当说到人工智能和个性化带来的变革时,你首先想到的是——汉堡包。这种情况可能很快就会发生改变了,特别是眼下快餐行业的技术发展越来越强调信息、机器人和数据,以及为客户提供更加个性化的就餐体验。
举个典型的例子:麦当劳最近以3亿美元的价格收购了Dynamic Yield公司,希望通过这家人工智能公司创造更个性化的用餐体验,特别针对“得来速”客户。具体怎么做?Dynamic Yield的技术可以根据时间、天气和地域趋势推荐食物。你会在窗口处看到各种丰富的选择,下单购买你的标准套餐。麦当劳可能比你自己更了解你想要什么。
你也许觉得现在人工智能和快餐并没有真正融合在一起,但我还是想争论一下。想想看,你开车进入得来速通道,购买你经常吃的四分之一磅奶酪汉堡,一切如常对吧?但是,如果计算机告诉你其他人这一餐新增了哪些食物,例如亚马逊上经常拼单购买的东西,你会怎么想?你可能愿意参考其他人的建议尝试一下新选择。你很高兴尝试了新的东西,麦当劳很高兴你花了额外的钱。看,人工智能和快餐是相互作用的。
但是麦当劳并非唯一一家投资人工智能、个性化和其他新技术的快餐企业。达美乐和肯德基等公司一直在尝试使用无人机送餐。在新西兰,达美乐甚至使用自动驾驶汽车来送披萨。当然,还有无数像Panera、星巴克这样的公司在尝试使用自助售货机和手机下单来避免顾客排长队,让员工专注于更快地完成订单。事实上,说到快餐业的技术趋势时,可以快速下单的自助售货机可能是我最喜欢的一种方式。使用这种系统我可以查看菜单、点击选择、拿到我想要的食物,不需要排队等候,不会出现收银员误解我个人请求的情况。即使像Stacked这样的坐下来就餐的餐厅,也允许客户通过iPad下单,这些技术进步真的让人感觉很棒。
那么,快餐行业出现的各种新技术是一种短暂的时尚,还是持久的增值方式?老实说,这一点还有待观察。显然,有些技术只是为了好玩。例如,必胜客打造了Pie Tops运动鞋,让顾客直接用他们的……鞋子就能订购披萨。显然这个例子就不是为了提升价值。同样地,Lyft和Taco Bell展开合作,让顾客在搭乘Lyft期间顺路去Taco Bell购买墨西哥卷饼。这些有趣的新闻吸引了人们的眼球,当然对于有些公司来说,这就是他们的目标。
然而,对于那些寻求提升价值的公司来说,利用技术来改善客户体验是有很大潜力和空间的。技术会改变这个行业吗?嗯,可能不会很快。在接下来的几年里,我们可能会看到很多餐厅都希望在人与自助服务机之间、个性化与开放之间、推送通知与信息骚扰之间找到一个适当的平衡点。毕竟这是快餐业,并不是所有人都想和炸薯条的工作人员交流一下,我们只是在想吃薯条的时候知道薯条很快就能炸好。毕竟,这种试水是让快餐这样的行业实现数字化转型的一个组成部分。
可以肯定的是,快餐业将致力于利用他们现有的大量数据,并且继续通过全渠道活动收集数据以追踪用户跨数字、社交和零售的体验。麦当劳是通过收购来实现这个目标的,但我相信,建立合作伙伴关系这种方式也会在快餐业中不断增加。有不少企业在Azure中构建数据湖,AWS让这些企业可以把他们的ERP与营销自动化平台进行集成,更有效地吸引消费者并掌握业务趋势。我预计快餐业内的合作还将涉及高级分析工具,例如Oracle、SAP和SAS等,以利用数据获取洞察力,根据可从人工智能训练和推理中受益的大型数据集,提供个性化的商品。
从快餐业的短期技术趋势来看,特别是以提升价值为目的的,我认为技术可以实现以下几个方面:
自助售货机越来越多,员工越来越少:到目前为止,自助售货机这种方式是相当成功的,预计未来我们会看到有越来越多的快餐店会减少收银员,转而采用这种自动下单系统。
最终,数据将推动数字化转型,并利用人工智能从数据中获取更多价值。快餐行业的这些技术趋势让快餐店能够更好地了解他们的顾客,为他们提供简单快捷的体验。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
Feedzai团队首次系统评估了AI模型理解散点图的能力,创建了包含18,000张图表的大规模数据集。测试十个先进AI模型发现,在简单计数任务中部分模型准确率超90%,但精确定位任务表现不佳,准确率多在50%以下。研究还发现图表设计对AI性能有轻微影响,为AI辅助数据分析提供了重要参考。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
KAIST研究团队开发出MG-Select系统,首次让视觉语言机器人具备"货比三家"的决策能力。该系统通过生成多个行动候选方案并利用内部评估机制选择最优解,无需额外外部验证系统。在真实世界测试中,机器人精确操作成功率提升28%-35%,某些任务改进达168%,为机器人在医疗、制造等高精度应用领域的发展奠定重要基础。