Drive-Thru AI: Starbucks가 바리스타 주문 정확도와 고객별 맞춤 메뉴에 AI를 넣는 2027년 계획
Starbucks CEO Brian Niccol은 4분기 실적 콜에서 드라이브스루 바리스타의 주문 처리를 돕는 AI를 시험한다고 밝혔습니다. 도착한 고객을 알아보는 맞춤 메뉴와 앱 AI 검색도 추진합니다. 시험 일정은 내놓지 않았습니다. 따라 할 때 필요한 주문 데이터, 지표, 8주 시범안을 붙였습니다.
Starbucks는 2027년 계획에서 AI를 세 곳에 넣습니다. 드라이브스루에서 바리스타가 주문을 정확하고 빠르게 처리하도록 돕는 AI, 도착한 고객을 알아보고 맞춤 메뉴와 쉬운 결제를 띄우는 경험, 앱의 검색과 발견입니다. 회사가 노리는 결과는 처리량(throughput)과 매출입니다. 따라 하려면 시험 전에 매장별 주문 정정 건수와 차량당 처리 시간의 기준선부터 잡아야 합니다.
요약
CX Dive의 Bryan Wassel 기자는 2026년 10월 29일 열린 Starbucks 4분기 실적 콜을 바탕으로 회사의 2027년 개인화 계획을 정리했습니다. 기사에서 발언이 인용된 사람은 Brian Niccol CEO 한 명입니다. 4분기 전 세계 기존점 매출(comparable store sales, 일정 기간 이상 영업한 매장의 매출)은 전년보다 7.2% 늘었고 미국은 7.7% 늘었습니다. 미국은 거래 수와 객단가가 함께 올랐습니다. 최근 90일 안에 이용한 Starbucks Rewards 회원은 3,600만 명으로 전년과 전 분기보다 많았습니다. 평균 서비스 시간은 목표 안에 들었고 4분기 말까지 1,700곳 넘는 매장에서 매장 개선(store uplift)을 마쳤습니다. Back to Starbucks 계획이 2년 차에 접어든 지금 Niccol은 회사가 “back on its front foot”(다시 공세로 돌아섰다)이라고 표현했습니다.
다음 단계는 개인화입니다. 1월에 Green, Gold, Reserve 세 회원 등급을 들였고 등급 이동은 주로 구매 빈도로 정해집니다. Gold와 Reserve 회원은 더 자주 삽니다. 회사는 로열티 개인화를 더 넓혀 방문 빈도와 객단가를 올리려 합니다. 앱 메뉴는 고객 선호에 맞춘 콘텐츠와 추천으로 바뀝니다. 2027년 2분기에는 배달을 앱 안으로 들여 배달 주문에도 포인트를 쌓고 쓰게 합니다. AI는 세 곳에 들어갑니다. 드라이브스루에서 바리스타의 주문 처리를 돕는 AI를 시험합니다. 도착한 고객을 알아보는 드라이브스루 경험을 탐색하고 앱 검색과 발견도 AI로 강화합니다. Niccol은 드라이브스루 계획의 세부를 지금 밝히기는 이르다고 했습니다. 목표는 고객 경험과 파트너(직원) 경험을 함께 높여 처리량을 늘리고 매출과 이익을 키우는 것이라고 설명했습니다. 아래에서는 세 AI의 작동 방식을 풀고 같은 방식을 매장 운영에 옮길 때 필요한 데이터, 지표, 일정을 덧붙였습니다.
핵심 메커니즘
Drive-Thru Order Assist: 바리스타가 주문을 정확하게 받도록 돕는 AI
기사가 설명한 드라이브스루 AI는 바리스타를 돕는 도구입니다. 바리스타가 주문을 더 정확하고 효율적으로 처리하게 하는 것이 목적입니다. 기사에 나온 목표는 정확도와 효율 두 가지입니다. Niccol은 그 결과를 처리량 증가로 연결했습니다. 시험 매장 수, 시작 시점, 어떤 기술을 쓰는지는 밝히지 않았습니다. 따라 할 때는 주문을 잘못 받아 다시 만드는 일이 잦은 매장, 차가 줄을 서서 처리량이 매출을 막는 매장부터 고르는 편이 맞습니다. 주문이 적고 메뉴 변경이 드문 매장은 효과를 재기 어렵습니다.
Arrival Recognition: 도착한 고객을 알아보고 메뉴와 결제를 바꾸는 경험
두 번째는 아직 탐색 단계입니다. 고객이 드라이브스루에 도착하면 누구인지 알아보고 그 고객에게 맞춘 디지털 메뉴와 더 쉬운 결제 방법을 내놓는 경험입니다. 기사는 인식 방식을 설명하지 않았습니다. 실제로 돌리려면 앱의 선호 정보와 주문 이력이 드라이브스루 화면과 이어져 있어야 합니다. 위치 체크인처럼 고객이 앱에서 직접 동의한 회원부터 시작하는 편이 안전합니다. 동의하지 않은 고객에게는 지금의 기본 메뉴를 그대로 보여 주면 됩니다.
Loyalty Personalization Loop: 등급, 추천, AI 검색으로 빈도와 객단가를 올리는 앱
세 번째는 앱입니다. 회원 등급은 구매 빈도로 움직이고 상위 등급 회원은 더 자주 삽니다. 회사는 이 구조 위에 선호 기반 콘텐츠와 추천을 얹고 AI로 앱 검색과 발견을 강화하려 합니다. 2027년 2분기 배달 통합까지 끝나면 배달 주문도 회원 포인트 안으로 들어옵니다. 배달 주문까지 회원 기록에 남으면 추천과 검색에 쓸 데이터가 늘어납니다. 목표 지표는 방문 빈도와 객단가입니다. 회원 등급이 없거나 앱 주문 비중이 작은 회사라면 검색보다 회원 식별부터 갖추는 것이 순서입니다.
통념과 다른 주장
흔히 이렇게 봅니다드라이브스루 AI는 주문 받는 직원을 대신하는 자동 응대이며 성과는 인건비로 잰다.
Starbucks는 이렇게 봅니다AI를 바리스타가 주문을 더 정확하고 효율적으로 처리하게 돕는 도구로 설명하며 목표를 처리량과 매출에 둔다.
근거Niccol은 드라이브스루 AI의 목표를 고객 경험과 파트너 경험을 함께 높이는 것으로 설명했습니다. 그 결과로 처리량 증가와 매출·이익 성장을 들었습니다.
기사에 나온 사례
| 사례 | 상황 | 한 일 | 결과·목표 | 연결 |
|---|---|---|---|---|
| 회원 등급 | 회원마다 구매 빈도가 다름 | 1월 Green·Gold·Reserve 등급 도입, 빈도로 이동 | Gold·Reserve 회원이 더 자주 구매 | Loyalty Personalization Loop |
| 드라이브스루 주문 보조 | 주문 정확도와 효율이 처리량을 좌우 | 바리스타를 돕는 AI 시험 계획 | 정확도·효율 향상 목표(일정 미공개) | Drive-Thru Order Assist |
| 도착 인식 | 드라이브스루 경험 개선 | 도착 고객 인식 경험 탐색 | 맞춤 디지털 메뉴, 쉬운 결제 목표 | Arrival Recognition |
| 앱 검색·배달 | 앱으로 주문·맞춤을 더 쉽게 | AI 검색 강화, 2027년 2분기 배달 통합 | 배달 주문도 포인트 적립·사용 | Loyalty Personalization Loop |
기술 디테일: 세 가지를 직접 만든다면
아래 데이터, 모델, 필드, 설정값은 실행 제안이며 Starbucks가 밝힌 구현이 아닙니다.
Drive-Thru Order Assist를 돌리려면 먼저 메뉴 카탈로그를 기계가 읽는 형태로 만듭니다. 품목마다 고유 ID, 사이즈, 고를 수 있는 옵션과 그 조합 제약, 매장별 품절 상태를 둡니다. 창구 음성은 음성 인식(STT)으로 글자로 바꿉니다. LLM은 그 글자를 카탈로그에 묶인 구조화 출력(JSON schema)으로만 돌려줍니다. 카탈로그에 없는 품목이나 옵션은 만들 수 없게 막습니다. temperature는 0으로 두고 줄마다 신뢰도를 붙여 0.8 미만인 줄은 바리스타 화면에 색으로 표시합니다. 바리스타가 그 줄만 다시 확인하면 됩니다. 결제 전 최종 확정은 늘 사람이 합니다. 확정 뒤 바리스타가 고친 줄을 정답으로 저장하면 매장별 오인식 유형이 쌓입니다. 이 기록이 다음 달 카탈로그 동의어 사전과 평가 세트를 고칠 근거가 됩니다.
주문 한 줄의 출력은 아래처럼 남기면 정정 여부를 바로 집계할 수 있습니다.
{
"store_id": "DT-0412",
"lane_event_id": "2027-03-14T12:07:31-L1",
"line_no": 2,
"item_id": "ICED-LATTE",
"size": "grande",
"modifiers": ["oat_milk", "extra_shot"],
"confidence": 0.74,
"flagged_for_review": true,
"barista_action": "edited",
"final_modifiers": ["oat_milk"],
"stt_model": "stt-v3",
"parser_version": "order-parse-v1.2"
}Arrival Recognition을 돌리려면 인식 수단부터 동의 범위 안에서 고릅니다. 가장 단순한 방식은 앱 회원이 위치 체크인을 켜 두면 매장 반경에 들어올 때 도착 이벤트를 보내는 것입니다. 도착 이벤트가 오면 서버는 그 회원의 최근 주문 3건, 즐겨 찾는 옵션, 등급 혜택을 묶어 메뉴 화면용 카드로 내려 보냅니다. 결제는 앱에 저장된 결제 수단으로 한 번만 확인하게 합니다. 이벤트에는 동의 시각과 동의 범위를 함께 기록하고 동의 기록이 없는 고객에게는 맞춤 화면을 띄우지 않습니다. 같은 차에 여러 회원이 타는 경우를 대비해 화면은 한 명을 단정하지 않고 ‘이 주문이 맞나요’처럼 확인을 받는 문구로 둡니다.
앱 AI 검색을 돌리려면 키워드 검색과 의미 검색을 섞습니다. ‘덜 단 차가운 음료’ 같은 자연어 질의는 LLM이 카탈로그 속성 필터(온도, 당도 옵션, 카페인 여부)로 바꿉니다. 검색 엔진은 그 필터와 메뉴 설명 임베딩으로 후보를 찾습니다. 순위에는 회원의 주문 이력과 등급을 가중치로 넣습니다. 평가는 매주 실제 질의 200개를 뽑아 사람이 0점(엉뚱함), 3점(관련 있으나 순위가 낮음), 5점(첫 화면에 맞는 메뉴)으로 채점합니다. 여기에 검색 결과 0건 비율과 검색 후 주문 전환율을 함께 봅니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 창구 소음, 여러 사람이 동시에 말함 | 옵션이 빠지거나 중복 | 신뢰도 낮은 줄만 표시, 바리스타 복창 유지 |
| 지역 말투·메뉴 별칭 | 품목을 엉뚱하게 매칭 | 바리스타 정정 기록으로 동의어 사전 월 1회 갱신 |
| 품절 정보 지연 | 없는 메뉴를 받음 | POS 품절 상태를 1분 단위로 카탈로그에 반영 |
| 동의 없는 고객 인식 | 개인정보 민원 | 앱 동의 회원만, 동의 기록 없으면 기본 메뉴 |
| 추천이 늘 같은 메뉴 | 새 메뉴 발견이 안 됨 | 추천 칸 일부를 신메뉴·계절 메뉴에 고정 배정 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| 매장 운영 총괄 | 시범 매장 선정, 지표 승인, 확대 판정 |
| 지역 매니저 | 시범 매장 4곳 관리, 주간 현장 점검 |
| 점장·바리스타 파트너 | 화면 사용, 정정 기록, 주간 설문 응답 |
| 디지털·앱 프로덕트 | 앱 동의 흐름, 도착 이벤트, 앱 검색 화면 |
| 데이터·AI 엔지니어 | 카탈로그 정리, STT·파서 운영, 주간 리포트 |
| 개인정보·법무 | 동의 문구, 음성·위치 데이터 보관 기간 |
| 로열티 마케팅 | 등급별 혜택, 추천 칸 운영 규칙 |
준비물. 시범 매장의 최근 8주 드라이브스루 주문 기록(주문 시각, 품목, 정정·환불 여부), 차량당 창구 체류 시간, 메뉴와 옵션 전체 목록, 매장별 품절 기록, 앱 회원 동의 현황이 필요합니다. 기준선은 시작 전 2주를 실측해 잡습니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 매장 4곳 기준선 측정, 카탈로그 정리 | 매장별 정정률·처리 시간 기준선 |
| 3~4주 | 섀도 모드: AI가 주문을 해석하되 화면에 띄우지 않고 실제 주문과 비교 | 줄 단위 일치율, 오인식 유형 목록 |
| 5~6주 | 점심 피크 시간대에만 바리스타 화면에 표시 | 피크 시간 정정률, 바리스타 설문 |
| 7~8주 | 전 시간대로 넓히고 확대 여부 판정 | 판정 보고서, 다음 매장 목록 |
현업에 물을 것.
- 지금 드라이브스루 주문 중 다시 만들거나 환불한 비율은 어떻게 기록하나요?
- 주문 실수가 가장 많이 나는 메뉴와 옵션은 무엇인가요?
- 피크 시간에 차 한 대가 창구에 머무는 시간은 얼마이고, 누가 재나요?
- 바리스타는 지금 주문 화면에서 무엇을 가장 자주 고치나요?
- 앱 회원 중 위치 정보 사용에 동의한 비율은 얼마인가요?
진행 판정 기준(예시). 7~8주 실운영에서 주문 정정률이 기준선보다 20% 이상 낮아야 합니다. 차량당 창구 체류 시간이 기준선보다 늘지 않고 바리스타 설문에서 ‘일이 편해졌다’는 응답이 절반을 넘으면 다음 매장으로 넓힙니다. 하나라도 못 채우면 오인식 유형을 고친 뒤 2주를 더 봅니다.
AX 적용 제언. 드라이브스루나 픽업 창구를 운영하는 외식·소매 기업이라면 세 가지를 한꺼번에 시작하지 않는 편이 낫습니다. 회원 식별과 동의 기록이 갖춰진 회사는 앱 검색과 추천부터, 창구 주문 실수가 매출을 깎는 회사는 주문 보조부터 시작합니다. Starbucks처럼 목표에 직원 경험을 함께 넣으면 현장 반발이 줄고 바리스타의 정정 기록이 곧 학습 데이터가 됩니다. 경영 보고에서는 인건비 대신 처리량, 정정률, 회원 방문 빈도를 같은 표에 적어야 AI 과제를 계속할지 판단할 근거가 남습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | CX Dive, Bryan Wassel 기자, 2026.10.30 게재 |
| 근거 행사 | Starbucks 2026년 4분기 실적 콜(2026.10.29), 인용 발언자 Brian Niccol CEO |
| 매출 | 전 세계 기존점 매출 7.2% 증가, 미국 7.7% 증가(거래 수·객단가 증가) |
| 회원 | 90일 활성 Starbucks Rewards 회원 3,600만 명(전년·전 분기 대비 증가) |
| 운영 | 평균 서비스 시간 목표 충족, 4분기 말까지 매장 개선 1,700곳 이상 완료 |
| 로열티 | 1월 Green·Gold·Reserve 등급 도입, 등급 이동은 주로 구매 빈도, Gold·Reserve 구매가 더 잦음 |
| 앱 | 선호 기반 콘텐츠·추천, 2027년 2분기 배달 통합과 포인트 적립·사용 |
| AI | 드라이브스루 주문 보조 AI 시험 계획, 도착 고객 인식(맞춤 디지털 메뉴·쉬운 결제) 탐색, 앱 검색·발견 강화 |
| 일정 | 배달 통합 2027년 2분기, 개인화 확대 2027년, 드라이브스루 AI 시험 날짜 미공개 |
핵심 개념
- comparable store sales
- 일정 기간 이상 영업한 매장만 모아 전년과 비교한 매출 증가율. 새 매장 효과를 빼고 기존 매장의 힘을 봅니다.
- average ticket
- 주문 한 건당 평균 결제 금액, 곧 객단가입니다.
- throughput
- 같은 시간에 처리하는 주문이나 차량 수. 드라이브스루에서는 줄이 길어질수록 매출 한도가 됩니다.
- 90-day active member
- 최근 90일 안에 한 번 이상 이용한 회원 수. 가입자 수보다 실제 이용을 잘 보여 줍니다.
- partner
- Starbucks가 매장 직원을 부르는 말입니다.
- Back to Starbucks
- Starbucks가 진행 중인 회사 계획의 이름. 기사 시점에 2년 차입니다.
내 메모
TODO: 내 생각 추가
원문은 CX Dive에 실린 Bryan Wassel 기자의 「Starbucks puts greater personalization on the menu for 2027」(2026.10.30 게재)이며, 2026년 10월 29일 Starbucks 4분기 실적 콜을 바탕으로 합니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사에 실린 회사 측 설명을 AX Review가 다시 정리했습니다. 기술·현업 실행 디테일, JSON 예시, 막히는 경우 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.