マクドナルドは3年をかけて、AIにドライブスルーの注文を教えた。なぜ260個のチキンマックナゲットが、その実験を終わらせたのか

2024年6月下旬、私はホテルの部屋でスマートフォンをスクロールしていた。そのとき、1本のTikTokに手が止まった。マクドナルドのドライブスルーで、ひとりの女性がスピーカーボックスに向かって叫んでいる。その間もAIの音声は、陽気に彼女の注文を確認していた——スイートティー9杯、ベーコンのせキャラメルサンデー、そして$222分と思われるチキンマックナゲット。彼女はそのどれ一つとして注文していなかった。

私はそれを3回見た。面白かったからではない——確かに面白かったのだが——何が間違っていたのかを正確に見抜いてしまったからだ。アーキテクチャだ。モデルでも、学習データでも、プロンプトでもない。問題はアーキテクチャ。

その週、マクドナルドはIBMとの3年にわたるAIドライブスルー提携を正式に終了した。米国の100を超える店舗が、ヘッドセットをつけた人間のオペレーターに戻った。このパイロットは注文精度およそ80–85%で頭打ちになっていた——悪くない数字に聞こえるかもしれないが、人間の従業員は通常90%以上を叩き出すこと、そして利幅が極限まで薄いファストフードの世界では、注文ミスの一つひとつが無料の食べ物と謝罪で消し止めなければならない小さな火事であることを思えば、話は別だ。

私はVeriprajnaで十分に長くAIシステムを構築してきたので、これがAIの失敗ではないことは分かっていた。これは哲学の失敗だった。マクドナルドは、深いアーキテクチャの問題を、浅いアーキテクチャの答えで解こうとした。そして260個のマックナゲットは、それではうまくいかない、と宇宙が告げる方法だったのだ。

笑い話になった実験

背景が重要だ。2019年、マクドナルドは音声認識スタートアップのApprenteを買収し、McD Tech Labsという組織に統合した。その2年後、同社はこの部門をIBMに売却した。ビッグブルーのエンタープライズ・インフラとWatson NLPがあれば、この技術を世界規模に拡大できると賭けたのだ。

理屈は通っているように見えた。IBMにはサーバーがあり、NLPパイプラインがあり、エンタープライズとしての信頼があった。マクドナルドには世界40,000店舗と、労働力という方程式を解かなければならない切実な事情があった。両者を組み合わせれば、ファストフードの未来が手に入る。

ところが実際に手に入ったのは、アイスクリームの上のベーコンだった。

この失敗は、たまに起こる不具合ではなかった。それは構造的なものだった。AIは、どの車が話しているのか判別できないため、隣のレーンの注文まで拾ってしまった。背景で流れるラジオのおしゃべりを、メニューの注文として解釈した。客が何を言ったのか解析できないとき——地域訛り、言いかけの訂正、複数の同乗者が同時に話す状況では日常茶飯事だった——AIは既定動作として推測に頼った。そしてその推測を支配していたのは、常識ではなくトークン確率だった。

260個のマックナゲットが不条理だと分からないAIは、そもそもマックナゲットについて何ひとつ分かっていない。

この一文が頭の中で鳴り止まなかった。問題はモデルが愚かだったことではないからだ。GPT時代の言語モデルは驚くほど有能である。問題は、「待って、それはおかしい」と言うレイヤーを、誰も作っていなかったことだ。

マクドナルドのAIドライブスルーは、なぜ本当に失敗したのか？

ここは正確に述べたい。世間に広まった物語——「AIはまだ現実世界に対応できていない」——は間違っているからだ。Google Cloud上に構築されたウェンディーズのFreshAIは、およそ99%の精度に達し、サービス時間を22秒短縮していた。Nvidiaのインフラ上で動くタコベルのByteは、500店舗以上で200万件を超える注文を問題なく処理してきた。技術は機能する。ただ、マクドナルドとIBMが作ったやり方では機能しないだけだ。

3つの要因が、このパイロットを葬った。

ドライブスルーは音響の戦場だ。ほとんどの言語モデルは静かな環境で学習されている。だがドライブスルーのレーンには、エンジンの唸り、マイクに当たる風圧、競合する音声を漏らすカーラジオ、そして怒鳴り合う同乗者たちがいる。IBMのシステムには高度なビームフォーミング——マイクアレイを使ってドライバーの口元に空間的な焦点を作る技術——が欠けていた。それがなければ、AIは単純に聞こえるすべての声を処理していた。ある車の注文が別の車の会計に載ってしまったのは、そういうわけだ。

人間の話し方は、見事なまでに乱雑だ。客は「McDonald's」ではなく「Mickey D's」と言う。文の途中で気を変える——「コーラをちょうだい——いや、待って、ドクターペッパーで」。スラングを使い、口ごもり、学習データが一度も出会ったことのない訛りで話す。IBMのシステムは入力を解析できないとき、貪欲デコーディングを使った——聞き返して確認するのではなく、統計的に最も確からしい次の単語を選ぶのだ。「水とバニラアイスクリーム」が「バターとケチャップ入りキャラメルサンデー」になったのは、そういうわけだ。システムは、その組み合わせが意味をなすかどうかにかかわらず、音の断片を確率の高いメニュー項目に照合していた。

サニティチェックのレイヤーが存在しなかった。これが一番こたえる。数量の上限がない。アイスクリームにベーコンを足したら「人間に確認する」となるルールもない。高額取引に対するエスカレーションのトリガーもない。言語モデルがすべての判断を下していた。そして言語モデルは、物理世界について推論しない。次のトークンを予測しているだけだ。それは根本的に別のことである。

ラッパーという問題

ちょうどその頃、ある見込み客との会話を覚えている。中堅の小売企業で、彼らは自ら誇らしげに「AI搭載カスタマーサービスシステム」と呼ぶものを構築していた。中身を開けてみると、それは顧客とOpenAIのAPIの間に置かれた薄いソフトウェアの層でしかなかった。入力を整形し、出力を構造化し、自社のロゴを付ける。それだけだった。

「ハルシネーションを起こしたら、どうなるんですか？」と私は尋ねた。

「免責事項を出しています」と彼らは答えた。

業界ではこれを「ラッパー」と呼ぶ——そしてこれこそ、マクドナルドを失敗させたアーキテクチャのパターンだ。ラッパーは、強力な基盤モデルを取ってきて、その上に一枚ペンキを塗る。デモには申し分ない。プロトタイプにも申し分ない。しかしそれは、壊滅的なまでに不十分だ——間違いが結果を招くあらゆる環境においては。

マクドナルドとIBMのシステムは、その核心においてレガシーなWatson NLPを包んだラッパーだった。言語モデルがすべてを担っていた——音声認識、意図解析、メニュー照合、注文確認。確率的であるべきもの（乱雑な人間の発話を理解すること）と、決定論的であるべきもの（ビジネスルールを執行すること）の間に、切り分けがなかった。どこまで掘っても確率だったのだ。

私はこのアーキテクチャ上の区別について、当社のインタラクティブ研究論文で詳しく書いた。だが中心にある考え方は、ナプキン1枚に収まるほど単純だ。

「決定論的コア、確率的エッジ」とは、実際のところ何を意味するのか？

Veriprajnaでは、私が何度も立ち返る一つの原則に基づいてシステムを構築している。すなわち、AIが得意なことにはAIを使い、ルールが得意なことにはルールを使う、ということだ。

言語モデルが見事なまでに得意なのは、意図を理解することだ。乱雑で曖昧で、訛りのある人間の発話の背後にあるものを読み取る——それが確率的エッジであり、現実世界の混沌を受け止める柔軟な外層である。

しかし、いったん意図を理解したなら、実行は厳格なロジックに統制されるべきだ。記号推論エンジン。ビジネスのナレッジグラフ。統計的確率によって覆すことのできないルール。

ドライブスルーの文脈では、それはこういうことだ。

LLMが「ナゲット100個くらいちょうだい」を聞き取り、その意図を「客はチキンマックナゲットを大量に欲しがっている」と正しく解釈する。そこで決定論的コアが起動する——マックナゲットの1回の注文あたりの上限は40ピースだ。システムはこう尋ねる。「マックナゲットは40個までご用意できます。それでよろしいですか？」——陽気に2,510と打ち込む代わりに。

言語モデルは耳であるべきだ。ルールエンジンこそが脳であるべきだ。マクドナルドは、耳に考えさせてしまった。

これは理論の話ではない。ウェンディーズのFreshAIがうまくいくのは、まさにPOSシステムやキッチンディスプレイと深く統合されているからだ——AIはあなたの言うことを理解するが、次に何が起きるかを決めるのはビジネスロジックだ。タコベルのシステムはマルチエージェント・オーケストレーションを用いており、それぞれ専門化された構成要素が取引の異なる部分を担当する。これらは設計されたシステムであって、ラッパーではない。

本当の堀の正体を理解した夜

ある夜遅く——たしか木曜日だったと思う——私はチームと一緒に、あるクライアント導入向けの音声処理パイプラインをデバッグしていた。もう何時間も格闘していた。システムが環境ノイズを音声入力として誤分類し続けるのだが、その理由が分からなかった。

午後11時頃、エンジニアの一人が生のスペクトログラムを表示し、誰も気づいていなかったパターンを指さした。クライアントの施設の空調（HVAC）システムが、特定の母音の周波数帯にちょうど重なる低周波のうなりを出していたのだ。モデルは文字どおり空調の音を聞き取り、その注文を取ろうとしていた。

私たちはその後の2週間を、カスタムのスペクトル減算レイヤーの構築に費やした——その施設のノイズプロファイルに特化して学習させたニューラルネットワークで、音声が音声認識モデルに届く前にHVACのシグネチャを特定して除去できるものだ。

そのとき、私の中で何かが噛み合った。エンタープライズAIにおける本当の堀は、モデルではない。今や誰もが優れたモデルを使える。堀があるのは信号処理だ——AIの脳に届く前に現実世界を掃除しておくという、地味で骨の折れる作業である。

マクドナルドのシステムには、これが完全に欠けていた。スタンフォード大学の研究によれば、クロスモーダルなアプローチ——音声と並行してカメラが唇の動きを追跡する手法——は、騒がしい環境における単語誤り率を28.8%から12.2%まで下げられるという。それが、機能するシステムと、望まない理由でバズるシステムを分ける差だ。

脳を所有しているのは誰か？

マクドナルドの失敗には、TikTokのまとめ動画には映らなかったが、きわめて重要なもう一つの側面がある——データ主権だ。

マクドナルドはすでに、同意なく顧客の声紋を収集したとして、イリノイ州生体情報プライバシー法に基づく訴訟に直面していた。自社のAIが第三者のクラウド上で動いているとき、顧客とのやり取りのすべて——あらゆる声、あらゆる注文、あらゆる嗜好のパターン——が、自分の管理下にないインフラを流れていく。

これは単なる法的リスクではない。戦略的なリスクだ。ナレッジワーカーの50%はすでに職場で許可されていないAIツールを使っており、46%は明確に禁止されても使い続けると答えている。私たちはこれを「シャドーAI」と呼んでいる。それは、ほとんどの企業がまだ手をつけてすらいない、巨大で目に見えないデータ漏洩を意味する。

その代替が、私たちの言う「ソブリン・インテリジェンス」だ。組織自身のインフラの内側にモデルを配備し、データが建物の外に一切出ないようにする。プライベートLLMの導入とシャドーAIリスクの完全な技術的解説については、当社の研究を参照してほしい——だが原則は明快だ。脳を所有していないなら、そのビジネスも所有していない。

なぜ、うまくいくAIドライブスルーと、うまくいかないものがあるのか？

この質問は本当によく受ける。皆、複雑な答えを期待しているのだと思う。だが、そうではない。

うまくいっているシステム——ウェンディーズ、タコベル、ホワイトキャッスル——は、統合されたアーキテクチャとして、一から構築された。これらはAIを、信号処理、ビジネスロジック、人間へのエスカレーション経路、継続的モニタリングを含むより大きなシステムの、一つの構成要素として扱っている。AIは強力だが、制約されている。ビジネスの実際の物理法則を反映したガードレールの内側で動作するのだ。

失敗したシステムは、後付けでボルト留めされたものだった。AIを、自らエンジニアリングする能力ではなく、購読するサービスとして扱った。そして言語モデルに、すべてを——聞き、理解し、判断し、実行することを——それも言語モデルが決して想定していない環境で求めたのだ。

2025年のドライブスルー調査は、この分断を裏づけている。AI搭載レーンは、人間が対応するレーンより平均で22〜29秒速い。そして「フレンドリーさ」の評価は低いにもかかわらず、AI店舗の総合満足度は97%——従来の平均より6ポイント高い数値を記録した。客はAIに温かさを求めていない。求めているのは、正確であることだ。

ファストフードの未来において、ホスピタリティは声の温かさで測られるのではない。実際に注文したものが手に入るかどうかで測られる。

「これで十分」をめぐって私たちが交わした議論

Veriprajnaの社内で起きたことを一つ共有したい。あらゆるAI企業が直面する緊張関係を、よく物語っていると思うからだ。

あるクライアント向けのシステムを設計していたとき、シニアエンジニアの一人が、決定論的レイヤーを作り込みすぎだと主張した。「モデルはすでに精度92%です」と彼は言った。「取引の8%にすぎないエッジケースのために、何週間もかけてルールを作っている。それって本当に見合うんですか？」

私はマクドナルドのTikTokまとめ動画を開いた。「これが何本あればブランドは壊れると思う？」と私は尋ねた。

彼は「2本」と答えた。

私は「1本だ」と言った。

私たちはルールレイヤーを構築した。スケジュールは3週間伸びた。そのクライアントは、バズるような事故を一度も起こしていない。

ラッパー型モデルが読み違えるのは、この計算だ。ラボの中なら、精度92%は優秀である。だが現実世界では、8%の失敗はランダムに分布しない——最も難しいケース、最も騒がしい環境、最も苛立った客の周りに集中する。そしてそれこそが、SNSに流れ着く瞬間だ。8%のコストは、その頻度に比例しない。指数関数的に効いてくる。

次に起こること

マクドナルドはAIを諦めたわけではない。新たなパートナーと新たなアプローチを検討していることを示唆している。だが3年に及んだIBMとの実験は終わった。そして後に残されたのは、AI導入を検討するすべての企業にとって明確な教訓だ。

実験のフェーズは終わった。既存のプロセスに言語モデルをボルト留めして、うまくいくことを祈る時代は終わりだ。次に来るもの——私が「ディープAIの時代」と呼ぶもの——が求めるのは、もっと難しいことだ。すなわち、機械知能の能力と限界を軸に、自社のシステムを本当に再設計することである。

それは、確率的エッジを備えた決定論的コアを意味する。自社のインフラを自ら所有することを意味する。モデル選定に注ぐのと同じ真剣さで信号処理に投資することを意味する。人間へのエスカレーション経路を、フォールバックとしてではなく機能として構築することを意味する。そして、地味なエンジニアリング作業——ノイズ除去、ルールエンジン、エッジケースのライブラリ——にこそ本当の競争優位が宿るのだと受け入れることを意味する。

これを理解している組織と、していない組織の差は、まもなく固定化する。技術が手に入らないからではない。アーキテクチャの哲学が、ほとんどの組織が省きたがる類の規律を要求するからだ。

マクドナルドは、これを痛い目に遭いながら、大規模に、公衆の面前で学んだ。260個のマックナゲットはバグではなかった。それは、「ノー」と言うようには決して作られていなかったシステムの、必然的な出力だったのだ。