Ideen bag Automated Counting var enkel: I stedet for at medarbejdere manuelt talte varer i køleskabe, på hylder og i lagerområder, kunne de scanne området med en håndholdt tablet eller mobil enhed.

NomadGos software analyserede kameraets billedstrøm ved hjælp af flere teknologier:

• Computer vision til at genkende produkter
• 3D-rumlig intelligens og augmented reality-overlejringer
• Dybdeføling og LiDAR-lignende scanning til at kortlægge hylder og beholdere

Medarbejderne kunne flytte tabletten hen over et køleskab eller en hylde, og systemet ville automatisk identificere varer – såsom mælkekartoner, sirupper eller kaffeposer – og tælle dem næsten øjeblikkeligt.

Virksomhederne markedsførte værktøjet som markant hurtigere end manuel optælling og hævdede, at det kunne levere resultater op til otte gange hurtigere samtidig med at forbedre nøjagtigheden.

For en virksomhed med tusindvis af butikker og store mængder af drikkevareingredienser kunne selv små forbedringer i lagerindsigten være med til at reducere udsolgte varer og strømline planlægningen i forsyningskæden.

Hvad der faktisk skete i butikkerne

Da systemet blev taget i brug i butikkernes virkelige miljøer, kæmpede det med præcisionen.

Medarbejderne rapporterede om flere tilbagevendende problemer:

• Forkerte tællinger, når kameraets scanning missede produkter eller talte forkert
• Forkert mærkede produkter, især når varer lignede hinanden
• Ugenkendte varer, som systemet slet ikke opdagede

Et særligt udbredt problem var forskellige mælketyper såsom sødmælk, letmælk og alternative mælkedrikke. Medarbejderne fortalte, at systemet somme tider forvekslede disse visuelt ens beholdere, hvilket resulterede i forkerte lagertal.

Fordi disse ingredienser er kritiske for tilberedning af drikkevarer, kunne unøjagtige tællinger føre til fejlagtige beslutninger om genbestilling og i sidste ende til produktmangel.

Hvorfor Starbucks til sidst lukkede det

Starbucks afsluttede programmet i maj 2026, omkring ni måneder efter udrulningen, ifølge interne kommunikationer gennemgået af journalister og bekræftet af medarbejdere.

Virksomheden meddelte, at den ville pensionere Automated Counting og returnere disse kategorier til manuelle lagerprocesser. Mælk og andre drikkevarekomponenter skulle fremover tælles på samme måde som alt andet inventar i butikkerne.

Beslutningen var knyttet til en bredere indsats for at:

• standardisere lagerpraksis
• forbedre konsistensen på butiksplan
• understøtte daglig genopfyldning og udførelse i forsyningskæden

Kort sagt: Det automatiserede system leverede ikke lagerdata, der var pålidelige nok til operationelle beslutninger.

En lærestreg fra et stort AI-pilotprojekt i detailhandlen

Udrulningen var bemærkelsesværdig, fordi den foregik i enorm skala: Titusindvis af medarbejdere brugte teknologien på tværs af tusindvis af butikker.

Men eksperimentet fremhævede en af de klassiske udfordringer ved AI-systemer i virksomheder. Teknologier, der fungerer godt under kontrollerede demonstrationsforhold, kan have svært ved at klare sig i uforudsigelige virkelige miljøer, hvor belysningen varierer, hylderne er rodede, emballagen ændrer sig, og produkter ser næsten identiske ud.

For Starbucks var disse små visuelle uklarheder nok til at gøre automatiserede tællinger mindre troværdige end traditionelle manuelle tjek – i hvert fald foreløbigt.

Virksomheden har ikke udelukket fremtidig automatisering af lagerstyring, men den korte levetid for Automated Counting viser, hvor svært det kan være at implementere computer-vision-systemer pålideligt på tværs af store detailnetværk.

Ideen bag Automated Counting var enkel: I stedet for at medarbejdere manuelt talte varer i køleskabe, på hylder og i lagerområder, kunne de scanne området med en håndholdt tablet eller mobil enhed.

NomadGos software analyserede kameraets billedstrøm ved hjælp af flere teknologier:

• Computer vision til at genkende produkter
• 3D-rumlig intelligens og augmented reality-overlejringer
• Dybdeføling og LiDAR-lignende scanning til at kortlægge hylder og beholdere

Medarbejderne kunne flytte tabletten hen over et køleskab eller en hylde, og systemet ville automatisk identificere varer – såsom mælkekartoner, sirupper eller kaffeposer – og tælle dem næsten øjeblikkeligt.

Virksomhederne markedsførte værktøjet som markant hurtigere end manuel optælling og hævdede, at det kunne levere resultater op til otte gange hurtigere samtidig med at forbedre nøjagtigheden.

For en virksomhed med tusindvis af butikker og store mængder af drikkevareingredienser kunne selv små forbedringer i lagerindsigten være med til at reducere udsolgte varer og strømline planlægningen i forsyningskæden.

Hvad der faktisk skete i butikkerne

Da systemet blev taget i brug i butikkernes virkelige miljøer, kæmpede det med præcisionen.

Medarbejderne rapporterede om flere tilbagevendende problemer:

• Forkerte tællinger, når kameraets scanning missede produkter eller talte forkert
• Forkert mærkede produkter, især når varer lignede hinanden
• Ugenkendte varer, som systemet slet ikke opdagede

Et særligt udbredt problem var forskellige mælketyper såsom sødmælk, letmælk og alternative mælkedrikke. Medarbejderne fortalte, at systemet somme tider forvekslede disse visuelt ens beholdere, hvilket resulterede i forkerte lagertal.

Fordi disse ingredienser er kritiske for tilberedning af drikkevarer, kunne unøjagtige tællinger føre til fejlagtige beslutninger om genbestilling og i sidste ende til produktmangel.

Hvorfor Starbucks til sidst lukkede det

Starbucks afsluttede programmet i maj 2026, omkring ni måneder efter udrulningen, ifølge interne kommunikationer gennemgået af journalister og bekræftet af medarbejdere.

Virksomheden meddelte, at den ville pensionere Automated Counting og returnere disse kategorier til manuelle lagerprocesser. Mælk og andre drikkevarekomponenter skulle fremover tælles på samme måde som alt andet inventar i butikkerne.

Beslutningen var knyttet til en bredere indsats for at:

• standardisere lagerpraksis
• forbedre konsistensen på butiksplan
• understøtte daglig genopfyldning og udførelse i forsyningskæden

Kort sagt: Det automatiserede system leverede ikke lagerdata, der var pålidelige nok til operationelle beslutninger.

En lærestreg fra et stort AI-pilotprojekt i detailhandlen

Udrulningen var bemærkelsesværdig, fordi den foregik i enorm skala: Titusindvis af medarbejdere brugte teknologien på tværs af tusindvis af butikker.

Men eksperimentet fremhævede en af de klassiske udfordringer ved AI-systemer i virksomheder. Teknologier, der fungerer godt under kontrollerede demonstrationsforhold, kan have svært ved at klare sig i uforudsigelige virkelige miljøer, hvor belysningen varierer, hylderne er rodede, emballagen ændrer sig, og produkter ser næsten identiske ud.

For Starbucks var disse små visuelle uklarheder nok til at gøre automatiserede tællinger mindre troværdige end traditionelle manuelle tjek – i hvert fald foreløbigt.

Virksomheden har ikke udelukket fremtidig automatisering af lagerstyring, men den korte levetid for Automated Counting viser, hvor svært det kan være at implementere computer-vision-systemer pålideligt på tværs af store detailnetværk.