Agentvask: Hvorfor nogle restaurationsoperatører er skeptiske over for overhypet AI

For dem i restaurationsbranchen ser AI‑udrulninger ud til at have mødt en bumpet vej.

Om foråret slukkede Starbucks et computer‑vision‑system til optælling af lager, før det var et år gammelt. Samme måned sagsøgte Pizza Huts største franchise‑tagere kæden for 100 millioner dollars og påstod, at en obligatorisk AI‑platform gik i stykker på mere end 110 restauranter. At læse disse overskrifter kan føre til en simpel konklusion: AI er ikke klar til denne branche.

Det hjælper ikke, at den anden AI, en operatør møder, for det meste er hype. På årets National Restaurant Association Show var salen fyldt med AI‑påstande, herunder en leverandør, der solgte en hætte‑affedtningstjeneste, som på en eller anden måde kørte på kunstig intelligens. Khara Mangiduyos, som ejer Kalei’s Kitchenette i San Diego, købte den ikke. “Hvem skal skrabe den olie?” spurgte hun en Restaurant Business-reporter. “Ikke en bot. Ikke AI.”

Både leverandørens taktik og fejlhovedoverskrifterne skaber en rimelig dobbeltlagdelt mistillid til selve teknologien. Men hvis du graver dybere, ser den AI‑succes, der i øjeblikket skalerer branchen, slet ikke ud som hverken de store navnes flops eller de AI‑vasket produkter.

At gøre fejl er en del af forsendelsen. At købe det forkerte er det ikke

De systemer, der fejler mest synligt, er typisk de ambitiøse, rettet mod de sværeste og mindst forudsigelige opgaver. Ofte betyder opbygning af ny teknologi, at man lancerer den, ser den snuble og derefter retter den.

Taco Bell er et nyere eksempel. Kæden udvidede et AI‑stemmebestillingssystem til mere end 890 drive‑thrus, cirka to år efter at en tidligere version gik viralt for at tage en bestilling på 18.000 glas vand. Men disse mislykkede udrulninger kan medføre en høj pris, som primært store virksomheder har råd til at dække. Det er en risiko, som ikke alle kan absorbere.

Af og til er forskellen mellem påstand og virkelighed ikke et snubletrin, men en fabrikation. I januar 2025 anklagede SEC drive‑thru‑stemmeselskabet Presto Automation for udsagn om, at deres system havde “elimineret behovet for menneskelig ordreoptagelse.” I virkeligheden fandt regulatorerne, at virksomheden benyttede arbejdere på Filippinerne og i Indien til at fuldføre de fleste ordrer.

Presto er et ekstremt eksempel på den samme impuls bag det voksende problem, der kaldes agentvask. I dette tilfælde var “AI’en” delvist mennesker. Agentvask betyder specifikt at markedsføre noget som en autonom AI‑agent, når det ikke er tilfældet.

Bedraget handler om AI‑kapacitetens niveau. Det er den situation, Gartner advarer købere om at navigere i, i et marked hvor ordet “agent” sælges som det bedste nye AI‑værktøj. Man kan argumentere for, at det også kommer med en højere pris.

“SCP‑ledere bør forberede sig på en agentbaseret AI‑fremtid, men de skal adskille meningsfuld kapacitet fra markedstøj,” sagde Jan Snoeckx, senior director analyst i Gartners supply‑chain‑praksis. “Prioriteten i dag er ikke fuld autonomi, men at opbygge operationel disciplin, arkitektonisk fleksibilitet og beslutningsrammer, der gør det muligt for agentbaseret AI at skalere, efterhånden som teknologien modnes.”

Problemet er ikke, at ambitiøs AI nogle gange fejler; det er, at fejlene former offentlighedens opfattelse af hele kategorien, inklusive de beskedne værktøjer, som aldrig forsøgte at løse den svære opgave fra starten.

Dette er, hvor agentvask glider over i det, der ofte kaldes “jumping the shark”, punktet hvor en trend presser et gimmick så langt, at publikum holder op med at købe ind. Når nok leverandører sætter “AI” på nok produkter, oppuster labelen sig, indtil den ender på noget absurd, som en affedtningsmiddel.

Gartner råder købere til ikke at tage en leverandørs ord for, at et værktøj er autonomt. Meget af det, der sælges som en agent, kan faktisk ikke fungere selvstændigt. Det følger et manuskript og kalder det intelligens.

I stedet bør man bruge simpel automatisering til gentagne opgaver, gemme agenterne til højvolumen‑jobs, hvor en fejl er billig, og ikke give fuld autonomi til komplekse problemer endnu.

Den AI, der ofte fungerer, er ikke så glamourøs

Værktøjerne, der stille leverer for restauranter, er dem, der er rettet mod en enkelt, afgrænset opgave.

Mariano Jurich, senior produktleder hos Making Sense, som rådgiver mellemstore og private‑equity‑støttede virksomheder om, hvilken AI de faktisk skal købe, siger, at problemet starter med selve ordet i en branche, der aldrig har været enige om, hvad en “agent” er.

“Hvis du kan beskrive, hvad værktøjet gør i en hvis‑så‑så‑gør‑sætning, er det sandsynligvis ikke agentbaseret 100 procent,” siger han. Det er ikke en kritik af de enklere værktøjer. For det meste af, hvad nogle teams har brug for, tilføjer han, “agentbaseret er sandsynligvis overdrevet”. Hvis opgaven er gentagende og regelbaseret, håndterer automatisering den uden omkostningerne eller risikoen ved at slippe en maskine løs til at træffe beslutninger selv.

Risikoen opstår, når man introducerer en agentbaseret model til at håndtere kundehenvendelser eller finansielle beslutninger uden tilstrækkelig menneskelig kontrol, når det er kritisk. Den vil ofte improvisere, hvilket er det sidste, man ønsker i nærheden af en kunde eller en regning.

Den stockholmske kaffebar, der lod en AI styre back‑office, er et godt billede på, hvordan det kan se ud som en eksperiment. Om foråret gav forskningslaboratoriet Andon Labs en Gemini‑drevet agent ved navn Mona kontrol over alt undtagen espressomaskinen, bestillinger, tilladelser, ansættelser, leverandørkontrakter, og lod den træffe egne beslutninger. Den købte 3.000 gummihandsker og 6.000 servietter til en lille café, lagrede dåsetomater som ingen på menuen bruger, og sendte beskeder til baristaer på Slack efter arbejdstid. Laboratoriet tilskrev fejlene agentens korte hukommelse.

James Tice arbejdede på restaurantgulve, før han gik over til tech, og nu, som head of growth hos Tab Commerce, en finansplatform brugt af nogle af de største navne i restaurationsbranchen, bruger han sin tid på at kontakte operatører for at forstå, hvad der fungerer, og hvad der ikke gør, indtil videre.

“‘Hold et menneske i løkken’ er blevet sagt så ofte i forhold til AI, i så mange brancher, at det begynder at lyde som fyldord,” siger Tice, som mener, at mange tech‑virksomheder har svært ved at forstå, hvordan operatører arbejder.

Den AI, der løfter den barriere, siger han, er den slags, ingen skriver om: afstemning af en faktura, opdagelse af en leverandør‑overpris, hurtigere lukning af regnskaberne. “Operatører bekymrer sig specifikt om økonomi. De har brug for, at den kedelige rutine forsvinder, så de kan komme tilbage på gulvet.”

Han tilføjer, at effektiviteten ikke er målet; det er, hvad effektiviteten køber. “Det handler om at øge den menneskelige tid,” siger Tice. “Det handler ikke om at fjerne gæsterne eller fjerne oplevelsen. Det handler om at overbetone oplevelsen.”

Derfor mener han, at Silicon Valley ofte måler teknologien forkert. “Der findes ingen tidsbesparelser i en restaurant. Der er kun tidsallokering.”

Et værktøj, der giver en operatør tredive minutter tilbage, har kun udført halvdelen af arbejdet, hvis det ikke kan besvare det næste spørgsmål: “Hvad tager vi reelt tid fra, og hvor investerer vi reelt tid?” Et godt værktøj, tilføjer han, “skal fjerne $1 tid og give $10 tid tilbage. Men det skal også finde $10 tid, ligesom det skal finde $1 tid.”

For Tice peger al den genvundne tid på et specifikt sted, og det er den ene ting, han er fast besluttet på, at ingen software bør røre ved. Hvad en gæst køber, var aldrig virkelig maden. “Du bruger 50 dollars på en tallerken mad, du køber ikke $50 mad, du køber $50 oplevelse,” siger han.

Han argumenterer for, at et rum, hvor en anden person betjener dig, kun bliver mere værdifuldt, “vigtigheden af restauranten forbliver den samme.” Værktøjerne, der forsøger at fjerne personen fra dette, har efter hans mening misforstået hele forretningen. “Når AI prøver at tage noget fra det, siger den, at den ikke forstår vores branche.”

Hverken Jurich eller Tice argumenterer imod AI, men forsøger blot at forstå, hvilken AI der hører hvor.

“AI er blot et andet værktøj, du har i din værktøjskasse til at løse et problem,” siger Jurich. “Og derfor skal det behandles som sådan.”