18,000杯の水──ドライブスルー音声AIが繰り返し間違え続けること
2025年8月、ある客がタコベルのスピーカーポストに車を寄せ、18,000杯の水を注文した。AIは彼の言葉を完璧に理解した。18,000杯すべてを注文に加えた。そのクリップは2,150万回再生を超え、タコベルは何が問題だったのかを突き止めるためにAI展開を一時停止した。
ここに居心地の悪い事実がある。人工知能には何の問題もなかった。音声認識は完璧だった。言語モデルは要求を話された通りに正確に解析した。欠けていたのは、AIとレジの間に置かれた、退屈でルールベースの一片のソフトウェアだった。それは「18,000杯の水」を見て、こう言うべきだった——「いや、これは本物の注文ではない」 それを作った者は誰もいなかった。
私はキャリアの直近の時期を、ドライブスルー音声AI——人が窓口に立つ一方でスピーカーポストであなたの注文を受けるシステム——の中で過ごしてきた。そして、なぜこうした失敗が起き続けるのかをお伝えしたい。というのも、その教訓は見出しが示唆するものとは違うからだ。モデルが問題であることはほとんどない。問題はモデルの周りのアーキテクチャだ。
AIは注文を正しく聞き取った。ただ、システムの中に「それはおかしいはずだ」と言うことを許された要素が何一つなかっただけだ。
この一文が、ドライブスルー音声AIが導入したチェーンに恥をかかせ続ける理由のすべてを物語っている。そしてそれは修正可能だ——より賢いモデルによってではなく、誰もがデモへの道のりで飛ばしてきた、華やかさのないエンジニアリングによって。
誰も語りたがらない3年間の停滞
私がこの領域を本格的に見始めたとき、誰もが引き合いに出した戒めの物語はマクドナルドだった。同社はIBMとのドライブスルー音声パートナーシップに3年を費やし、注文精度が80–85%あたりで頭打ちになり、2024年7月にすべてを静かに打ち切った。その過程で、システムはある車の注文にチキンマックナゲットを260個追加し、誰かのバニラアイスクリームをベーコンで飾り立てた。今ではそれを収録した「失敗博物館(Museum of Failure)」の項目まで存在する。
私の最初の直感は、ほとんどのエンジニアが抱くものと同じだった——彼らはきっと性能の低いモデルを使ったに違いない、と。 そこで私たちは誰もが始める場所から始めた——強力な音声テキスト変換エンジンを用意し、それを高性能な言語モデルに送り込み、出力をPOSシステムに配線し、動かしてみる。会議室では本当に見事だった。複雑な注文も、モディファイア(注文の変更指定)も、代替品も処理できた。私は数週間で攻略できたと確信していた。
そして私たちは、寒くて風の強いある夕方、それを実際のレーンに持ち込んだ。すると、ほぼ即座に崩れ去った。
2台先でトラックがアイドリングしていると、システムはそのエンジン音を文字起こしし始めた。突風は音声の噴出として記録された。客の車のラジオがついていると、AIは陽気にもDJの声を注文に混ぜ込んだ。屋内では見事だったものが、屋外ではほとんど使い物にならなかった。そして私は、モデルこそが難所だという前提に、初期のロードマップを自ら賭けていた。だが、そうではなかった。難しいのは、モデルが音を聞く前に、その音に起こるすべてのことだった。
駐車場でのあの夜は、私にとって問題全体の捉え方を一変させた。そしてそれこそが、私たちがVeriprajnaで作っているものを作るに至った理由だ——より優れたモデルではなく、その周りに欠けていた層を、だ。
スピーカーポストが地球上で最も聞き取りにくい場所である理由
ドライブスルーのスピーカーポストは、機械に聞き取りを求められる環境の中でも、音響的に最も過酷なもののひとつだ。これは比喩として言っているのではない。
エンジンの轟音は200–400Hzの帯域に集中する——これはたまたま、典型的な男性の声の基本周波数のちょうど真上に位置する。つまりノイズは、フィルタリングできるように都合よく脇にあるのではなく、言葉を運ぶまさにその周波数に絡み合っている。風は非定常の圧力波を生み、予測できない突発的な形でマイクに叩きつける。雨は音声域全体にわたって広帯域のヒスノイズを加える。そして競合する声——同乗者、ラジオ、隣のレーン——は、標準的な音声区間検出(VAD)では客の声からどうしても分離できない音を生み出す。
マクドナルドとIBMのシステムは、こうしたすべてを、生のフィルタリングされていない音声を言語理解層に直接送り込むことで処理していた。だからこそ、隣接レーンの注文を「盗み聞き」し、エンジンの過渡音を誰かが話し始めた音と誤読し、音の断片からメニュー項目を幻覚(ハルシネーション)したのだ。音声が劣化すると、モデルは不確実性の下でモデルがすることをした——そのゴミを最も確率の高いトークンに当てはめ、自信たっぷりに間違ったものを生成した。
悪い音声から、プロンプトエンジニアリングで抜け出すことはできない。モデルが見る前に信号が損なわれていれば、より賢いモデルは、より流暢な間違いを返してくるだけだ。
解決策は多段階の音声パイプラインであり、処理の順序が重要になる。私たちは、大きな音を何でも音声とみなすエネルギーベースの音声検出を、人間が実際に話していると判断する前に400ミリ秒の連続確率しきい値を保持するニューラル検出器(Sileroクラスのモデル)に置き換えた。その一つの変更だけで、「エンジンがナゲットを注文している」たぐいの失敗のほとんどが消える。その上で、音声認識器が信号を受け取る前に背景ノイズをおよそ75%除去するスペクトルゲーティングを走らせ、さらにマイクアレイ——Andrea DA-252やVeovox AudioBox——を通したビームフォーミングで、ドライバーの声を車の周りのそれ以外すべてから空間的に分離する。
落とし穴は——そしてこれこそベンダーが嫌がる部分だが——この層はスピーカーポストの機種ごと、音響環境ごとにチューニングしなければならないことだ。整然としたオフィス音声で訓練された既製のノイズキャンセリングは、駐車場では崩れ落ちる。ここに近道はなく、だからこそこれをやる者がほとんどいないのだ。
18,000杯の水は、AIのバグではなくソフトウェアのバグだった
タコベルの話に戻ろう。というのも、それは二つ目の失敗モードを最も明快に示す例だからだ。
そのクリップがバズった朝、以前から話していたチェーンの運営者がそれを私に転送してきて、うちのシステムも同じことをするのかと率直に尋ねてきた。もっともな質問であり、正直な答えはこうだ——ほとんどの導入済みのシステムは同じことをするだろう。同じアーキテクチャ上の穴を共有しているからだ。
AIは「18,000杯の水」を正しく理解した。そこに疑いの余地はなかった。システムには数量の検証も、異常検知も、セッションごとのレート制限もなかった。モデルの出力は直接POSへ流れ込んだ——注文が厨房に届く前に、それが物理的に妥当かどうかを問うミドルウェアを誰も作っていなかったからだ。同じ欠けた層こそが、マクドナルドが伝票に260個のナゲットを、アイスクリームにベーコンを載せた理由だ。これらのどのケースでも、言語理解は正しく、単にビジネスロジックが欠落していたのだ。
腹立たしいのは、この修正がいかに安上がりかということだ。決定論的な検証エンジン——ここで言うのは本当にルールベースのコードであり、さらなるAIではない——は、チェーンごとに構築するのに2〜3週間で済む。それは、実際の注文分布から導き出した数量上限を強制する(クイックサービス店で一度の水の注文の現実的な上限は、1万8千杯ではなく8杯前後だ)。それは、注文データ上「アイスクリーム＋ベーコン」の過去の確率が実質ゼロであるような、品目の組み合わせロジックを検査する。それは取引ごとの価格しきい値を設定し、その範囲を破るものはすべて、人間が介入するよう強制する。
ドライブスルー音声AIにおける最も安く最も速い修正は、同時に、2,100万回再生されるような大惨事を防ぐものでもある。それは知能ではなく、ルールだ。
これは人々を驚かせる逆転だ。派手な部分——会話モデル——は、今やほぼ解決済みのコモディティ的な能力だ。ブランドを実際に守るのは、見ていて印象的でないために誰もデモに入れない、決定論的なガードレール層なのだ。
吃音のある人が車を寄せたら、何が起きるのか?
三つ目の失敗モードは、私を眠れなくさせるものだ。それが一つには倫理の問題であり、一つにはまさに法律の問題になろうとしているからだ。
ウェンディーズのFreshAIは、吃音のある客から「使い物にならない」と評されてきた。そしてその仕組みを理解すれば、なぜかは明らかだ。私たち自身の初期ビルドにも同じ欠陥があった。私がそれに気づけたのは、誰かが「b-b-Baconator」と注文する録音を、腰を据えて何度も再生したからにすぎない。私たちのシステムは、毎回そのたびに彼らの発話を遮っていた。
非流暢な発話は、三つの明確に異なる形で音声AIを壊す。人が音を繰り返すとき——「b-b-Baconator」——認識器は重複したトークンを生成し、注文ロジックをかき乱す。ブロック、つまり単語の途中での無音の休止があるとき、音声検出器はその無音を発話の終わりと読み取り、注文の途中で聞くのをやめてしまう。音を引き伸ばすとき——「Mmmmilk」——音素が十分に伸びて、システムはまったく別の単語(「Silk」)として聞き取る。これらはどれも珍しいことではない。世界でおよそ8,000万人いる吃音者に影響し、さらに、強い訛り、高齢者特有の話し方、非母語話者の発音を持つはるかに多くの人々に影響する。これらのシステムは流暢で標準的なアメリカ英語で訓練されており、それ以外の全員に対して失敗する。
私はかつて、アクセシビリティを「あればいい、後回しでいい」ものに分類していた。それは間違いだった。そして考えを変えさせたのは、規制の流れだ。飲食業界は今や、障害を持つアメリカ人法(ADA)の下でのデジタルアクセシビリティ訴訟において二番目に標的とされる業界であり、全提訴のおよそ21%を占め、それらの提訴は2025年に前年比で40%増加した。カナダは2025年12月にCAN-ASC-6.2:2025——アクセシブルなAIに関する世界初の国家標準——を公表した。これは、障害の有無にかかわらず公平な性能を発揮すること、そしてAIを断って人間を選ぶ実質的な選択肢を用意することを求めている。欧州連合のAI法の透明性義務は2026年8月に発効し、客が機械と話していることを伝えるよう求める。
ドライブスルー音声AIのアクセシビリティ訴訟は、まだ起きていない。しかしマクドナルドの生体情報プライバシー訴訟——同意なく声紋を収集したと主張する集団訴訟——は、その特定の訴訟自体は却下されたものの、ドライブスルーAIがまさに訴訟の照準に入っていることをすでに示した。コストの計算は、悪い方向へ容赦がない——すでに導入済みのシステムにアクセシビリティを後付けするには、最初から作り込む場合のおよそ5倍かかる。初日から非流暢な発話に向けて設計することは、慈善ではない。それが安上がりな方だ。
これは本当に機能するのか? する——アーキテクチャが正しければ
ここまで読んで、ドライブスルー音声AIは悪い考えだと結論づけるのは簡単だろう。だが、そうではない。層を適切にエンジニアリングしたチェーンは、失敗した導入が決して到達しなかった数字を出しており、両者の差こそが要点そのものだ。
Hi Autoは、Bojanglesのおよそ500拠点で稼働し、注文完遂率93%と精度96%を報告しており、そのポートフォリオ全体では年間1億件を超える注文が流れている。ホワイトキャッスルにおけるSoundHoundのシステムは、注文完遂率90%超をクリアし、拠点あたり年間およそ58,000ドルの節約を主張している。2025年のIntouch Insightドライブスルー調査では、AI搭載レーンの総サービス時間が平均3分53秒で、全体の4分15秒に対して——1注文あたりおよそ22秒速く——さらに、AIなしの16台に対して1時間あたり17〜18台をさばいていることが分かった。AI拠点の満足度はおよそ97%で、従来のレーンを数ポイント上回った。
この差を見てほしい。マクドナルド-IBMは80–85%で停滞した。Hi Auto-Bojanglesは96%だ。これは、性能の低いモデルと高いモデルの差ではない——2026年までに、基盤となるモデルはおおむね同等になっている。それは、生の音声をモデルに送りつけることと、信号処理・決定論的な検証・その周りの統合をエンジニアリングすることの差だ。
その最後の言葉——統合——こそ、多くの善意が息絶える場所だ。大手チェーンの収益のおよそ75〜80%はドライブスルーのチャネルを通じて生まれ、その注文は、チェーンがすでに運用しているどのPOSシステムであっても、きれいに着地しなければならない。NCR Aloha、Toast、Oracle Simphonyはそれぞれ異なるAPIを公開しており、モディファイアがどう流れるか、複数レーンのセッションがどう分離され続けるかについて、異なる制限を持つ。メニューもじっとしてはいない——期間限定のオファー、時間帯別の提供(デイパーティング)、地域限定の品目が週に2〜4回変わり、新しい品目を学ぶのにモデルの再学習を必要とするどんなシステムも、その速さについていけない。私たちは代わりに、言語理解をライブのメニューフィードに結びつけている。そのため、新しい品目は数日ではなく数分で利用可能になる。
運営者が実際に私に尋ねる質問
こうしたチェーンのテクノロジーを取り仕切る人々と話すと、同じ反論が出てくる。だから、私が実際にその場で答えているやり方で、それらに答えよう。
GoogleかNVIDIAを選んで、それで済ませればいいのでは? それは可能だし、多くがそうしている——ウェンディーズはGoogle Cloud上で、タコベルはYum!を通じてNVIDIAのインフラ上で、バーガーキングの従業員向けアシスタント「Patty」はOpenAI上で動いている。トレードオフはプラットフォーム依存だ。APIが変わったり価格が動いたりすれば、あなたの導入全体がさらされることになり、しかも、あなたの特定のレーンの音響に合わせてエンジニアリングされたものではなく、汎用のモデルを手にすることになる。ベンダーの分野は混み合っていて、能力も高い——Prestoは2026年1月に1,000万ドルを調達し、FreshAIの創業者本人を採用した。SoundHound、Hi Auto、ConverseNow、Vox AIはいずれも実運用規模で導入されている——しかし、どのベンダーもあなたに手渡すのは彼らのスタックであって、カスタムの信号パイプラインではない。私たちの立場はベンダー中立だ——あなたが今持っているものを監査し、どんなプラットフォームの上にでも欠けている層を築き、あなたを囲い込まない。
検証層とアクセシビリティ層は、すべてを遅くしてしまわないのか? これは本物のエンジニアリング上の緊張関係だ。300ミリ秒未満の応答が基準であり、追加する層のどれもがレイテンシという代償を伴う。クラウド処理だけでネットワークの往復に100〜500ミリ秒が加わる。推論をエッジ機器に移せばそれは5〜10ミリ秒まで縮むが、拠点あたり500〜1,500ドルのハードウェアが加わる。仕事は、1時間あたりの処理台数を人間のベースライン以下に落とすことなくガードレールを追加することだ。なぜなら、システムが列を遅くした瞬間、どれほど精度が高かろうと外されてしまうからだ。そのバランスは、答えの分かっているエンジニアリングの問題であって、ガードレールを飛ばす理由にはならない。
これは本物の予算項目なのか、それとも道楽の実験なのか? 拠点あたりの音声AIは、ソフトウェアで月200〜500ドル、ハードウェア込みの総額で400〜980ドルかかる。それに対して、チェーンは拠点あたり月3,000〜18,000ドルの追加収益と、月あたり四桁ドルの人件費削減を報告している。採算は取れる。取れないのは、その予算を会話層に費やし、実際にあなたを一面沙汰から遠ざける三つの層を飛ばすことだ。
バズった失敗の本当の教訓
ニュースになったドライブスルー音声AIの惨事を一つひとつたどってみてほしい——260個のナゲット、ベーコンのサンデー、18,000杯の水、吃音のせいで通話を切られてしまう客——そのどれ一つとして、英語を理解できないモデルが引き起こしたものは見つからないはずだ。そのすべてがアーキテクチャの失敗だ——一度もクリーンにされなかった音声、一度も妥当性を確認されなかった注文、システムがそもそも聞き取れるように作られていなかった声。
これで勝っているチェーンは、より優れた頭脳を買ったのではない。その周りに身体を築いたのだ——駐車場で機能する耳、ばかげた注文が厨房に届く前に止める反射神経、本物の注文がどんなものかを見分ける判断力。それこそが、私たちがVeriprajnaで行っている仕事であり、それはデモが思わせるよりもはるかに地味なものだ。
機械でドライブスルーの注文を受ける技術は、もうしばらく前から機能している。それを導入しようと競い合う大半のチェーンでいまだに欠けているのは、ローンチ発表のために誰も撮影しない部分だ——きれいにされた音声、1万8千杯目の水を捕まえるルール、吃音がその言葉を言い終えるのを待つ忍耐。それらを作れば、モデルなど最初から難所ではなかったと分かる。それらを飛ばせば——その動画がどう終わるかは、もう分かっているはずだ。
