18.000 bekers water: wat drive-thru voice-AI steeds fout doet

Een klant reed in augustus 2025 naar een spreekpaal van Taco Bell en bestelde 18.000 bekers water. De AI verstond hem perfect. Het systeem zette alle 18.000 op de bestelling. De clip ging over de 21,5 miljoen weergaven, en Taco Bell zette de uitbreiding van zijn AI stil om uit te zoeken wat er mis was gegaan.

Dit is het ongemakkelijke deel: er ging niets mis met de kunstmatige intelligentie. De spraakherkenning was foutloos. Het taalmodel ontleedde het verzoek precies zoals het werd uitgesproken. Wat ontbrak, was één enkel stukje saaie, op regels gebaseerde software tussen de AI en de kassa — het soort ding dat naar "18.000 waters" had moeten kijken en zeggen nee, dat is geen echte bestelling. Niemand had het gebouwd.

Ik heb het laatste deel van mijn carrière doorgebracht binnen drive-thru voice-AI — de systemen die je bestelling opnemen bij de spreekpaal terwijl een mens aan het raam staat — en ik wil je vertellen waarom deze fouten zich blijven voordoen, want de les is niet die welke de krantenkoppen suggereren. Het model is bijna nooit het probleem. De architectuur rondom het model wel.

De AI hoorde de bestelling correct. Er was simpelweg niets in het systeem dat mocht zeggen "dat kan niet kloppen."

Die zin is het hele verhaal van waarom drive-thru voice-AI de ketens die het inzetten steeds voor schut zet. En het is op te lossen — niet met een slimmer model, maar met het glansloze technische werk dat iedereen oversloeg op weg naar een demo.

Het driejarige plateau waar niemand over wil praten

Toen ik voor het eerst serieus naar deze wereld begon te kijken, was het waarschuwende voorbeeld waar iedereen naar wees McDonald's. Ze besteedden drie jaar aan een drive-thru voice-samenwerking met IBM, bleven steken rond 80–85% bestelnauwkeurigheid en beëindigden het geheel stilletjes in juli 2024. Onderweg voegde het systeem 260 Chicken McNuggets toe aan de bestelling van één auto en garneerde iemands vanille-ijs met spek. Er is nu een vermelding in het Museum of Failure voor.

Mijn eerste ingeving was dezelfde die de meeste engineers hebben: ze moeten wel een zwak model hebben gebruikt. Dus begonnen we waar iedereen begint — neem een sterke speech-to-text-engine, voer die in een capabel taalmodel, koppel de uitvoer aan een kassasysteem en laat het draaien. In een vergaderruimte was het echt indrukwekkend. Het verwerkte complexe bestellingen, modifiers, substituties. Ik was ervan overtuigd dat we het binnen een paar weken hadden gekraakt.

Toen namen we het mee naar een echte rijbaan op een koude, winderige avond, en het viel bijna meteen uit elkaar.

Een vrachtwagen stond twee plekken verderop stationair te draaien en het systeem begon zijn motor te transcriberen. Een windvlaag werd geregistreerd als een uitbarsting van spraak. Als de autoradio van een klant aanstond, mengde de AI vrolijk de stem van de dj in de bestelling. Wat binnen briljant was geweest, was buiten nauwelijks bruikbaar, en ik had de vroege roadmap persoonlijk ingezet op de aanname dat het model het moeilijke deel was. Dat was het niet. Het moeilijke deel was alles wat er met geluid gebeurt voordat het model het ooit hoort.

Die avond op de parkeerplaats gaf het hele probleem voor mij een andere invalshoek, en het is de reden dat we uiteindelijk bouwen wat we bouwen bij Veriprajna — niet een beter model, maar de ontbrekende lagen eromheen.

Waarom de spreekpaal de moeilijkste plek op aarde is om te luisteren

Een drive-thru spreekpaal is een van de akoestisch meest vijandige omgevingen waarin je een machine kunt vragen te horen. Ik bedoel dat niet als stijlfiguur.

Motorgerommel concentreert zich in de band van 200–400 Hz — die precies boven op de grondfrequentie van een typische mannenstem zit. De ruis ligt dus niet netjes opzij waar je hem eruit kunt filteren; hij zit verstrengeld in precies de frequenties die de woorden dragen. Wind creëert niet-stationaire drukgolven die de microfoon in onvoorspelbare uitbarstingen beuken. Regen voegt breedbandige ruis toe over het hele spraakbereik. En een concurrerende stem — een passagier, een radio, de rijbaan ernaast — produceert geluid dat standaard voice activity detection simpelweg niet van de klant kan scheiden.

Het McDonald's-IBM-systeem handelde dit alles af door ruwe, ongefilterde audio rechtstreeks naar de taalbegriplaag te sturen. Daarom "hoorde het bestellingen mee" van aangrenzende rijbanen, las het motortransiënten verkeerd als iemand die begint te praten, en hallucineerde het menu-items uit fonetische fragmenten. Toen de audio verslechterde, deed het model wat modellen doen bij onzekerheid: het matchte de rommel met de dichtstbijzijnde tokens met hoge waarschijnlijkheid en produceerde iets dat zelfverzekerd en fout was.

Je kunt je met prompt-engineering niet uit slechte audio redden. Als het signaal is aangetast voordat het model het ziet, geeft een slimmer model je gewoon een vloeiendere fout.

De oplossing is een meertraps audiopijplijn, en de volgorde van bewerkingen is van belang. We vervingen energiegebaseerde spraakdetectie — die elk hard geluid als spraak behandelt — door een neurale detector (de Silero-klasse van modellen) die een drempel van 400 milliseconden continue waarschijnlijkheid aanhoudt voordat hij beslist dat er daadwerkelijk een mens praat. Die ene verandering elimineert de meeste "de motor bestelt nuggets"-fouten. Daarbovenop draaien we spectrale gating die ruwweg 75% van de achtergrondruis wegneemt voordat de spraakherkenner het signaal ooit ontvangt, en beamforming via microfoonarrays — de Andrea DA-252 of de Veovox AudioBox — die de stem van de bestuurder ruimtelijk isoleren van al het andere rond de auto.

De keerzijde, en dit is het deel waar leveranciers een hekel aan hebben, is dat deze laag per spreekpaalmodel en per akoestische omgeving moet worden afgestemd. Kant-en-klare ruisonderdrukking die is getraind op nette kantooraudio, gaat onderuit op een parkeerplaats. Er is hier geen kortere weg, en dat is precies waarom zo weinig mensen het doen.

De 18.000 waters waren een softwarebug, geen AI-bug

Laat me terugkomen op Taco Bell, want het is de helderste illustratie van de tweede faalmodus.

De ochtend dat die clip viraal ging, stuurde een keten-exploitant met wie ik in gesprek was hem naar me door en vroeg botweg of die van ons hetzelfde zou doen. Het is een terechte vraag, en het eerlijke antwoord is dat de meeste geïmplementeerde systemen dat zouden doen, omdat ze dezelfde architecturale leemte delen.

De AI verstond "18.000 bekers water" correct. Daar was nooit twijfel over. Het systeem had geen validatie van aantallen, geen anomaliedetectie en geen ratelimiet per sessie. De uitvoer van het model stroomde rechtstreeks naar de kassa omdat niemand de middleware had gebouwd om te vragen of een bestelling fysiek plausibel is voordat die de keuken bereikt. Diezelfde ontbrekende laag is waarom McDonald's 260 nuggets op een rekening zette en spek op ijs. In elk van deze gevallen was het taalbegrip correct en ontbrak de bedrijfslogica simpelweg.

Wat om gek van te worden is, is hoe goedkoop deze oplossing is. Een deterministische validatie-engine — en ik bedoel echt op regels gebaseerde code, niet meer AI — kost twee tot drie weken om per keten te bouwen. Hij handhaaft maximumaantallen die zijn afgeleid van echte bestelverdelingen (het realistische plafond voor een enkele waterbestelling bij een quick-servicerestaurant ligt ergens rond de acht bekers, niet achttienduizend). Hij controleert de logica van itemcombinaties, waarbij de historische waarschijnlijkheid van "ijs plus spek" in de besteldata effectief nul is. Hij stelt prijsdrempels per transactie in en dwingt een mens om in te grijpen bij alles wat die grenzen overschrijdt.

De goedkoopste, snelste oplossing in drive-thru voice-AI is ook degene die de rampen voorkomt die 21 miljoen weergaven halen. Het zijn regels, geen intelligentie.

Dit is de omkering die mensen verrast. Het flitsende deel — het conversatiemodel — is nu grotendeels een opgeloste, alomtegenwoordige capaciteit. Het deel dat het merk daadwerkelijk beschermt, is de deterministische guardrail-laag die niemand in de demo stopt omdat die niet indrukwekkend is om naar te kijken.

Wat gebeurt er als iemand die stottert komt voorrijden?

De derde faalmodus is degene die me wakker houdt, deels omdat het een moreel probleem is en deels omdat het op het punt staat een juridisch probleem te worden.

Wendy's FreshAI is door klanten die stotteren omschreven als "onbruikbaar", en zodra je de mechaniek begrijpt, is het duidelijk waarom. We hadden hetzelfde defect in onze eigen vroege build, en ik ontdekte het pas omdat ik keer op keer een opname afspeelde van iemand die een "b-b-baconator" bestelde. Ons systeem onderbrak hen elke keer weer.

Disfluente spraak breekt voice-AI op drie duidelijke manieren. Wanneer iemand een klank herhaalt — "b-b-baconator" — produceert de herkenner dubbele tokens die de bestellogica in de war schoppen. Wanneer iemand een blokkade heeft, een stille pauze midden in een woord, leest de spraakdetector de stilte als het einde van hun beurt en stopt hij midden in de bestelling met luisteren. Wanneer iemand een klank rekt — "Mmmmilk" — rekt het foneem zo ver op dat het systeem een compleet ander woord hoort ("Silk"). Niets hiervan is exotisch. Het treft de ruwweg 80 miljoen mensen wereldwijd die stotteren, plus veel meer met sterke accenten, ouderdomsspraakpatronen of niet-moedertaaluitspraak. Deze systemen zijn getraind op vloeiend, standaard Amerikaans Engels en ze falen bij iedereen anders.

Vroeger schaarde ik toegankelijkheid onder "leuk om te hebben, later." Ik had het mis, en het regelgevende traject veranderde mijn mening. Eten en drinken is nu de op één na meest aangeklaagde sector voor rechtszaken over digitale toegankelijkheid onder de Americans with Disabilities Act, goed voor rond de 21% van alle aanklachten, en die aanklachten stegen in 2025 met 40% ten opzichte van het jaar ervoor. Canada publiceerde in december 2025 CAN-ASC-6.2:2025 — 's werelds eerste nationale norm voor toegankelijke AI — die gelijkwaardige prestaties ongeacht handicap vereist en een betekenisvolle optie om AI af te wijzen ten gunste van een mens. De transparantieverplichtingen van de AI Act van de Europese Unie treden in augustus 2026 in werking en vereisen dat klanten wordt verteld dat ze met een machine praten.

Er is nog geen rechtszaak over de toegankelijkheid van drive-thru voice-AI aangespannen. Maar de biometrische-privacyzaak tegen McDonald's — een class action die beweert dat het zonder toestemming stemafdrukken verzamelde — liet al zien dat drive-thru AI vierkant in het vizier van rechtszaken ligt, ook al werd die specifieke zaak geseponeerd. De kostenberekening is wreed in de verkeerde richting: toegankelijkheid achteraf inbouwen in een systeem dat al is uitgerold, kost ongeveer vijf keer zoveel als het vanaf het begin meebouwen. Ontwerpen voor disfluente spraak op dag één is geen liefdadigheid. Het is de goedkope versie.

Werkt dit eigenlijk wel? Ja — als de architectuur klopt

Het zou gemakkelijk zijn om tot hier te lezen en te concluderen dat drive-thru voice-AI een slecht idee is. Dat is het niet. De ketens die de lagen goed hebben ontworpen, boeken cijfers die de mislukte implementaties nooit haalden, en de kloof tussen hen is precies waar het om draait.

Hi Auto, dat bij Bojangles op ruwweg 500 locaties draait, rapporteert 93% bestelafhandeling en 96% nauwkeurigheid, met meer dan 100 miljoen bestellingen per jaar die door zijn portefeuille stromen. Het systeem van SoundHound bij White Castle haalt meer dan 90% bestelafhandeling en claimt rond de $58.000 aan jaarlijkse besparingen per locatie. De 2025 Intouch Insight Drive-Thru Study vond dat AI-aangedreven rijbanen gemiddeld 3 minuten 53 seconden totale servicetijd nodig hadden tegenover 4 minuten 15 seconden in het algemeen — ruwweg 22 seconden sneller per bestelling — en 17 tot 18 auto's per uur verwerkten versus 16 zonder AI. De tevredenheid op AI-locaties kwam uit rond de 97%, enkele punten boven traditionele rijbanen.

Kijk naar de spreiding. McDonald's-IBM bleef steken op 80–85%. Hi Auto-Bojangles zit op 96%. Dat is niet het verschil tussen een zwak en een sterk model — tegen 2026 zijn de onderliggende modellen grotendeels vergelijkbaar. Het is het verschil tussen ruwe audio naar een model sturen en het engineeren van de signaalverwerking, de deterministische validatie en de integratie eromheen.

Dat laatste woord — integratie — is waar veel goede bedoelingen sterven. Ruwweg 75 tot 80% van de omzet van een grote keten komt via het drive-thru-kanaal, en die bestelling moet netjes terechtkomen in welk kassasysteem de keten ook al draait. NCR Aloha, Toast en Oracle Simphony bieden elk verschillende API's met verschillende limieten voor hoe modifiers streamen en hoe sessies over meerdere rijbanen gescheiden blijven. Menu's staan ook niet stil: tijdelijke aanbiedingen, dayparting en regionale items veranderen twee tot vier keer per week, en elk systeem dat een hertraining van het model nodig heeft om een nieuw item te leren, kan het tempo niet bijhouden. In plaats daarvan verankeren we het taalbegrip aan een live menufeed, zodat een nieuw item binnen minuten beschikbaar is, niet dagen.

De vragen die exploitanten me echt stellen

Als ik praat met de mensen die de technologie voor deze ketens beheren, komen dezelfde bezwaren naar voren, dus laat me ze beantwoorden zoals ik ze in de zaal beantwoord.

Moeten we gewoon Google of NVIDIA kiezen en er klaar mee zijn? Dat kan, en velen hebben dat gedaan — Wendy's draait op Google Cloud, Taco Bell op NVIDIA-infrastructuur via Yum!, Burger Kings op medewerkers gerichte "Patty"-assistent op OpenAI. De afweging is platformafhankelijkheid. Als de API verandert of de prijzen verschuiven, ligt je hele implementatie bloot, en je krijgt algemene modellen in plaats van iets dat is ontworpen voor de akoestiek van jouw specifieke rijbanen. Het leveranciersveld is druk en capabel — Presto haalde in januari 2026 $10 miljoen op en nam de oorspronkelijke oprichter van FreshAI aan; SoundHound, Hi Auto, ConverseNow en Vox AI zijn allemaal op echte schaal uitgerold — maar elk van hen geeft je hun stack, niet een op maat gemaakte signaalpijplijn. Onze positie is leveranciersneutraal: audit wat je hebt, bouw de ontbrekende lagen boven op elk platform, en bind je nergens aan vast.

Zullen de validatie- en toegankelijkheidslagen niet alles vertragen? Dit is de echte technische spanning. Een respons van onder de 300 milliseconden is de norm, en elke laag die je toevoegt kost latentie. Alleen al cloudverwerking voegt 100 tot 500 milliseconden netwerk-roundtrip toe; het verplaatsen van inferentie naar een edge-appliance verlaagt dat tot 5 tot 10 milliseconden, maar voegt $500 tot $1.500 aan hardware per locatie toe. De taak is om de guardrails toe te voegen zonder het aantal auto's per uur onder de menselijke basislijn te laten zakken, want op het moment dat een systeem de rij vertraagt, wordt het eruit gehaald, hoe nauwkeurig het ook is. Die balans is een technisch probleem met een bekend antwoord, niet een reden om de guardrails over te slaan.

Is dit een echte begrotingspost of een wetenschapsproject? Voice-AI per locatie kost $200 tot $500 per maand aan software, $400 tot $980 all-in met hardware. Daartegenover melden ketens $3.000 tot $18.000 aan extra maandelijkse omzet per locatie en besparingen in de arbeidskosten van vier cijfers per maand. De economische rekensom klopt. Wat niet werkt, is dat budget uitgeven aan de conversatielaag en de drie lagen overslaan die je daadwerkelijk van de voorpagina weghouden.

De echte les van de virale mislukkingen

Loop elke drive-thru voice-AI-ramp na die het nieuws haalde — de 260 nuggets, de spek-sundae, de 18.000 waters, de klant die stottert en op wie wordt opgehangen — en je zult er niet één vinden die werd veroorzaakt door een model dat geen Engels kon verstaan. Elk ervan is een architectuurfout: audio die nooit werd opgeschoond, een bestelling die nooit op redelijkheid werd gecontroleerd, een stem die het systeem nooit was gebouwd om te horen.

De ketens die hierin winnen, kochten geen beter brein. Ze bouwden het lichaam eromheen — de oren die werken op een parkeerplaats, de reflexen die een absurde bestelling stoppen voordat die de keuken bereikt, het oordeelsvermogen om te weten hoe een echte bestelling eruitziet. Dat is het werk dat we doen bij Veriprajna, en het is veel minder glamoureus dan de demo's suggereren.

De technologie om een drive-thru-bestelling met een machine op te nemen werkt al een tijdje. Wat er bij de meeste ketens die zich haasten om het uit te rollen nog steeds ontbreekt, is het deel dat niemand filmt voor de lanceringsaankondiging: de opgeschoonde audio, de regel die de achttienduizendste beker water onderschept, het geduld om een stotteraar zijn woord te laten afmaken. Bouw die, en het model was nooit het moeilijke deel. Sla ze over, en je weet al hoe de video eindigt.