Efter at være blevet CEO gjorde Brian Niccol det til en topprioritet at løse disse forsyningsproblemer. Et initiativ var et AI-drevet lagerstyringssystem designet til at give butikkerne hurtigere og mere præcis indsigt i, hvad de rent faktisk havde på lager.

Teknologien – udviklet i samarbejde med Seattle-baserede NomadGo – brugte computer vision, 3D-rumlig intelligens og augmented reality til at identificere og tælle produkter, når medarbejdere scannede hylder, køleskabe og lagerområder med en smartphone eller tablet.

I teorien kunne systemet:

• Erstatte manuel optælling af lager
• Fremskynde lagertjek markant
• Automatisk markere lav lagerbeholdning
• Forbedre genopfyldning og reducere tomme hylder

Starbucks rullede systemet bredt ud og planlagde at bruge det på tværs af mere end 11.000 selskabsdrevne butikker i Nordamerika.

De typer fejl, systemet lavede

I praksis rapporterede butiksmedarbejdere, at systemet kæmpede med grundlæggende opgaver, der er nødvendige for pålidelig lagerstyring.

Ifølge rapporter citeret af Reuters havde AI'en ofte:

• Forkert antal produkter på hylderne
• Fejllæst eller fejlmærket varer
• Forvekslet visuelt ens produkter

Et bredt citeret eksempel involverede mælkebeholdere. I nogle butikker havde systemet angiveligt svært ved at skelne mellem ensartede mælkekartoner, hvilket førte til forkerte lagertal.

Selv små unøjagtigheder betyder noget i lagerstyringssystemer. Når tallene er forkerte, kan bestillingssoftware generere ukorrekte genbestillingsanmodninger, hvilket får butikkerne til at bestille for lidt eller for meget af nøgleingredienser.

Hvorfor værktøjet i sidste ende blev skrottet

Fejlene underminerede tilliden til systemet blandt butiksmedarbejderne, som stolede på tallene til at styre den daglige drift. I stedet for at reducere mangler kunne forkerte data potentielt forværre dem, hvis butikkerne bestilte varer baseret på unøjagtige lagerregistreringer.

Som et resultat besluttede Starbucks at stoppe programmet omkring ni måneder efter, at det var blevet rullet bredt ud i Nordamerika.

Intern kommunikation til personalet oplyste, at selskabet trak 'Automated Counting'-værktøjet tilbage og bevægede sig mod en mere ensartet tilgang til lagerstyring, mens det fortsatte bredere bestræbelser på at forbedre forsyningskæder og genopfyldningssystemer.

Hvad eksperimentet afslører om AI i detaildrift

Den kortlivede udrulning fremhæver en almindelig udfordring med AI i virkelige detailmiljøer. Systemer, der fungerer godt i kontrollerede demoer, kan kæmpe med de uforudsigelige forhold i rigtige butikker – skiftende belysning, rodede hylder, ensartet emballage og inkonsekvent placering af varer.

For Starbucks var teknologien ment til at eliminere en kedelig opgave og hjælpe med at løse et dyrt problem i forsyningskæden. Men da nøjagtigheden svigtede, valgte selskabet at opgive værktøjet i stedet for at stole på fejlbehæftede data.

Episoden understreger en praktisk lektie for detailhandlere, der eksperimenterer med automatisering: Når opgaven afhænger af præcis optælling og mærkning, kan selv små fejlprocenter hurtigt gøre AI-systemer ubrugelige i den daglige drift.

Efter at være blevet CEO gjorde Brian Niccol det til en topprioritet at løse disse forsyningsproblemer. Et initiativ var et AI-drevet lagerstyringssystem designet til at give butikkerne hurtigere og mere præcis indsigt i, hvad de rent faktisk havde på lager.

Teknologien – udviklet i samarbejde med Seattle-baserede NomadGo – brugte computer vision, 3D-rumlig intelligens og augmented reality til at identificere og tælle produkter, når medarbejdere scannede hylder, køleskabe og lagerområder med en smartphone eller tablet.

I teorien kunne systemet:

• Erstatte manuel optælling af lager
• Fremskynde lagertjek markant
• Automatisk markere lav lagerbeholdning
• Forbedre genopfyldning og reducere tomme hylder

Starbucks rullede systemet bredt ud og planlagde at bruge det på tværs af mere end 11.000 selskabsdrevne butikker i Nordamerika.

De typer fejl, systemet lavede

I praksis rapporterede butiksmedarbejdere, at systemet kæmpede med grundlæggende opgaver, der er nødvendige for pålidelig lagerstyring.

Ifølge rapporter citeret af Reuters havde AI'en ofte:

• Forkert antal produkter på hylderne
• Fejllæst eller fejlmærket varer
• Forvekslet visuelt ens produkter

Et bredt citeret eksempel involverede mælkebeholdere. I nogle butikker havde systemet angiveligt svært ved at skelne mellem ensartede mælkekartoner, hvilket førte til forkerte lagertal.

Selv små unøjagtigheder betyder noget i lagerstyringssystemer. Når tallene er forkerte, kan bestillingssoftware generere ukorrekte genbestillingsanmodninger, hvilket får butikkerne til at bestille for lidt eller for meget af nøgleingredienser.

Hvorfor værktøjet i sidste ende blev skrottet

Fejlene underminerede tilliden til systemet blandt butiksmedarbejderne, som stolede på tallene til at styre den daglige drift. I stedet for at reducere mangler kunne forkerte data potentielt forværre dem, hvis butikkerne bestilte varer baseret på unøjagtige lagerregistreringer.

Som et resultat besluttede Starbucks at stoppe programmet omkring ni måneder efter, at det var blevet rullet bredt ud i Nordamerika.

Intern kommunikation til personalet oplyste, at selskabet trak 'Automated Counting'-værktøjet tilbage og bevægede sig mod en mere ensartet tilgang til lagerstyring, mens det fortsatte bredere bestræbelser på at forbedre forsyningskæder og genopfyldningssystemer.

Hvad eksperimentet afslører om AI i detaildrift

Den kortlivede udrulning fremhæver en almindelig udfordring med AI i virkelige detailmiljøer. Systemer, der fungerer godt i kontrollerede demoer, kan kæmpe med de uforudsigelige forhold i rigtige butikker – skiftende belysning, rodede hylder, ensartet emballage og inkonsekvent placering af varer.

For Starbucks var teknologien ment til at eliminere en kedelig opgave og hjælpe med at løse et dyrt problem i forsyningskæden. Men da nøjagtigheden svigtede, valgte selskabet at opgive værktøjet i stedet for at stole på fejlbehæftede data.

Episoden understreger en praktisk lektie for detailhandlere, der eksperimenterer med automatisering: Når opgaven afhænger af præcis optælling og mærkning, kan selv små fejlprocenter hurtigt gøre AI-systemer ubrugelige i den daglige drift.