Tu cámara de drive-thru lee matrículas. Tu loop timer no.

La industria QSR lleva 30 años midiendo el drive-thru con dos sensores inductivos bajo el pavimento: uno en el menú, otro en la ventana. Lo que pasa entre ambos es invisible. Y se puede manipular: empleados agitando bandejas metálicas sobre el sensor para disparar lecturas rápidas, o arrastrando coches fuera del loop para detener el cronómetro mientras el cliente sigue esperando en el parking [1].

(según Berry AI, que cita ejemplos reales del campo)

La precisión de orden en drive-thru cayó a 87% en 2025, dos puntos debajo de 2024, en un estudio de 13 marcas y 165 mystery shops [2][3]. Cada 7 segundos que recorta el speed of service equivale a ~1% más de revenue por tienda [1][4]. Y el voice AI — que parecía la solución — está topándose con el mismo techo: McDonald’s terminó su piloto con IBM en junio de 2024 reportando solo 85% de accuracy en captura de ordenes [5][6].

Aquí es donde la computer vision hace lo que el POS y el voice AI no pueden: verificar físicamente la orden antes de pasarla por la ventana. SAVI lo define así: “True computer vision does not require a point-of-sale trigger or a transaction record to fire. It reads the physical environment directly” [7]. Una cámara overhead en makeline detecta el bag con la ensalada equivocada antes de que el cliente lo descubra en el primer bocado [8][9].

Y va más allá del drive-thru. En un caso publicado, una marca QSR líder redujo el tiempo promedio de servicio de 5.39 a 3.77 minutos y subió throughput 30% usando analytics visuales de cola en sus cámaras existentes [10]. En otro, un operador de 88 Jack in the Box bajó los voids 85% [12]. Y un paper peer-reviewed de 2025 demostró que un modelo YOLO corriendo en Jetson Nano alcanza 96.85% de accuracy en detección, haciéndolo técnicamente viable en sitio [13].

( la detección de PPE en cocina — guantes, cubrebocas, redecillas — también está validada peer-reviewed: el modelo YOLOv10n logró mAP@50 de 85.7% sobre un dataset de 31,000 imágenes de cocinas comerciales [14] )

Lo que la CV sí puede hacer en un restaurante, hoy, con cámaras que probablemente ya tienes:

  • Verificar la orden en el handoff (assembly/handoff verification), no solo en la captura
  • Medir colas y walk-aways en tiempo real, no en el reporte del día siguiente (hasta 86% de comensales abandona si la espera supera 5 minutos en counter [18])
  • Detectar guantes/cubrebocas faltantes en cocina con alertas automatizadas
  • Cruzar video con POS para descubrir refunds inflados (DTiQ documentó un caso de $48K salvados en un Popeyes por un pico de 600% en cash refunds que el POS no había flaggeado) [15]
  • Cumplir LFPDPPP sin fricción: cualquier rostro identificable es dato personal, y la retención debe ser 15-90 días salvo investigación específica [16][17]

Lo que no puede hacer sola: decirte el por qué de un patrón. La cámara ve el walk-away. No sabe si fue por menú, precio, o mal servicio. Para eso necesitas cruzar video con ticket times, con surveys, con staffing data.

En cada despliegue de QSR que reviso en tv4agent, lo que separa un sistema de cámaras “decorativo” de uno operativo es una sola métrica: minutos de búsqueda por incidente. Pasar de 30 minutos a 30 segundos es lo que vuelve útil el stack. La computer vision no es magia — es el camino más corto entre una imagen y una decisión.

P.D. ¿Cuántas cámaras de tu restaurante están grabando footage que nadie revisa? Si la respuesta es “la mayoría”, probablemente ya tienes el hardware. Te falta la capa que lo lee.

📰 Fuentes: QSR Magazine 2025 Drive-Thru Report + Intouch Insight 2025 Drive-Thru Study + Berry AI + Tenyks + Solink + DTiQ + SAVI + Presto + Softarex + AgrexAI + KwickOS + PMC peer-reviewed (YOLO hygiene) + MDPI peer-reviewed (Jetson edge AI) + MercadoSeguridad.mx + azseg.mx. Accedidas 2026-08-31. Ledger: /root/.hermes/profiles/jedi/cache/citations/ledger.json.

Fuentes

[1] SAVI — QSR Computer Vision: The Operator’s Guide — https://getsavi.com/blog/computer-vision-qsr-restaurant-guide [2] Presto — How computer vision is revolutionizing the drive-thru — https://presto.com/how-computer-vision-is-revolutionalizing-the-drive-thru/ [3] Berry AI — Why Loop Timers Are Failing Your Drive-Thru — https://berry-ai.com/blog/loop-timers-vs-computer-vision-drive-thru [4] Intouch Insight — 2025 Drive-Thru Study (Key Insights) — https://www.intouchinsight.com/blog/drive-thru-trends [5] QSR Magazine — The 2025 QSR Drive-Thru Report — https://www.qsrmagazine.com/story/the-2025-qsr-drive-thru-report/ [6] QSR Magazine — McDonald’s Stops Testing AI Voice Ordering at Drive-Thru — https://www.qsrmagazine.com/food/burgers/mcdonalds-stops-testing-ai-voice-ordering-at-drive-thru/ [7] The Spoon — IBM Partners With McDonald’s, Acquires McD Tech Labs — https://thespoon.tech/ibm-partners-with-mcdonalds-acquires-mcd-tech-labs-to-automate-drive-thru-orders [8] Softarex — Drive-Thru Computer Vision Order Accuracy — https://softarex.com/insights/article/drive-thru-computer-vision-order-accuracy/ [9] CNBC — Agot AI uses computer vision to get fast-food orders right (Sept 2021) — https://www.cnbc.com/2021/09/16/this-start-up-uses-computer-vision-to-get-your-fast-food-order-made-accurately-.html [10] Tenyks — Cutting Guest Wait Times by 38%: Leading QSR Brand case study — https://www.tenyks.ai/case-study/qsr [11] KwickOS — Computer Vision in Restaurants: Camera AI for Wait Times, Occupancy & Analytics — https://kwickos.com/blog/computer-vision-restaurant-analytics.html [12] AgrexAI (AIVIS) — QSR Video Analytics Case Study — https://www.agrexai.com/qsr-video-analytics-case-study/ [13] Alashrafi et al. — Benchmarking Lightweight YOLO for Real-Time Hygiene Compliance (Sensors 2025) — https://pmc.ncbi.nlm.nih.gov/articles/PMC12526732 [14] DTiQ — High Noon (Popeyes) saved $48K with SmartAudit case study — https://www.dtiq.com/case-studies/case-study-high-noon-popeyes [15] Solink — 88-site Jack in the Box operator increased sales by 3% — https://solink.com/resources/jack-in-the-box-and-solink-testimonial/ [16] Diaz-Santos et al. — Real-Time Passenger Flow with YOLO + Edge AI on Jetson Nano (MDPI Computers 2025) — https://www.mdpi.com/2073-431X/14/11/476 [17] MercadoSeguridad.mx — Cámaras de Seguridad y la Ley LFPDPPP: Guía para Negocios — https://www.mercadoseguridad.mx/blog/camaras-seguridad-privacidad-lfpdppp [18] azseg.mx — Videovigilancia en negocios y la LFPDPPP — https://azseg.mx/videovigilancia-negocios-lfpdppp-mexico/