맥도날드가 AI 드라이브스루를 접은 이유 — 음성 AI 도입의 함정
목차
맥도날드는 2021년부터 IBM과 함께 드라이브스루 음성 주문을 자동화하는 시범 서비스를 운영했지만, 목표 정확도에 못 미치고 주문 오류 영상이 번지면서 파일럿을 접었습니다. 잘 만든 데모가 현장에서 무너진 사례입니다.
한눈에 보기
| 항목 | 내용 |
|---|---|
| 기업/기관 | 맥도날드(미국) |
| 산업군 | 외식·프랜차이즈 |
| 도입 AI 기술 | IBM 음성 인식 기반 자동 주문(AOT) |
| 도입 시점 | 약 100여 개 매장, 2년 반 가량 운영 |
| 핵심 결과 | 목표 정확도 미달로 파일럿 종료, IBM과의 해당 파트너십 중단 |
배경 — 어떤 문제가 있었나
드라이브스루는 매출 비중이 크지만 피크 시간대 인력 부족과 응대 속도 저하가 만성적인 과제였습니다. 맥도날드는 음성 AI가 주문을 받으면 직원이 조리·포장에 집중하고 대기 줄이 줄어들 것으로 기대했습니다.
이 기대는 조용한 환경, 표준화된 발음, 제한된 질문 범위인 데모에서는 설득력이 있었습니다. 문제는 실제 드라이브스루가 데모와 전혀 다른 환경이라는 점이었습니다.
어떻게 도입했나
Nation's Restaurant News 보도에 따르면 맥도날드는 IBM과 자동 주문(AOT) 기술을 개발해 미국 내 약 100개 매장에서 2년 반 가까이 시범 운영했고, 목표는 95% 이상의 주문 정확도였습니다. 실제 주문 데이터로 모델을 계속 학습시켰지만, 전국 확대 전 목표치 도달 여부를 판단하는 단계에서 발이 걸렸습니다.
성과 & 결과
- 정확도: 80%대 초반 (restaurantonline.co.uk 보도가 인용한 업계 분석 보고서 기준, 2022년) — 목표였던 95% 이상에는 미달했습니다.
의미: 80%대 정확도는 열 건 중 한두 건 이상이 틀린다는 뜻입니다. 사람이 매번 개입해 고쳐야 한다면 자동화로 아낀 인건비보다 재작업 비용이 더 커질 수 있습니다.
바이럴 영상도 신뢰를 깎았습니다. Fast Company 보도에 따르면 캐러멜 아이스크림 주문에 시스템이 계속 버터를 추가하는 영상이 SNS에서 수만 회 재생됐고, 베이컨이 올라간 아이스크림이나 수백 달러어치 치킨너겟이 추가된 주문 영상도 함께 돌았습니다. 실제 오류 빈도보다 체감 신뢰도를 더 크게 떨어뜨린 사례였습니다.
맥도날드는 가맹점에 시범 종료를 통보했고, Seeking Alpha 보도대로 IBM과의 해당 파트너십은 끝났지만 음성 주문 자체를 포기한 것은 아니라고 밝혔습니다.
핵심 요인 — 왜 데모와 현장이 달랐나
- 현장 소음과 억양: 엔진 소리와 스피커 음질이 겹치는 환경에서는 억양·발화 속도가 표준과 다를 때 인식 오류가 급격히 늘어납니다.
- 긴 꼬리(long tail) 주문: "소스 빼고" 같은 변형 요청은 학습 데이터가 부족해 흔한 주문일수록 정확하고 드문 조합일수록 틀립니다.
- 오류의 비대칭적 비용: 챗봇 오류는 다시 입력하면 그치지만, 드라이브스루에서는 잘못된 음식이 실제로 전달되고 그 장면이 영상으로 퍼질 위험도 큽니다.
분석: 평균 정확도는 괜찮아 보여도 특정 상황(소음이 큰 시간대, 특정 억양권 매장)에서 크게 떨어지면 그 매장에서는 신뢰가 무너집니다.
한계 & 과제
같은 시기 다른 체인의 결과는 엇갈립니다. restaurantonline.co.uk 보도에 따르면 영국 포파이즈는 2024년 초기 파일럿에서 97% 정확도를 보고하며 매장을 넓혀 나갔습니다. 반면 restaurantdive.com 보도에 따르면 웬디스 FreshAI는 2024년 기준 무개입 처리율이 80%대 중반으로, 맥도날드가 미달로 판단한 수준과 비슷했습니다. 메뉴 복잡도·평가 기준이 다르면 같은 기술에서도 결과가 크게 갈립니다.
우리 조직에 적용한다면
- 대기업·프랜차이즈 본사: 전국 전개 전 목표 정확도와 측정 기준을 먼저 확정하고, 매장별·시간대별로 나눠 테스트해야 평균에 숨은 약점을 찾을 수 있습니다.
- 중소 매장: 벤더가 제시하는 정확도가 어떤 조건에서 나온 것인지 확인하고, 가장 바쁜 시간대·어려운 발음 환경에서 직접 시험해야 안전합니다.
- AI 도입을 검토하는 모든 조직: 오류가 고객에게 그대로 전달되는 접점일수록 사람이 즉시 개입할 탈출 경로를 파일럿 설계 단계부터 넣어야 합니다.
참고 링크
목차
관련 글

AI 해고 후 재채용 기업들의 공통 패턴
AI로 인력을 줄였다가 몇 달 뒤 같은 자리에 사람을 다시 채우는 기업이 반복된다. Klarna·IBM·포드·커먼웰스은행 사례로 업무 재설계 없이 인원만 줄인 뒤 되돌리는 구조의 공통점과 숨은 재채용 비용을 짚어본다.
에어캐나다 AI 챗봇 오안내 사건 — 책임은 누가 지나
2024년 에어캐나다는 자사 챗봇이 안내한 사별 운임 정보가 틀렸다며 책임을 거부했지만, 캐나다 심판소는 챗봇도 웹사이트의 일부라며 기업 책임을 인정했다. AI를 고객 응대에 투입하기 전 기업이 점검해야 할 지점을 짚어본다.

AI 생산성 역설 — 작업은 빠른데 왜 숫자는 그대로인가
AI로 특정 업무가 눈에 띄게 빨라졌다는 증언은 넘치는데, 왜 기업·경제 전체의 생산성 통계에는 그 효과가 보이지 않을까요. 솔로우의 생산성 역설부터 이어지는 이 간극이 반복되는 이유를 최근 CEO·연구 데이터로 짚어봅니다.

콜센터 AI 도입, 왜 롤백으로 끝나는가 — 실패 패턴과 피하는 법
콜센터 AI 챗봇을 도입한 기업의 74%가 결국 롤백한다는 최근 조사를 바탕으로, 에스컬레이션 설계 없이 실패한 Klarna 사례와 기준을 미리 정해 성공한 Carmoola 사례를 비교해 반복되는 원인 세 가지를 정리합니다.