O McDonald's passou três anos ensinando IA a anotar pedidos no drive-thru. Veja por que 260 Chicken McNuggets encerraram o experimento.

Eu estava sentado em um quarto de hotel no fim de junho de 2024, rolando a tela do celular, quando um TikTok me paralisou. Uma mulher no drive-thru de um McDonald's gritava com uma caixa de som enquanto uma voz de IA confirmava alegremente o pedido dela: nove chás gelados, um sundae de caramelo com bacon e o que parecia ser US$ 222 em Chicken McNuggets. Ela não tinha pedido nada daquilo.

Assisti três vezes. Não porque fosse engraçado — embora fosse — mas porque reconheci exatamente o que tinha dado errado. A arquitetura. Não o modelo, não os dados de treinamento, não o prompt. A arquitetura.

Naquela semana, o McDonald's encerrou oficialmente sua parceria de três anos com a IBM no drive-thru com IA. Mais de 100 lojas nos EUA voltaram aos operadores humanos com fone de ouvido. O piloto tinha estagnado em cerca de 80–85% de precisão nos pedidos — o que parece razoável até você perceber que trabalhadores humanos normalmente atingem 90% ou mais e que, no mundo de margens apertadíssimas do fast food, cada pedido errado é um pequeno incêndio que precisa ser apagado com comida grátis e um pedido de desculpas.

Eu construía sistemas de IA na Veriprajna havia tempo suficiente para saber que aquilo não era uma falha de IA. Era uma falha de filosofia. O McDonald's tinha tentado resolver um problema arquitetural profundo com uma resposta arquitetural rasa. E os 260 McNuggets foram o jeito de o universo dizer: isso não funciona.

O experimento que virou piada

A história por trás disso importa. Em 2019, o McDonald's adquiriu a Apprente, uma startup de reconhecimento de voz, e a incorporou a algo chamado McD Tech Labs. Dois anos depois, vendeu essa unidade para a IBM, apostando que a infraestrutura corporativa da Big Blue e o NLP do Watson poderiam escalar a tecnologia globalmente.

A lógica parecia sólida. A IBM tinha os servidores, o pipeline de NLP, a credibilidade corporativa. O McDonald's tinha 40.000 lojas no mundo todo e uma necessidade desesperada de resolver a equação da mão de obra. Junte os dois e você tem o futuro do fast food.

Em vez disso, o que você teve foi bacon no sorvete.

As falhas não eram problemas pontuais. Elas eram sistemáticas. A IA captava pedidos das pistas vizinhas porque não conseguia identificar qual carro estava falando. Interpretava a conversa do rádio ao fundo como pedidos do cardápio. Quando não conseguia entender o que o cliente dizia — o que acontecia o tempo todo com sotaques regionais, correções no meio da frase ou vários passageiros falando ao mesmo tempo —, ela recorria ao chute. E seus chutes eram governados por probabilidade de tokens, não por bom senso.

Uma IA que não sabe que 260 McNuggets é um absurdo não sabe absolutamente nada sobre McNuggets.

Essa frase ficou martelando na minha cabeça. Porque o problema não era o modelo ser burro. Os modelos de linguagem da era GPT são notavelmente capazes. O problema era que ninguém tinha construído a camada que diz "espera, isso não pode estar certo."

Por que o drive-thru com IA do McDonald's realmente fracassou?

Quero ser preciso aqui, porque a narrativa popular — "a IA não está pronta para o mundo real" — está errada. O sistema FreshAI do Wendy's, construído sobre o Google Cloud, atingia cerca de 99% de precisão e cortava 22 segundos do tempo de atendimento. O sistema Byte do Taco Bell, rodando em infraestrutura Nvidia, já tinha processado mais de 2 milhões de pedidos bem-sucedidos em mais de 500 lojas. A tecnologia funciona. Ela só não funciona do jeito que o McDonald's e a IBM construíram.

Três coisas mataram o piloto.

O drive-thru é uma zona de guerra acústica. A maioria dos modelos de linguagem é treinada em ambientes silenciosos. Uma pista de drive-thru tem ronco de motor, pressão do vento contra o microfone, rádios de carro despejando falas concorrentes e passageiros gritando uns por cima dos outros. O sistema da IBM não tinha beamforming sofisticado — a técnica de usar arranjos de microfones para criar um foco espacial na boca do motorista. Sem isso, a IA simplesmente processava todas as vozes que conseguia ouvir. Foi assim que o pedido de um carro foi parar na conta de outro.

A fala humana é gloriosamente bagunçada. Os clientes dizem "Mickey D's" em vez de "McDonald's". Mudam de ideia no meio da frase: "Me vê uma Coca — não, espera, Dr. Pepper." Usam gírias, murmuram, têm sotaques que os dados de treinamento nunca encontraram. Quando o sistema da IBM não conseguia interpretar uma entrada, ele usava decodificação gulosa — escolhendo a próxima palavra estatisticamente mais provável em vez de pedir esclarecimento. Foi assim que "água e sorvete de baunilha" virou "sundae de caramelo com manteiga e ketchup". O sistema associava fragmentos fonéticos a itens de alta probabilidade do cardápio, independentemente de a combinação fazer algum sentido.

Não havia uma camada de bom senso. Essa é a que mais me incomoda. Nenhum limite máximo de quantidade. Nenhuma regra dizendo que sorvete mais bacon é igual a "consulte um humano". Nenhum gatilho de escalonamento para transações de valor alto. O modelo de linguagem estava tomando todas as decisões, e modelos de linguagem não raciocinam sobre o mundo físico. Eles preveem o próximo token. Isso é uma coisa fundamentalmente diferente.

O problema do wrapper

Lembro de uma conversa com um cliente em potencial mais ou menos nessa época. Era um varejista de médio porte, e eles tinham construído o que orgulhosamente chamavam de "sistema de atendimento ao cliente com IA". Quando olhei por baixo do capô, era uma camada fina de software entre os clientes deles e a API da OpenAI. Formatava entradas, estruturava saídas e acrescentava o logotipo deles. Era isso.

"O que acontece quando ele alucina?" perguntei.

"Temos um aviso legal", eles disseram.

Isso é o que o setor chama de "wrapper" — e é o padrão arquitetural que falhou com o McDonald's. Um wrapper pega um modelo fundacional poderoso e passa uma mão de tinta nele. É ótimo para demonstrações. É ótimo para protótipos. É catastroficamente inadequado para qualquer ambiente em que errar tem consequências.

O sistema McDonald's-IBM era, em essência, um wrapper em torno do NLP legado do Watson. O modelo de linguagem cuidava de tudo: reconhecimento de fala, interpretação de intenção, correspondência com o cardápio, confirmação do pedido. Não havia separação entre o que deveria ser probabilístico (entender a fala humana bagunçada) e o que deveria ser determinístico (aplicar as regras de negócio). Era probabilidade do começo ao fim.

Escrevi sobre essa distinção arquitetural em profundidade em nosso artigo de pesquisa interativo, mas a ideia central é simples o suficiente para caber em um guardanapo.

O que "núcleo determinístico, borda probabilística" significa de verdade?

Na Veriprajna, construímos sistemas com base em um princípio ao qual sempre volto: use IA para aquilo em que a IA é boa e use regras para aquilo em que as regras são boas.

Um modelo de linguagem é espetacular em entender a intenção por trás da fala humana bagunçada, ambígua e cheia de sotaque. Essa é a borda probabilística — a camada externa flexível que lida com o caos do mundo real.

Mas, depois que você entendeu a intenção, a execução deve ser governada por lógica rígida. Um motor de inferência simbólica. Um grafo de conhecimento do negócio. Regras que não podem ser anuladas pela probabilidade estatística.

Em um contexto de drive-thru, isso significa:

O LLM ouve "me vê uns cem nuggets aí" e interpreta corretamente a intenção como "o cliente quer uma grande quantidade de Chicken McNuggets". Então o núcleo determinístico entra em ação: a quantidade máxima de McNuggets por pedido é 40 unidades. O sistema pergunta: "Posso fazer até 40 McNuggets — você aceita?" Em vez de registrar alegremente 2.510.

O modelo de linguagem deveria ser os ouvidos. O motor de regras deveria ser o cérebro. O McDonald's fez os ouvidos pensarem.

Isso não é teórico. O FreshAI do Wendy's funciona justamente porque se integra profundamente ao sistema de ponto de venda e aos monitores da cozinha — a IA entende o que você está dizendo, mas a lógica de negócio decide o que acontece em seguida. O sistema do Taco Bell usa orquestração multiagente, em que diferentes componentes especializados cuidam de diferentes partes da transação. Esses são sistemas arquitetados, não wrappers.

A noite em que entendi o verdadeiro fosso

Houve uma noite já tarde — acho que era uma quinta-feira — em que eu e minha equipe estávamos depurando um pipeline de processamento de áudio para a implantação de um cliente. Estávamos nisso havia horas. O sistema insistia em classificar erroneamente o ruído ambiente como entrada de fala, e não conseguíamos descobrir por quê.

Por volta das 11 da noite, um dos meus engenheiros abriu o espectrograma bruto e apontou para um padrão que nenhum de nós tinha notado. O sistema de climatização (HVAC) da instalação do cliente produzia um zumbido de baixa frequência que ficava exatamente na faixa de certos sons vocálicos. O modelo estava literalmente ouvindo o ar-condicionado e tentando anotar o pedido dele.

Passamos as duas semanas seguintes construindo uma camada personalizada de subtração espectral — uma rede neural treinada especificamente no perfil de ruído daquela instalação — capaz de identificar e remover a assinatura do HVAC antes que o áudio sequer chegasse ao modelo de reconhecimento de fala.

Foi aí que a ficha caiu para mim. O verdadeiro fosso na IA corporativa não é o modelo. Todo mundo tem acesso a bons modelos hoje. O fosso está no processamento de sinais — o trabalho pouco glamouroso e meticuloso de limpar o mundo real antes que ele chegue ao cérebro da IA.

O sistema do McDonald's não tinha nada disso. Pesquisas de Stanford mostram que abordagens cross-modais — em que uma câmera acompanha o movimento dos lábios junto com o áudio — podem reduzir a taxa de erro de palavras de 28,8% para 12,2% em ambientes ruidosos. Essa é a diferença entre um sistema que funciona e um sistema que viraliza pelos motivos errados.

Quem é dono do cérebro?

Há outra dimensão do fracasso do McDonald's que não entrou nas compilações do TikTok, mas importa enormemente: a soberania dos dados.

O McDonald's já enfrentava ações judiciais com base na Lei de Privacidade de Informações Biométricas de Illinois (BIPA) por supostamente coletar impressões vocais de clientes sem consentimento. Quando sua IA roda na nuvem de terceiros, cada interação com o cliente — cada voz, cada pedido, cada padrão de preferência — passa por uma infraestrutura que você não controla.

Isso não é apenas um risco jurídico. É um risco estratégico. Cinquenta por cento dos trabalhadores do conhecimento já usam ferramentas de IA não autorizadas no trabalho, e 46% dizem que vão continuar usando mesmo que sejam explicitamente proibidas. Chamamos isso de "Shadow AI", e representa um vazamento de dados massivo e invisível que a maioria das empresas ainda nem começou a enfrentar.

A alternativa é o que chamamos de inteligência soberana: implantar modelos dentro da infraestrutura da própria organização, onde os dados nunca saem do prédio. Para a análise técnica completa da implantação de LLMs privados e do risco de Shadow AI, eu indicaria nossa pesquisa — mas o princípio é direto. Se você não é dono do cérebro, você não é dono do negócio.

Por que alguns drive-thrus com IA funcionam e outros não?

As pessoas me perguntam isso o tempo todo, e acho que esperam uma resposta complicada. Não é.

Os sistemas que funcionam — Wendy's, Taco Bell, White Castle — foram construídos como arquiteturas integradas desde a base. Eles tratam a IA como um componente de um sistema maior que inclui processamento de sinais, lógica de negócio, caminhos de escalonamento humano e monitoramento contínuo. A IA é poderosa, mas restrita. Ela opera dentro de guardrails que refletem a física real do negócio.

O sistema que fracassou foi parafusado por cima. Ele tratava a IA como um serviço que se assina, e não como uma capacidade que se constrói com engenharia. Pediu a um modelo de linguagem que fizesse tudo — ouvir, entender, decidir, executar — em um ambiente para o qual modelos de linguagem nunca foram projetados.

O Estudo Drive-Thru de 2025 confirma essa divisão. As pistas com IA são de 22 a 29 segundos mais rápidas que as pistas atendidas por humanos, em média, e, apesar das notas mais baixas em "simpatia", as lojas com IA registraram 97% de satisfação geral — seis pontos acima da média tradicional. Os clientes não precisam que a IA seja calorosa. Eles precisam que ela esteja certa.

No futuro do fast food, a hospitalidade não é medida pelo calor de uma voz. É medida pelo fato de você receber, ou não, o que realmente pediu.

A discussão que tivemos sobre o "bom o bastante"

Quero compartilhar algo que aconteceu internamente na Veriprajna, porque acho que ilustra uma tensão que toda empresa de IA enfrenta.

Estávamos projetando um sistema para um cliente, e um dos meus engenheiros seniores argumentou que estávamos fazendo engenharia excessiva na camada determinística. "O modelo já está com 92% de precisão", ele disse. "Estamos gastando semanas construindo regras para casos extremos que representam 8% das transações. Isso vale mesmo a pena?"

Abri a compilação de TikToks do McDonald's. "Quantos desses você acha que bastam para destruir uma marca?" perguntei.

Ele disse dois.

Eu disse um.

Construímos a camada de regras. Isso somou três semanas ao cronograma. O cliente não teve um único incidente viral até hoje.

Esse é o cálculo que o modelo de wrapper erra. Em laboratório, 92% de precisão é excelente. No mundo real, a taxa de falha de 8% não se distribui aleatoriamente — ela se concentra nos casos mais difíceis, nos ambientes mais barulhentos, nos clientes mais frustrados. Esses são exatamente os momentos que acabam nas redes sociais. O custo dos 8% não é proporcional à sua frequência. Ele é exponencial.

O que vem a seguir

O McDonald's não desistiu da IA. A empresa sinalizou que está avaliando novos parceiros e novas abordagens. Mas o experimento de três anos com a IBM acabou, e o que ele deixa para trás é uma lição clara para toda empresa que considera implantar IA.

A fase de experimentação acabou. A era de parafusar um modelo de linguagem em um processo existente e torcer pelo melhor está encerrada. O que vem a seguir — o que eu chamaria de era da Deep AI — exige algo mais difícil: rearquitetar de verdade seus sistemas em torno das capacidades e limitações da inteligência de máquina.

Isso significa núcleos determinísticos com bordas probabilísticas. Significa ser dono da própria infraestrutura. Significa investir em processamento de sinais com a mesma seriedade com que se investe na escolha do modelo. Significa construir caminhos de escalonamento humano não como um plano B, mas como um recurso. E significa aceitar que o trabalho de engenharia pouco glamouroso — a filtragem de ruído, os motores de regras, as bibliotecas de casos extremos — é onde vive a verdadeira vantagem competitiva.

A distância entre as organizações que entendem isso e as que não entendem está prestes a se tornar permanente. Não porque a tecnologia seja inacessível, mas porque a filosofia arquitetural exige um tipo de disciplina que a maioria das organizações preferiria pular.

O McDonald's aprendeu isso da maneira difícil, em escala, em público. Os 260 McNuggets não foram um bug. Foram o resultado inevitável de um sistema que nunca foi construído para dizer não.