Sprachbestellung im Drive-in und Restaurant

Schnellrestaurants verlieren an der Bestellstelle Zeit und Geld: verrauschte Sprechsäulen, knappe Besetzung, uneinheitlicher Zusatzverkauf und lange Schlangen. Eine Sprach-KI nimmt die Bestellung in natürlicher Sprache auf, baut sie in Echtzeit gegen die aktuelle POS-Speisekarte auf (einschließlich Zusätzen und Menüs), bestätigt sie auf einer Anzeige und gibt schwierige Fälle an einen Menschen weiter. In den USA ist sie im großen Maßstab im Einsatz; in Europa befindet sie sich meist in der Pilotphase und wird durch die DSGVO und die Transparenzpflichten der KI-Verordnung (AI Act) geprägt.

Problem & Nutzen

• Heute: Ein Mitarbeitender nimmt die Bestellung über ein Headset auf und bereitet gleichzeitig Essen zu oder kassiert. Schlangen zu Stoßzeiten, Personalwechsel, Verhören und ungleichmäßiger Zusatzverkauf senken Durchsatz und Genauigkeit. Telefonbestellungen bei unabhängigen Restaurants gehen in Stoßzeiten oft verloren.
• KI-Nutzen: gleichbleibende Bestellaufnahme und Zusatzverkauf, kürzere Bestellzeit, Personal wird für die Zubereitung frei, Telefonbestellung rund um die Uhr für kleine Restaurants, mehrsprachiger Service.
• Belege (überwiegend von Unternehmen berichtet, keine unabhängige Prüfung gefunden): Omilia berichtet, sein System laufe in mehr als 890 Taco-Bell-Restaurants in 38 Bundesstaaten, wobei Taco Bell bessere Genauigkeit und Geschwindigkeit nennt [1][2]. White Castle berichtet von besserer Genauigkeit mit SoundHound [5]. Gegenbeispiele sind ebenso wichtig: McDonald's beendete 2024 seinen Test mit IBM nach Kundenbeschwerden über falsche Artikel [4], und Yum bremste 2025 den mit Nvidia verbundenen Rollout nach Beschwerden und Streichen wie einer Bestellung über 18.000 Becher Wasser [2]. Taco Bell lässt Personal mithören, um bei Bedarf zu übernehmen [6]. Behandeln Sie jede Angabe zu einer „Automatisierungsquote“ als vom Anbieter definiert, bis Sie selbst getestet haben.

Varianten

• Drive-in-Spur: Fernfeld-Audio im Freien, Motor- und Windgeräusche, mehrere Spuren, Bestellung auf der Menütafel angezeigt.
• Restaurant-Telefonleitung: näher an CONV-002, mit Abhol-/Lieferbestellungen, Adresserfassung und Zahlungslinks; der zugänglichste Einstieg für KMU.

So funktioniert es

1. speaker post / kiosk / phone mic (noise reduction, beamforming, echo cancellation)
2. streaming ASR (menu vocabulary biasing, accents, barge-in)
3. dialogue manager / LLM (intent, quantities, modifiers, corrections "no, make that two")
4. menu grounding (live POS menu, availability, combo rules, price check)
5. upsell engine (rules + recommender, one suggestion at a time)
6. TTS reply + order display for visual confirmation
7. POS injection
8. payment at window
9. fallback: low confidence / frustration / abuse
10. human takeover with transcript

• ASR: der schwierigste Teil. Fernfeld, Lärm, viele Sprecher, Speisenamen und Markenjargon. Die Gewichtung des Fachvokabulars und lärmrobuste Modelle sind entscheidend; durchgängige Sprache-zu-Sprache-Modelle entstehen gerade, lassen sich aber schwerer an eine Speisekarte anbinden.
• Bestellaufbau: Das LLM darf nie Artikel erfinden. Es gibt eine strukturierte Bestellung aus, die deterministischer Code gegen das POS-Menüschema validiert (gültige Zusätze, Höchstmengen, Plausibilität der Preise).
• Mensch-in-der-Schleife (Human-in-the-Loop): Das Personal kann jederzeit mithören und übernehmen; die Bestätigung auf der Anzeige lässt den Kunden Fehler erkennen; Grenzen für Bestellgröße und -wert verhindern Missbrauch.

Datenaufbereitung

Relevante Daten: die aktuelle Speisekarte mit Artikeln, Zusätzen, Menüs, Preisen und Verfügbarkeit, Allergeninformationen, frühere Bestellungen und Audiobeispiele von der Sprechsäule. In einem KMU liegen sie im POS- oder Bestellsystem, in Tabellen und PDFs der Speisekarten und in Allergenlisten auf Papier.

Typische Lücken: Speisekarten, die sich zwischen POS, Website und gedruckten Karten unterscheiden, fehlende Synonyme und regionale oder umgangssprachliche Artikelnamen („Pommes rot-weiß“), uneinheitliche Regeln für Zusätze, keine maschinenlesbaren Allergendaten und keine aufgezeichneten Audiodaten zum Testen.

Schritte der Aufbereitung: - Die Speisekarte in eine einzige saubere, maschinenlesbare Tabelle mit Artikel-IDs und Regeln für Zusätze überführen (PREP-011). - Eine Liste von Synonymen und Abkürzungen für Gerichtsnamen und Dialekte pflegen (PREP-015). - POS- und Bestelldaten über Konnektoren oder APIs exportieren (PREP-005). - Echte aufgezeichnete Bestellungen sammeln (mit Hinweisschildern und Einwilligung) und einen Testsatz mit korrekten Bestellungen aufbauen (PREP-018). - Korrekturen aus manuellen Eingriffen des Personals als Rückmeldung nutzen (PREP-021).

Der Aufwandsanteil beträgt etwa 20-30 % des Projekts. Werkzeuge: eine Tabelle oder der POS-Export, dazu die Funktion eines Anbieters zur Gewichtung des Vokabulars für die ASR.

Umsetzungswege

Welcher Weg für wen

• smb: A. Ausgereifte Produkte für Sprachbestellung und Telefon-Agenten mit POS-Anbindung gibt es zu KMU-Preisen, und der Bestellprozess ist Standard; Fernfeld-ASR selbst zu bauen lohnt sich selten.
• enterprise: B. Ketten mit einem zentralen Bestellkanal und hohem Volumen profitieren von eigener Orchestrierung auf Cloud-APIs, angebunden an ihre POS- und Treuesysteme; Standardstandorte können weiterhin kaufen.
• developer: B. Cloud-ASR- und LLM-APIs mit einer deterministischen POS-Validierungsschicht sind der schnellste Weg zu einem Produkt.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Auf Drive-in spezialisierte Anbieter, von den USA aus geführt: Omilia (Taco Bell; in Zypern/Griechenland gegründet, mit EU-Wurzeln), SoundHound (White Castle und andere), Presto, ConverseNow, Hi Auto, Wendy's FreshAI mit Google, McDonald's ArchIQ-Pilot mit Google Cloud [2][3][5][7]. Prüfen Sie, welche tatsächlich in der EU angeboten werden, mit Datenhaltung in der EU und Modellen in der Landessprache.
• Telefon-Bestellagenten für Restaurants für KMU: Sprach-Agenten-Produkte, die in POS- und Bestellsysteme integriert sind (z. B. Toast, Square, Lightspeed, orderbird, Gastrofix, ready2order sind gängige POS-Ökosysteme in der EU/DACH-Region; Integrationen je Anbieter prüfen).
• A wählen, wenn: Sie viele Standorte betreiben und bewährte Fernfeld-ASR samt POS-Integration brauchen; es von Grund auf selbst zu bauen lohnt sich selten.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Echtzeit-Stack: Streaming-ASR (Deepgram, Azure Speech, Google Cloud Speech, Mistral Voxtral als EU-Anbieter) + ein kleines, schnelles LLM für das Füllen der Felder + TTS (ElevenLabs, Azure, Cartesia). Oder eine Echtzeit-Sprache-zu-Sprache-API wie OpenAI Realtime oder Gemini Live, sofern Latenz- und Anbindungstests bestanden werden.
• Telefonie / SIP: Twilio, Vonage, Telnyx oder EU-Anbieter; LiveKit oder Pipecat für die Orchestrierung des Sprach-Agenten.
• Integration: POS-APIs (Menüabgleich, Bestellung anlegen, ausverkaufte Artikel), Tool-Aufrufe mit striktem JSON-Schema, Abruf der Speisekarte je Standort.
• B wählen, wenn: Sie ein Anbieter von Gastronomie-Technik oder eine Kette mit Entwicklungsteam und einem bestimmten POS sind.

Weg C — Selbst betreiben (Open Source)

• ASR: Whisper-Varianten (faster-whisper), NVIDIA Parakeet/Canary und Riva, Kyutai und Vosk für kleine Systeme; auf Begriffe der Speisekarte feintunen.
• LLM: kleine offene Modelle (Klassen Qwen, Llama, Mistral, Gemma, 3–8B) mit eingeschränkter Dekodierung für das Bestellschema.
• TTS: Piper, Kokoro, Modelle der Klasse XTTS; Orchestrierung: Pipecat oder LiveKit Agents.
• Hardware: HW1 je Filiale (Edge-Box der Klasse Jetson Orin) für ASR plus ein kleines LLM, oder ein regionaler GPU-Server HW2/HW3 für viele Filialen, wenn die Latenz über das WAN akzeptabel ist. Der Betriebsaufwand ist hoch: Updates der Geräteflotte, Überwachung und Audio-Hardware.

Weg D — Eigenes Training

Lohnt sich für Ketten: ASR auf Tausenden Stunden echter, mit Einwilligung aufgezeichneter Drive-in-Audiodaten feintunen (Lärm, Akzente, Begriffe der Speisekarte) und ein speisekartenspezifisches Modell zum Füllen der Felder trainieren. Beschriftete Daten stammen aus von Menschen korrigierten Transkripten und den endgültigen POS-Bons.

Stand der Technik (2026)

• Produktion im großen Maßstab gibt es in den USA (Taco Bell/Omilia, White Castle/SoundHound, Wendy's FreshAI, McDonald's ArchIQ-Piloten) [2][3][7], doch die Ergebnisse waren uneinheitlich; führende Ketten nutzen inzwischen Hybridlösungen, bei denen Personal mithört, und mit klarer Rückfallebene [2].
• Genauigkeit: Die Mystery-Shopping-Studie von Intouch Insight meldet für Standorte mit Sprach-KI einen Anstieg der Bestellgenauigkeit von 82,5 % (2025) auf 90,8 % (2026), gegenüber 89,3 % über alle Marken; die KI wickelte 77 von 120 Besuchen vollständig ab. Kleine Stichprobe, drei Marken [8].
• Technische Trends: LLM-basierter Dialog mit deterministischer Validierung der Speisekarte, lärmrobuste Streaming-ASR, Sprache-zu-Sprache-Modelle mit Tool-Aufrufen, personalisierter Zusatzverkauf aus Treuedaten.
• Fehlerbilder: ASR-Fehler bei verrauschtem Audio, Kinderstimmen und Stimmen mit Akzent, mehrere Personen im Auto, die durcheinanderreden, Phantomartikel, wiederholte Missverständnisse, die zu Frust führen, Scherz- oder Angriffsbestellungen, Zusatzverkauf, der Kunden ärgert, und stilles Abdriften nach Änderungen der Speisekarte.

Gemeinsame Bausteine & Kombinationen

• Sprach-Stack gemeinsam mit CONV-002 (eingehender Telefon-Agent), CONV-008 (ausgehende Erinnerungen), CONV-014 (Sprache im Auto und in eingebetteten Systemen), SPEECH-006 (TTS).
• Handelslogik gemeinsam mit CONV-006 (Einkaufsassistent) und Empfehlungsfunktionen für den Zusatzverkauf.
• Kombinierbar mit PRED-001 (Bedarfsprognose für die Küchenvorbereitung), VIS-017 (visuelle Erkennung im kassenlosen Handel) und CONV-018 (Avatar-Kioske).

Aufwand, Kosten & Kennzahlen

• Aufwand: Weg A 3–6 Monate für Pilot und POS-Integration; Weg B 3–9 Monate; Weg C/D 9–18 Monate. Kostentreiber: Audio-Hardware, ASR-/LLM-/TTS-Minuten, Qualitätssicherung.
• Kennzahlen: Bestellgenauigkeit (je Bon, in einer von Menschen geprüften Stichprobe), Abschlussquote ohne Übernahme durch Personal, durchschnittliche Bestellzeit und Wartezeit, durchschnittlicher Bon / Quote der Zusatzverkäufe, Kundenzufriedenheit, Eskalationsgründe, Missbrauchs-/Scherzquote, Effekt der Personalumschichtung.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung (Budget, Marke), die Standort- oder Abteilungsleitung, die IT (POS, Netzwerk, Sprechsäulen-Hardware), die Datenschutzbeauftragten (Sprachaufnahmen, Hinweisschilder) und den Lieferanten bzw. POS-Anbieter ein. Das Personal sind die täglichen Nutzer und muss von Anfang an Teil des Piloten sein. Führen Sie bei größeren Rollouts eine Prüfung zur Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) durch und schließen Sie mit dem Anbieter einen Auftragsverarbeitungsvertrag (AVV, Art. 28) ab.

Betriebsrat: kommt darauf an. Wo ein Betriebsrat besteht, machen Audioaufnahmen des Personals an der Sprechsäule, Protokolle der Übernahmen oder Geschwindigkeitskennzahlen je Beschäftigtem das System geeignet, Verhalten zu überwachen, sodass § 87 Abs. 1 Nr. 6 BetrVG gilt (objektive Eignung genügt); § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-geplante Arbeitsprozesse. Auch ohne Betriebsrat sollten Sie das Personal informieren und anhören.

KI-Kompetenz: Unterstützen Sie das Personal mit einer kurzen Schulung dazu, was das System tut, wann es übergibt und wie Bestellungen korrigiert werden (Art. 4 KI-Verordnung). Pilotieren Sie einige Wochen an einem Standort oder auf einer Spur, wobei die Übernahme durch Menschen stets möglich ist und an der Sprechsäule ein klarer KI-Hinweis erfolgt. Typische Bedenken: Arbeitsplatzverlust, Überwachung, durch Fehler verärgerte Kunden. Begegnen Sie ihnen, indem Sie das System als Entlastung in Stoßzeiten positionieren, die Bewertung der Einzelleistung schriftlich ausschließen und Fehlerquoten offen verfolgen.

Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (EU AI Act): typischerweise begrenztes Risiko. Art. 50 verlangt, dass Personen informiert werden, dass sie mit einem KI-System interagieren, sofern nicht offensichtlich; ein gesprochener Hinweis zu Beginn ist der sichere Weg. Kein Hochrisiko nach Anhang III. Probleme mit Art. 5 vermeiden: Keine Emotionen aus der Stimme ableiten, um Kunden zu manipulieren, und keine Schwächen (z. B. Kinder, Betrunkene) durch Zusatzverkauf ausnutzen. Art. 4 (KI-Kompetenz) gilt für das Personal [9].
• DSGVO: Sprachaufnahmen und Transkripte sind personenbezogene Daten; Sprache zur Sprecheridentifikation wäre biometrisch (Art. 9) und sollte vermieden werden. Kennzeichen oder Kameradaten, die mit Treueprofilen verknüpft werden, werfen weitere Fragen auf. Nötig sind eine Rechtsgrundlage (meist berechtigtes Interesse oder Vertrag für die Bestellung), klare Hinweisschilder an der Sprechsäule, kurze Aufbewahrung, ein AVV mit dem Anbieter, eine DSFA bei großen Einsätzen und in Deutschland die Beteiligung des Betriebsrats, wenn Audio des Personals erfasst wird [10].
• Verbraucherschutz: Preis- und Allergenangaben müssen korrekt sein; der Bestell-Bot darf keine falschen Allergenauskünfte geben (Allergenfragen an das Personal oder an Speisekartendaten mit ausdrücklichem Hinweis weiterleiten).
• Gegenmaßnahmen: Validierung gegen die Speisekarte, Bestätigung auf der Anzeige, Bestellgrenzen, Übernahme durch Menschen, Grenzen für die Aufbewahrung von Audio, Tests auf Verzerrungen und Akzente, Rückfall auf Mensch oder Kiosk.

Erste Schritte

1. Ziel festlegen: Spur, Kiosk oder Telefonleitung; Ausgangswerte für Bestellzeit, Genauigkeit und Quote der Zusatzverkäufe messen.
2. Mit der Telefonleitung oder einer einzelnen Spur in ein bis zwei Filialen beginnen; infrage kommende Anbieter mit aufgezeichnetem echtem Audio testen (einschließlich Lärm und Akzenten, mit Einwilligung).
3. Die Tiefe der POS-Integration (Zusätze, Menüs, ausverkaufte Artikel) und den Ablauf der Übernahme durch Menschen prüfen.
4. DSFA, Hinweisschilder, KI-Hinweis und Betriebsvereinbarung vor dem Start abschließen.
5. Mehrere Wochen im Schattenmodus laufen lassen (KI schlägt vor, Mensch handelt), dann ausweiten; die Genauigkeit wöchentlich prüfen.

Quellen

1. Nation's Restaurant News — Taco Bell's drive-thru voice AI expands to nearly 900 restaurants — https://www.nrn.com/quick-service/taco-bell-s-drive-thru-voice-ai-expands-to-nearly-900-restaurants
2. Restaurant Dive — Taco Bell, Omilia drive-thru AI deployment — https://www.restaurantdive.com/news/taco-bell-omilia-drive-thru-ai-deployment/824564/
3. QSR Magazine — Taco Bell now has drive-thru AI ordering in about 900 locations — https://www.qsrmagazine.com/story/taco-bell-now-has-drive-thru-ai-ordering-in-about-900-locations/
4. Fortune — McDonald's ends AI order-taking test (2024) — https://fortune.com/2024/06/17/mcdonalds-ai-order-taking-drive-thru-ends
5. Restaurant Dive — White Castle expands SoundHound AI voice drive-thru — https://www.restaurantdive.com/news/white-castle-soundhound-ai-voice-drive-thru-100-units-2024/689624/
6. Orange County Business Journal — Taco Bell's AI adventure (staff listen in, human takeover) — https://www.ocbj.com/food/restaurants/taco-bells-ai-adventure/
7. United Nations University — When AI takes your order: lessons for public-facing chatbots — https://c3.unu.edu/blog/when-ai-takes-your-order-fast-foods-ai-awakening-and-lessons-for-public-facing-chatbots
8. Intouch Insight — Drive-thru trends (2026 QSR Drive-Thru Study, voice AI results) — https://intouchinsight.com/blog/drive-thru-trends
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj