KAPITEL 11 Augen, Ohren und eine Stimme
Sprache, Bilder und Video im eigenen Produkt
Im Juni 2024 beendete McDonald’s einen Versuch, der drei Jahre lang als Zukunft des Drive-ins gegolten hatte. In über hundert Restaurants in den USA hatte eine KI von IBM Bestellungen per Sprache entgegengenommen. Nach Berichten von CNBC kämpfte das System mit Akzenten und Dialekten. McDonald’s hatte eine Genauigkeit von über 95 Prozent angestrebt; eine Branchenanalyse hatte das Niveau solcher Sprachbestellungen zwei Jahre zuvor eher bei gut 80 Prozent gesehen. Bis Ende Juli sollte die Technik abgeschaltet sein. 1
Achtzig Prozent klingt nach viel, bis man es in Bestellungen umrechnet. Bei jeder fünften Bestellung stimmt etwas nicht, und hinter dem Auto wartet schon das nächste. Bei Taco Bell in Kapitel 7 fehlte eine Kasse mit Regeln; bei McDonald’s begann das Problem schon beim Hören.
Mara denkt an ihren Helfer mit der Kabeltrommel. „Ich baue einfach eine Spracheingabe ein“, sagt sie. „Die KI hört zu und versteht, was er braucht.“
In diesem Satz stecken zwei Schritte, die man trennen sollte, und ein Missverständnis, das teuer werden kann. Darum geht es in diesem Kapitel: um Modelle, die hören, sprechen, sehen