Anmerkung des Autors: Dieser Vergleich beleuchtet die KI-Strategien von Starbucks, McDonald’s, Taco Bell und Burger King. Anhand von Einführungsstand, öffentlich verfügbaren Belegen, Investitionen und dem Zusammenspiel der Technologien zeigt er, ob es sich um Konzeptdemonstrationen handelt oder ob bereits betrieblicher Nutzen entsteht.
Am 29. Oktober 2026 gab Starbucks in einer Telefonkonferenz zu seinen Geschäftszahlen bekannt, dass das Unternehmen die Erkennung freiwillig teilnehmender Drive-through-Gäste prüft, um ihnen personalisierte digitale Menüs anzuzeigen. Das wirft eine alte Frage erneut auf: Braucht die Gastronomie KI, die Mitarbeitende ersetzt, oder KI, die den gesamten Serviceablauf verbessert?
Dies ist keine Rangliste für KI in der Gastronomie. Die vier Unternehmen konkurrieren nicht um denselben Bestellroboter. Zudem fehlen öffentlich verfügbare Tests zu Kosten, Genauigkeit und ROI unter einheitlichen Bedingungen. Dieser Artikel vergleicht die Ansätze danach, welche Probleme sie lösen, wie weit ihre Einführung fortgeschritten ist und wie belastbar die Belege sind.
Das nehmen Sie mit: Sie lernen die vier wichtigsten KI-Ansätze in der Gastronomie kennen und erfahren, anhand welcher Kennzahlen Sie beurteilen können, ob ein Projekt noch eine Konzeptdemonstration ist oder bereits nachweisbaren betrieblichen Nutzen schafft.
Restaurant-KI: Die wichtigsten Fakten im Überblick
| Information | Details |
|---|---|
| Ausgangspunkt | Telefonkonferenz von Starbucks zum vierten Quartal des Geschäftsjahres 2026 am 29. Oktober 2026 |
| Konkreter Plan | Ab dem Geschäftsjahr 2027 soll KI im Hintergrund getestet werden, um Baristas bei der Erfassung von Bestellungen zu unterstützen |
| Erste Überlegungen | Erkennung teilnehmender Kunden, personalisierte digitale Menüs und vereinfachtes Bezahlen; noch kein Einführungstermin |
| Noch nicht bekannt | Erkennungstechnologie, Pilotfilialen, Modellanbieter, Investitionen und messbare Ergebnisse |
| Branchenvergleich | Drive-in-Studie 2026 von Intouch Insight mit 13 Marken und 2.145 Besuchen für die Hauptstudie sowie 120 zusätzlichen Besuchen zur Untersuchung von KI-Bestellungen |
Starbucks-CEO Brian Niccol zufolge nutzt etwa die Hälfte der Kunden den Drive-in. Das erklärt, warum das Unternehmen diesem Kanal Bedeutung beimisst, bedeutet aber nicht, dass dort die Hälfte des Umsatzes erzielt wird. Derzeit gibt es auch keine Hinweise darauf, dass Starbucks den Einsatz von Gesichts- oder Kennzeichenerkennung beschlossen hat. Die in den Medien geäußerten Bedenken zu Datenschutz und unterschiedlichen Preisen sind Teil einer Risikodebatte und keine bestätigten Tatsachen.
Worin unterscheiden sich die vier KI-Ansätze in der Gastronomie?
Der entscheidende Unterschied liegt darin, welche Aufgaben die KI übernehmen soll und welche weiterhin Menschen erledigen. Fasst man alle vier Ansätze unter „KI-Bestellung“ zusammen, gehen die Unterschiede bei Produkten, Datenabhängigkeiten und Risiken verloren.
| Marke | Hauptfunktionen | Stand der Einführung | Öffentlich belegte Angaben | Wichtigste Einschränkungen |
|---|---|---|---|---|
| Starbucks | Smart Queue, Green Dot Assist, Bestellerfassung im Hintergrund, personalisierte Menüs | Die ersten beiden werden bereits genutzt oder wurden eingeführt; die Bestellerfassung soll getestet werden; Menüs werden noch erprobt | Aussagen des CEO und Beschreibungen bestehender Systeme | Für die neuen Projekte gibt es keine quantifizierten Testergebnisse; die Erkennungsmethode wurde nicht veröffentlicht |
| McDonald’s | Betriebsplattform ArchIQ, Sprachbestellung Archy, Bestands- und Gerätemanagement | Pilotversuche in einigen US-Filialen, noch kein Zeitplan für eine flächendeckende Einführung | Laut Unternehmen erreichte Archy bei Tests eine Genauigkeit von über 90 % | Die wichtigsten Vorteile sind überwiegend Prognosen und noch nicht vollständig realisiert |
| Taco Bell | Dynamische KI-Menüs, Sprachbestellung von Omilia | Menüs werden getestet; Sprachbestellung ist bereits in mehr als 890 Filialen im Einsatz | Das Unternehmen bestätigt, dass der Menütest keine Verkaufspreise verändert; die Filialzahl wurde vom Partner veröffentlicht | Es fehlen Angaben zur durchschnittlichen Genauigkeit über alle Filialen und zu den Kosten pro Filiale |
| Burger King | Sprachbestellung für Gäste, Mitarbeiterassistent Patty | Sprachbestellung in etwa 50–70 Filialen im Test; Patty war im Februar in rund 500 Filialen im Test | Führungskräfte räumen ein, dass manche Gäste den Roboter ablehnen und sogar die Filiale verlassen | Fragen zur Akzeptanz bei Kunden und zur umstrittenen Überwachung von Mitarbeitern sind noch offen |
Starbucks und KI in der Gastronomie: Informationen zuerst an die Baristas
Niccol beschreibt das Fast-Pass-Szenario konkret: Ein Gast fährt in die Drive-in-Spur und öffnet die App. Das System zeigt den Mitarbeitenden die letzten Bestellungen an. Der Barista fragt nach, ob der Gast sein übliches Getränk bestellen möchte. Anschliessend folgen Zahlung und Abholung. Die KI liefert den Mitarbeitenden also Informationen über bisherige Käufe, spricht aber nicht an ihrer Stelle.
Starbucks profitiert dabei von seiner Daten- und Transaktionsbasis. In den USA zählt das Unternehmen 36 Millionen Rewards-Mitglieder, die in den vergangenen 90 Tagen aktiv waren. Im Geschäftsjahr 2025 entfielen dort knapp 60 % des Umsatzes der unternehmenseigenen Filialen auf Mitglieder. Das sind allerdings bestehende Geschäftszahlen und keine Belege für die Wirkung einer KI-gestützten Menüauswahl. Das Unternehmen hat auch nicht erklärt, welche Datenfelder das neue Projekt nutzen wird.
McDonald’s ArchIQ: Bestellungen als Teil des Betriebssystems
ArchIQ ist eine umfassende Betriebsplattform; Archy ist lediglich ihre Sprachfunktion. Die Plattform bietet ausserdem Einblick in Lagerbestände, überwacht Geräte und prüft Bestellungen vor der Ausgabe. So soll sie die Bestellannahme mit der Zubereitung in der Küche verbinden.
McDonald’s hatte 2021 gemeinsam mit IBM KI-gestützte Bestellannahme getestet und die Zusammenarbeit 2024 wegen Herausforderungen unter anderem bei der Genauigkeit beendet. Die Genauigkeit von über 90 % bei Archy stammt aus vom Unternehmen veröffentlichten Testergebnissen und ist keine Einschätzung unabhängiger Dritter. Auch das Feedback der Mitarbeitenden im Video zum Investorentag ist ein vom Unternehmen präsentierter Einzelfall und keine repräsentative Umfrage.
Taco Bell: Dynamische Menüs und Sprachbestellungen sind zwei getrennte Projekte
Das dynamische KI-Menü von Taco Bell beantwortet die Frage: „Was wird angezeigt?“ Das System kann Layout, Inhalte und die Darstellung von Empfehlungen an einzelne Fahrzeuge anpassen. Ein Ziel ist es, schneller Rückmeldungen zur Wirkung der Anzeigen zu erhalten. Das Unternehmen stellt klar, dass der Test die Verkaufspreise in den Filialen nicht verändert. Es handelt sich also weder um dynamische Preisgestaltung noch lässt sich das System direkt mit einer Kennzeichenerkennung gleichsetzen.
Die Sprachbestellung von Omilia beantwortet dagegen die Frage: „Wer nimmt die Bestellung auf?“ Der Partner gibt an, dass die Lösung bereits in mehr als 890 Filialen in 38 US-Bundesstaaten eingesetzt wird. Diese Zahl darf nicht zu den rund 500 Filialen addiert werden, die Medienberichten zufolge an Nvidia-bezogenen Tests beteiligt sind: Projektphasen und Filialen können sich überschneiden. Ein Fall aus dem Jahr 2025, bei dem jemand aus Spaß große Mengen Wasser bestellte, zeigt zudem, dass ein breiter Einsatz noch keine stabile Nutzererfahrung garantiert.
Burger King: Patty und die Sprachbestellung für Kunden sind zu unterscheiden
Die Sprachbestellung von Burger King richtet sich an Drive-in-Kunden und wird in rund 50 bis 70 Filialen getestet. Chakri Somisetti, Vice President of Technology der Marke, räumte ein, dass manche Kunden nicht mit einem Roboter sprechen möchten und sogar direkt weiterfahren. Das Unternehmen plant deshalb, die Wahl eines menschlichen Mitarbeiters zu erleichtern.
Patty ist dagegen ein Headset-Assistent für Mitarbeitende. Er nutzt Modelle von OpenAI und die eigene technische Architektur von Burger King, um Hinweise zur Essenszubereitung, zum Lagerbestand und zum Filialbetrieb zu geben. Die rund 500 Filialen beziehen sich auf den Umfang des Patty-Pilotprojekts im Februar 2026 und dürfen nicht als Filialen mit Sprachbestellung gezählt werden. Auch Pattys Fähigkeit, höfliche Formulierungen zu analysieren, hat Fragen aufgeworfen. Das Unternehmen erklärt, sie diene dazu, allgemeine Trends in den Filialen zu beobachten, und werde nicht zur Bewertung einzelner Personen eingesetzt.
Was zeigen Praxistests von KI in der Gastronomie?
Die Studie von Intouch Insight ist ein wertvoller Branchenvergleich. Der gezielte Test umfasste allerdings nur Burger King, Taco Bell und Wendy’s. Die Ergebnisse lassen sich nicht nachträglich einer einzelnen Marke zuordnen und stehen auch nicht mit dem neuen System von Starbucks in Verbindung.
| Kennzahl | Ergebnis 2026 | Richtige Einordnung |
|---|---|---|
| Genauigkeit der KI-Bestellannahme | 90,8 % (2025: 82,5 %) | Die Ergebnisse der gezielten Stichprobe haben sich verbessert; sie stehen nicht für den Branchendurchschnitt |
| Genauigkeit der Vergleichsgruppe ohne KI bei denselben Marken | 86,7 % | Gilt nur für die untersuchten Szenarien derselben Studie |
| Dauer des gesamten Besuchs | KI: 5 Min. 14 Sek., Vergleichsgruppe: 5 Min. 15 Sek. | Der Unterschied ist gering und beweist nicht, dass KI grundsätzlich schneller ist |
| Teile der Bestellung mussten wiederholt werden | 29,1 % (2025: 34,2 %) | Eine Verbesserung, aber die Sprachinteraktion ist noch nicht zuverlässig genug |
| Gesamtzufriedenheit mit KI | 94,2 % | Ergebnis innerhalb der getesteten Stichprobe |
| Besuche mit KI in der Hauptstudie | 36 / 2145 | Weniger als 2 %; Sprach-KI ist noch kein Branchenstandard |
Diese Daten widerlegen zwei extreme Behauptungen. KI kann bereits echte Bestellungen bearbeiten: Bei 120 gezielten Testbesuchen kam 92-mal KI zum Einsatz, und in 77 Fällen bearbeitete sie die Bestellung von Anfang bis Ende. Einen überwältigenden Geschwindigkeitsvorteil zeigte sie jedoch nicht. Wenn Gäste Angaben wiederholen müssen, kann das ihr Erlebnis beeinträchtigen, ohne dass sich dies unbedingt in der Gesamtdauer niederschlägt.
Die 96 % Bestellgenauigkeit und 99 % Zufriedenheit, die Starbucks in der Hauptstudie erreichte, spiegeln ebenfalls nur die Leistung des bestehenden Service wider. Die Marken, Bestellarten und Stichproben unterscheiden sich von denen hinter den 90,8 %. Die Werte lassen sich daher nicht einfach voneinander abziehen, um Menschen zum Sieger über KI zu erklären. Bei freundlichen Mitarbeitenden lag die Zufriedenheit bei 98,6 %, bei unfreundlichen bei 26,8 %. Auch das ist nur ein beobachteter Zusammenhang – er erinnert Unternehmen aber daran, sich nicht allein auf die Automatisierung der Bestellannahme zu konzentrieren.
Die Umfrage von Technomic liefert ein weiteres Signal: 46 % der Befragten fanden es attraktiv, im Restaurant bei einem Menschen zu bestellen. 23 % fanden die KI-Bestellannahme am Drive-in attraktiv, 46 % dagegen nicht. Da der Bericht keine vollständigen Angaben zur Stichprobe enthält, sollten diese Werte nicht als genaue Aussage über die Haltung aller US-Verbraucherinnen und -Verbraucher verstanden werden.
Wie lassen sich KI-Investitionen und Reifegrad in der Gastronomie beurteilen?
Bei der Bewertung des Reifegrads sollten die Zahl der beteiligten Filialen, die Wirksamkeitsnachweise und die finanziellen Zusagen getrennt betrachtet werden. Die folgende Tabelle ordnet Projekte anhand öffentlich verfügbarer Informationen ein. Sie dient dem Vergleich und ist keine offizielle Bewertung der vier Unternehmen.
| Reifegrad | Beispielprojekte | Öffentlich verfügbare Grundlage | Was noch fehlt |
|---|---|---|---|
| Konzepterkundung | Kundenerkennung und personalisierte Menüs bei Starbucks | Aussagen des CEO, Fast-Pass-Szenario | Erkennungslösung, Pilotdaten, Starttermin |
| Geplanter Test | Erfassung von Bestellungen im Hintergrund bei Starbucks | Tests ab dem Geschäftsjahr 2027 | Genauigkeit, Effizienz und Auswirkungen auf den Personalbedarf |
| Test in kleinem Umfang | Sprachsteuerung bei Burger King, dynamische Menüs bei Taco Bell, Archy bei McDonald’s | Filialtests oder von den Unternehmen veröffentlichte Ergebnisse | Unabhängige Überprüfung, ROI und Zuverlässigkeit im grossen Massstab |
| Tatsächlicher Einsatz | Smart Queue bei Starbucks, Sprachsteuerung bei Taco Bell | Bereits im Betrieb genutztes System beziehungsweise Einsatz in mehr als 890 Filialen | Einheitliche Daten zu Geschäftseffekten und Kosten |
| Plan für den Einsatz im grossen Massstab | Restaurant > NEXT bei McDonald’s | Investitions- und Ertragsprognosen veröffentlicht | Tatsächliche Rendite und Ergebnisse der vollständigen Einführung |
Bei den Kosten gehört McDonald’s zu den wenigen Unternehmen, die einen finanziellen Rahmen veröffentlicht haben. Für eine traditionelle US-Filiale mit Drive-in wird die zusätzliche Investition in Restaurant > NEXT auf rund 800.000 US-Dollar geschätzt. Nach Einführung aller Elemente soll eine typische Filiale jährlich rund 100.000 US-Dollar zusätzlichen Gesamt-Cashflow erzielen. Die Investition umfasst Filialumbau, Ausstattung und Betriebstechnologie – sie ist nicht der Anschaffungspreis von Archy.
McDonald’s rechnet ausserdem damit, dass nach dem Einsatz im grossen Massstab pro Filiale und Woche mindestens 50 Arbeitsstunden frei werden. Die automatisierte Bestandsverwaltung soll etwa 5 Arbeitsstunden pro Woche einsparen und die Lebensmittelverschwendung um rund 15 % verringern. Diese Zahlen sind Prognosen oder Ziele des Unternehmens und wurden noch nicht flächendeckend erreicht. Auch die Kosten der entsprechenden Projekte von Starbucks, Taco Bell und Burger King sind nicht ausreichend öffentlich bekannt. Daher lässt sich derzeit nicht beurteilen, welche Lösung am günstigsten ist.
Warum braucht KI in der Gastronomie ein Zusammenspiel der Systeme?
Ein einzelnes Modell reicht für KI am Drive-in kaum aus. Sprachverständnis trotz Hintergrundgeräuschen, Einwilligungen von Mitgliedern, Bestandsänderungen, Preisprüfung und die Warteschlange für die Zubereitung liegen in der Verantwortung verschiedener Systeme. Ein Fehler an einer beliebigen Stelle kann dazu führen, dass eine korrekt erkannte Bestellung nicht korrekt ausgeführt wird. Die folgende Tabelle zeigt ein allgemeines Architekturbeispiel, nicht die von den vier Unternehmen veröffentlichten Implementierungen.
| Technisches Modul | Hauptaufgabe | Typische Fehler | Wichtige Kennzahlen |
|---|---|---|---|
| Sprachmodell | Akzente, Hintergrundgeräusche und Änderungswünsche verarbeiten | Kunden müssen sich wiederholt erklären | Wiederholungsrate, Weiterleitungsrate an Mitarbeitende |
| Empfehlungsalgorithmus | Reihenfolge der Produkte und zusätzliche Empfehlungen festlegen | Ausverkaufte oder irrelevante Produkte werden empfohlen | Zusätzliche Konversionen, Veränderung des durchschnittlichen Bestellwerts |
| Mitgliedsdaten | Präferenzen und frühere Bestellungen im Rahmen der Einwilligung bereitstellen | Kunden werden verwechselt oder Kaufhistorien offengelegt | Einwilligungsrate, Verwechslungsrate, Opt-out-Rate |
| Bestellsystem | Preise, Rabatte, Bestand und Zahlung prüfen | Speisekarte und Rechnung stimmen nicht überein | Bestellfehlerrate, Erfolgsrate bei Zahlungen |
| Menschliche Interaktion | Ausnahmen bearbeiten und ein gutes Serviceerlebnis sicherstellen | Keine Weiterleitung möglich, Kunden brechen ab | Dauer der Übernahme, Zufriedenheit, Abbruchrate |
Entwickler können zunächst einen kleinen Teil davon prüfen: die Umwandlung einer Sprachtranskription in eine strukturierte Bestellung. Das folgende Beispiel zeigt einen allgemeinen Workflow. Das Modell ist nur dafür zuständig, die Absicht zu verstehen; Preise und Bestand bleiben Sache der Geschäftssysteme.
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # OpenAI-kompatible API von APIYI
)
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "把订单转为 JSON：大杯拿铁，换燕麦奶，再加一个可颂"}]
)
print(response.choices[0].message.content)
Vollständigen Implementierungscode anzeigen
import json
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
MENU = {"拿铁", "美式", "可颂"} # Beispieldaten; tatsächlich sollten aktuell verfügbare Produkte abgefragt werden
def parse_order(transcript: str, model: str = "gpt-4o-mini") -> dict:
system_prompt = (
"你是点单解析器，只输出 JSON。格式为 "
'{"items":[{"name":"","size":"","changes":[],"qty":1}],"need_human":false}。'
f"可售菜单：{sorted(MENU)}。不得输出价格；无法确定时 need_human 设为 true。"
)
response = client.chat.completions.create(
model=model,
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": transcript},
],
response_format={"type": "json_object"},
temperature=0,
)
order = json.loads(response.choices[0].message.content)
# Die Modellausgabe ist nicht die endgültige Bestellung; zunächst anhand der Geschäftsregeln prüfen
if any(item.get("name") not in MENU for item in order.get("items", [])):
order["need_human"] = True
return order
print(parse_order("大杯拿铁换燕麦奶，再来一个可颂"))
Technischer Tipp: Mit demselben Satz aus Transkripten und Menüdaten lassen sich verschiedene Modelle hinsichtlich ihrer Erfolgsquote bei der strukturierten Ausgabe, ihrer Latenz und ihrer Kosten vergleichen. Über APIYI apiyi.com können Sie über eine einheitliche Schnittstelle zwischen Modellen wie OpenAI, Claude und Gemini wechseln. Das reduziert den Anpassungsaufwand bei der ersten Bewertung.
Das Beispiel deckt weder Echtzeitaudio noch die Übermittlung von Bestellungen oder Zahlungen ab. Die Spracheingabe muss außerdem abhängig vom gewählten Modell und den Möglichkeiten der Schnittstelle separat entwickelt werden. Im realen Betrieb sollten Sie auch erfassen, wie häufig an Mitarbeitende übergeben wird, welche Fehler auftreten und welche Modellkosten pro Bestellung entstehen. Diese Daten zeigen besser als eine einzelne Demo, ob das Projekt tragfähig ist.
Auswirkungen von KI auf die Gastronomie und Einschätzung der Branche
Auswirkungen auf Gastronomieunternehmen
Jeder der vier Ansätze eignet sich für andere Voraussetzungen. Entscheidend ist, wo das Unternehmen seine größten betrieblichen Engpässe hat. Ist ein Unternehmen beim Sprachverständnis führend, heißt das nicht, dass es auch bei der Personalisierung oder im Gesamtbetrieb vorne liegt.
- Starbucks-Ansatz: Geeignet für Unternehmen mit einer starken Mitgliederbasis und vielen Wiederholungskäufen, bei denen der Kontakt mit Mitarbeitenden selbst Teil des Markenwerts ist.
- McDonald’s-Ansatz: Geeignet für stark standardisierte Unternehmen mit vielen Filialen, die Geräte und Abläufe gleichzeitig anpassen können.
- Taco-Bell-Ansatz: Geeignet für Unternehmen mit komplexen Menükombinationen, die die Optimierung der Darstellung und die Automatisierung der Bestellannahme getrennt voneinander prüfen möchten.
- Burger-King-Ansatz: Geeignet für Unternehmen, bei denen die Akzeptanz der Kundschaft noch unklar ist, die eine Kontaktmöglichkeit zu Mitarbeitenden erhalten und zunächst deren Effizienz steigern möchten.
Auswirkungen auf Entwickler und Produktmanager
In der nächsten Phase von KI im Einzelhandel sollten weniger Demo-Effekte und mehr reproduzierbare Geschäftsergebnisse im Mittelpunkt stehen. Bei der Projektbewertung sollten mindestens folgende Kennzahlen geprüft werden:
- Zusätzlicher Nutzen: Steigen der durchschnittliche Bestellwert, die Wiederkaufrate und die Bearbeitungskapazität gegenüber Kontrollfilialen tatsächlich?
- Qualität der gesamten Bestellung: Entscheidend ist nicht nur die Spracherkennung, sondern auch, wie häufig die finale Bestellung korrekt ausgeführt oder doppelt erfasst wird.
- Umgang mit Ausnahmen: Wie häufig wird an Mitarbeitende übergeben, wie lange dauert die Übernahme, wie werden Fehlerkennungen behandelt und wie viele Kunden gehen verloren?
- Datenschutz und Transparenz: Wie können Kunden teilnehmen und aussteigen? Können sie die endgültige Bestellung und den Preis bestätigen?
- Wirtschaftlichkeit pro Einheit: Investition pro Filiale, Inferenzkosten pro Bestellung, Wartungskosten und Amortisationszeit.
Wenn ein Projekt nur Demovideos, prognostizierte Erträge oder Anbieterbeispiele vorweisen kann, aber keine kontrollierten Tests und Daten zu Ausnahmefällen, ist es eher noch eine Konzeptdemonstration. Projekte, die tatsächlich geschäftlichen Nutzen schaffen, sollten zeigen können, was sich anhand welcher Stichprobe verbessert hat – und wer bei Fehlern einspringt.
Häufige Fragen (FAQ)
Q1: Hat Starbucks bereits KI-Gesichtserkennung für Bestellungen eingeführt?
Für diese Behauptung gibt es keine Belege. Starbucks hat lediglich erklärt, dass das Unternehmen Möglichkeiten zur Erkennung freiwillig teilnehmender Kunden prüft. Welche Technik zum Einsatz kommen könnte, welche Filialen an einem Pilotprojekt teilnehmen und wann es starten soll, ist nicht bekannt. Weder Gesichts- noch Kennzeichenerkennung wurden bestätigt.
Q2: Welches der vier Unternehmen ist beim KI-Einsatz in der Gastronomie am weitesten?
Das hängt vom jeweiligen Bereich ab. Taco Bell verfügt über eine vergleichsweise grosse Zahl öffentlich bekannter Filialen mit Sprachbestellung. McDonald’s hat KI breiter in seine Abläufe integriert. Bei Starbucks sind Hintergrundsysteme wie Smart Queue bereits im Einsatz, während Burger King wichtige Erkenntnisse zur Kundenakzeptanz geliefert hat. Da ein einheitlicher Test fehlt, wäre eine Gesamtrangliste nicht sinnvoll.
Q3: Zu welchem Unternehmen gehört die Genauigkeit von 90,8 % bei KI-Bestellungen?
Der Wert stammt aus einer Stichprobe eines speziellen Tests von Intouch Insight bei Burger King, Taco Bell und Wendy’s. Er gehört weder zu Starbucks noch zu McDonald’s Archy. Die Angabe von über 90 % bei McDonald’s beruht auf Testergebnissen, die das Unternehmen selbst veröffentlicht hat. Die beiden Werte lassen sich nicht direkt vergleichen.
Q4: Wie lassen sich Bestell- oder Empfehlungsabläufe mit einer Modell-API überprüfen?
Bereiten Sie zunächst anonymisierte Transkripte, Speisekarten und manuell annotierte Ergebnisse vor. Vergleichen Sie dann die Genauigkeit der strukturierten Ausgabe, die Latenz und die Kosten. Sie können sich bei APIYI unter apiyi.com registrieren und Testguthaben erhalten. Ersetzen Sie anschließend den Modellnamen im Beispiel dieses Artikels durch das zu testende Modell und ergänzen Sie schrittweise fachliche Prüfungen.
Q5: Was sind die wichtigsten Grenzen von KI-Projekten in der Gastronomie?
Zu den wichtigsten Einschränkungen zählen Erkennungsfehler durch Hintergrundgeräusche und komplexe Bestellungen, die Ablehnung von Robotern durch Kunden, Datenschutzfragen bei der Identifikation sowie undurchsichtige Implementierungskosten. Bei der Gestaltung sollte immer eine Möglichkeit zur Bedienung durch Menschen bleiben. Die abschließende Preisprüfung sollte das Geschäftssystem übernehmen.
Q6: Müssen kleine und mittlere Teams von Anfang an ein vollständiges System aufbauen?
In der Regel nicht. Sie können zunächst risikoarme Aufgaben wie Wissensfragen, die Strukturierung von Bestellungen oder die Sortierung von Empfehlungen offline evaluieren. Erst wenn die Kennzahlen überzeugen, folgt die Anbindung an reale Abläufe. Über APIYI unter apiyi.com lassen sich Modelle nutzungsabhängig aufrufen. Das eignet sich, um einen Ansatz zu prüfen, bevor Sie in Hardware und Systemumbauten investieren.
Vier KI-Ansätze in der Gastronomie: Die wichtigsten Erkenntnisse
- Die Unternehmen verfolgen unterschiedliche Ziele: Im Mittelpunkt stehen jeweils Personalisierung, Integration von Betriebsabläufen, Menüs und Sprach-KI oder die Zusammenarbeit von Mensch und KI.
- Starbucks steht noch am Anfang: Für personalisierte Menüs gibt es keinen Einführungstermin. Die Erfassung von Bestellungen im Hintergrund soll im Geschäftsjahr 2027 getestet werden.
- Der Nutzen bei McDonald’s muss sich noch zeigen: Sowohl die 50 Arbeitsstunden als auch die 100.000 US-Dollar Cashflow sind Prognosen, die noch nicht vollständig realisiert wurden.
- Projekte müssen getrennt betrachtet werden: Menü- und Sprachprojekte bei Taco Bell sind nicht dasselbe; ebenso wenig Patty bei Burger King und die Bestellaufnahme bei Kunden.
- Sprach-KI hat noch Schwächen: Die Genauigkeit bei einer speziellen Teststichprobe ist gestiegen, dennoch müssen 29,1 % der Kunden Angaben wiederholen.
- Technologie vor der Auswahl testen: Über APIYI apiyi.com lassen sich Modellleistung, Latenz und Kosten pro Aufruf vergleichen.
Fazit
Die Beispiele von Starbucks, McDonald’s, Taco Bell und Burger King zeigen: Die entscheidende Frage bei KI in der Gastronomie ist nicht, ob sie Mitarbeitende ersetzen kann. Entscheidend ist, ob sie einen messbaren Teil des Service verbessert.
- Unterschiedliche Ansätze: Beim Vergleich sollte zunächst das jeweilige Problem im Mittelpunkt stehen, statt alle Lösungen als Bestell-Bots einzuordnen.
- Unterschiedliche Phasen: Konzepte, Pläne, Pilotprojekte, Einführung und Prognosen zur Skalierung müssen klar voneinander getrennt werden.
- Unterschiedliche Belege: Unternehmensangaben, Fallstudien von Anbietern und Tests Dritter belegen jeweils unterschiedliche Aspekte.
- Wert entsteht im Gesamtsystem: Erst wenn Sprache, Empfehlungen, Mitgliedschaften, Bestellungen und menschliche Arbeitsabläufe zusammenspielen, können sich betriebliche Ergebnisse einstellen.
Wer ein ähnliches Projekt plant, sollte zunächst eine klare Kennzahl auswählen und einen minimalen Workflow mit echten Daten durchspielen. Über APIYI apiyi.com lassen sich verschiedene Modelle bei der Analyse von Bestellungen und der Erklärung von Empfehlungen vergleichen. Auf dieser Grundlage kann dann über eine Ausweitung des Pilotprojekts entschieden werden.
📚 Quellen
- Starbucks-Telefonkonferenz zum vierten Quartal des Geschäftsjahres 2026: Personalisierter Drive-through
- Link:
stockanalysis.com/stocks/sbux/transcripts/702818-q4-2026 -
Inhalt: Originalaussagen des CEO und Testpläne für das Geschäftsjahr 2027
-
Yahoo Finance, exklusives Interview: Starbucks-Fast-Pass-Szenario
- Link:
sg.finance.yahoo.com/news/starbucks-wants-to-trial-a-fast-pass-drive-through-with-ai-211128951.html -
Inhalt: Geplanter Ablauf mit App, kürzlich aufgegebenen Bestellungen und Bezahlung
-
Offizielle FAQ zu McDonald’s NEXT: Investitionen und Ertragsprognosen
- Link:
corporate.mcdonalds.com/corpmcd/our-stories/article/what-is-mcdonalds-next.html -
Inhalt: Zum Nachprüfen des Investitionsumfangs und der Grundlagen der Prognosen für das Gesamtprogramm
-
Mitschnitt des McDonald’s Investor Day 2026: Archy und Betriebsdaten
- Link:
stockanalysis.com/stocks/mcd/transcripts/746101-investor-day-2026 -
Inhalt: Angaben unter anderem zu Genauigkeit, Arbeitsstunden und Bestandsverwaltung
-
Restaurant Dive: Dynamische KI-Speisekarten bei Taco Bell
- Link:
restaurantdive.com/news/yum-brands-ai-menu-board-taco-bell-kfc-global-menu-innovation/818803 -
Inhalt: Bestätigt die Testinhalte und die Aussage, dass sich die Verkaufspreise nicht ändern
-
Restaurant Dive: Ausbau der Zusammenarbeit zwischen Taco Bell und Omilia
- Link:
restaurantdive.com/news/taco-bell-omilia-drive-thru-ai-deployment/824564 -
Inhalt: Angaben zur Zahl der Standorte mit Sprach-KI und zum Hintergrund der Partnerschaft
-
Restaurant Business: Burger King passt seine Sprach-KI-Strategie an
- Link:
nrn.com/quick-service/burger-king-rethinks-its-drive-thru-ai-strategy -
Inhalt: Informationen zum Umfang des Pilotprojekts, zur Ablehnung durch Kunden und zur Technomic-Umfrage
-
Associated Press: Patty, der Mitarbeiterassistent von Burger King
- Link:
apnews.com/article/b7d5a4120dc669fe338a4da3eedb0016 -
Inhalt: Hilft dabei, den Mitarbeiterassistenten von der Sprachbestellung für Kunden abzugrenzen
-
Intouch Insight: Drive-through-Studie 2026
- Link:
intouchinsight.com/press-releases/2026-drive-thru-study - Inhalt: Daten zu Stichprobengröße, Geschwindigkeit, Genauigkeit und Zufriedenheit
Autor: APIYI-Technikteam
Technischer Austausch: Kontaktieren Sie uns über die Startseite von APIYI. Weitere Informationen finden Sie im Dokumentationszentrum unter docs.apiyi.com.
