Dairy Queen está instalando el chatbot de Presto en “decenas” de sus drive-thrus en Estados Unidos y Canadá con el objetivo de acelerar el servicio y aumentar las ventas por cliente; Presto afirma que su sistema toma pedidos correctamente en alrededor del 90% de los casos (The Wall Street Journal, 17/04/2026).
¿Qué están poniendo exactamente y cómo funciona?
Presto provee una interfaz de voz/texto que escucha al cliente en el auto, registra la orden y sugiere complementos para upselling. Vemos que la tecnología ya trabajó con cadenas como Carl’s Jr., Hardee’s, Taco John’s y Fazoli’s, y ahora se expande a Dairy Queen (The Verge, 17/04/2026). La compañía comunica una precisión de ~90% en el reconocimiento y la toma de pedidos (The Wall Street Journal, 17/04/2026). No es la primera ola: en 2023 Bloomberg detectó que algunos despliegues eran asistidos por operadores humanos en países como Filipinas, lo que revela que el “todo automático” suele ser mixto (Bloomberg, 2023). Entre 2023 y 2026 pasamos de pilotos puntuales a rollouts más amplios; esa comparación temporal importa para medir riesgos operativos.
¿Qué promete y qué alerta genera para un negocio?
Lo prometido: velocidad en la fila y más ventas por cliente gracias a recomendaciones automáticas; The Wall Street Journal cita ese objetivo comercial (17/04/2026). En la práctica, las cadenas ya reportaron problemas de experiencia: Taco Bell replanteó despliegues tras quejas de clientes y trolls, y Burger King probó IA en menos de 100 restaurantes según la cobertura reciente (The Verge, 17/04/2026). Además, el hallazgo de Bloomberg sobre soporte humano (2023) muestra un costo oculto: moderación, entrenamiento y salarios externos. Para una pyme la pregunta clave es ROI: ¿cuánto ahorra en hora/humano y cuánto agrega al ticket promedio? Eso se comprueba con pilotos cortos y métricas claras de precisión, tiempo por orden y cambio en ticket medio.
¿Cómo impacta esto en el mercado argentino?
En Argentina y el resto de LATAM la tecnología no aterriza sola: hay que adaptar lenguaje, acentos, ofertas locales y métodos de pago. Vemos que el valor de automatizar drive-thrus depende más de la integración con canales de la región (por ejemplo atención por WhatsApp y pasarelas locales) que de la IA en sí. Además, el hecho de que algunos sistemas requieran intervención humana (Bloomberg, 2023) implica que la reducción de personal no es automática ni total. Para un dueño de local que atiende 200 pedidos por semana, una mejora de 10% en velocidad o 5% en ticket promedio se traduce en números reales; por eso aconsejamos pilotos con métricas antes/después y cajas de control para medir el impacto en ventas y tiempos operativos.
Qué pedimos: transparencia, auditoría y reglas claras
Exigimos que los despliegues vengan con datos públicos sobre precisión, tasa de fallos, fallback humano y costos asociados. Repetimos la exigencia de auditorías independientes sobre métricas y metodologías de IA que hemos planteado en notas previas: no alcanza con claims comerciales; se necesitan pruebas y acceso a logs de error para verificar tasas como ese 90% (The Wall Street Journal, 17/04/2026) y para confirmar si hay trabajadores en la cadena de soporte (Bloomberg, 2023). Para franquicias y reguladores en LATAM la recomendación práctica es: 1) exigir reportes de desempeño por piloto, 2) exigir fallback humano en horario pico, y 3) medir impacto comercial (ticket medio, tiempo por pedido) antes de escalar. Sin esas garantías, la IA se vuelve un juguete caro, no una palanca de negocio.
