Arciniegas Aguirre, Stalin MarceloTamayo Armas, Paúl Steve2026-08-112026-08-1120266026https://repositorio.puce.edu.ec/handle/123456789/49584Este trabajo describe el diseño, implementación y evaluación técnica de un sistema de "Mesero Digital" multimodal asistido por Inteligencia Artificial, orientado a resolver los cuellos de botella operativos y la saturación en la toma manual de pedidos dentro de una franquicia gastronómica de alta concurrencia. La solución emplea una arquitectura distribuida fundamentada en la computación en el borde (Edge AI) para procesar comandos de voz localmente, garantizando la privacidad de los datos del cliente y mitigando la dependencia de servicios en la nube. El ecosistema tecnológico integra un frontend interactivo (Kiosco, Monitor Kanban y Dashboard) construido con React, un servidor transaccional desarrollado en FastAPI, y almacenamiento relacional en PostgreSQL. El núcleo de procesamiento de lenguaje natural (PLN) acopla el modelo acústico Faster-Whisper para la transcripción de voz a texto y el modelo de lenguaje de gran escala Llama 3 (vía Ollama) para la extracción semántica y estructuración de comandas, aplicando validaciones estrictas con Pydantic. La orquestación transaccional y el enrutamiento asíncrono hacia la cocina se delegaron a la plataforma low code n8n mediante el uso de Webhooks. La evaluación de desempeño se ejecutó en un entorno operacional real bajo niveles de ruido ambiental de 65 a 75 dBA. Mediante interceptores de tiempo (time.perf_counter()), los resultados demostraron una latencia promedio de 1.24 segundos para el motor acústico, 2.32 segundos para la inferencia semántica del LLM, y 0.68 segundos en la orquestación relacional. El despliegue del sistema logró una reducción empírica del 38.5% en el Tiempo de Atención Promedio (TPA). Se registró una tasa de error transaccional del 4.0% generada por distorsiones fonéticas asociadas al ruido extremo de las máquinas de cocina. Un piloto cualitativo (n=15 comensales y n=3 operadores) basado en la Escala de Usabilidad del Sistema (SUS) arrojó un nivel de aceptación del 88.5% para la interacción multimodal y un 85.0% para la gestión de cocina. Se concluye que la integración de Edge AI y orquestación low-code optimiza drásticamente el flujo operativo; sin embargo, la implementación de una interfaz híbrida (voz respaldada por control táctil) es indispensable para tolerar fallos acústicos. Para futuros trabajos se recomienda la adopción de hardware con micrófonos direccionales de cancelación de ruido, y la escalabilidad del orquestador hacia integraciones omnicanal (WhatsApp y aplicaciones de delivery).esInteligencia artificialProcesamiento del lenguaje naturalAutomatización de pedidosThesis