מוסיף 100 עד 500 מילישניות של הלוך ושוב ברשת; העברת ההסקה למכשיר קצה (edge) מקצצת זאת ל-5 עד 10 מילישניות אך מוסיפה 500 עד 1,500 דולר של חומרה לסניף. המשימה היא להוסיף את ה-guardrails מבלי להוריד את מספר המכוניות בשעה מתחת לבסיס האנושי, כי ברגע שמערכת מאטה את התור, מסירים אותה ללא קשר לכמה שהיא מדויקת. האיזון הזה הוא בעיה הנדסית עם תשובה ידועה, לא סיבה לדלג על ה-guardrails.

האם זה סעיף תקציב אמיתי או פרויקט מדעי? בינה מלאכותית קולית לכל סניף עולה 200 עד 500 דולר בחודש בתוכנה, 400 עד 980 דולר בסך הכול כולל חומרה. מנגד, רשתות מדווחות על 3,000 עד 18,000 דולר בהכנסה חודשית נוספת לסניף וסכום בן ארבע ספרות בחודש בחיסכון בעלויות עבודה. הכלכלה עובדת. מה שלא עובד הוא להוציא את התקציב הזה על השכבה השיחתית ולדלג על שלוש השכבות שבאמת שומרות עליכם מחוץ לעמוד הראשי.

הלקח האמיתי של הכשלים הוויראליים

עברו שוב על כל אסון של בינה מלאכותית קולית בדרייב-אין שהגיע לחדשות — 260 הנאגטס, גלידת הבייקון, 18,000 המים, הלקוח שמגמגם ומנתקים אותו — ולא תמצאו אף אחד שנגרם ממודל שלא הצליח להבין אנגלית. כל אחד מהם הוא כשל ארכיטקטורה: אודיו שמעולם לא נוקה, הזמנה שמעולם לא עברה בדיקת היגיון, קול שהמערכת מעולם לא נבנתה כדי לשמוע.

הרשתות שמנצחות בזה לא קנו מוח טוב יותר. הן בנו את הגוף סביבו — האוזניים שעובדות בחניון, הרפלקסים שעוצרים הזמנה אבסורדית לפני שהיא מגיעה למטבח, שיקול הדעת לדעת איך נראית הזמנה אמיתית. זו העבודה שאנחנו עושים ב-Veriprajna, והיא הרבה פחות זוהרת ממה שההדגמות מרמזות.

הטכנולוגיה לקבל הזמנת דרייב-אין באמצעות מכונה עובדת כבר זמן מה. מה שעדיין חסר, ברוב הרשתות שמתחרות להטמיע אותה, הוא החלק שאף אחד לא מצלם לצורך הכרזת ההשקה: האודיו המנוקה, החוק שתופס את כוס המים השמונה־עשר־אלף, הסבלנות לתת לגמגום לסיים את המילה שלו. בנו את אלה, והמודל מעולם לא היה החלק הקשה. דלגו עליהם, ואתם כבר יודעים איך הסרטון נגמר.