Hvad ‘Automated Counting’ skulle gøre

Systemet brugte tablet-kameraer kombineret med computer vision og rumlig sensing til at scanne køleskabe, hylder og lagerområder. Medarbejdere skulle føre enheden hen over varerne, hvorefter softwaren automatisk genkendte produkterne og talte dem i realtid.

Teknologien lovede flere fordele:

• Hurtigere lageroptælling end manuelle metoder
• Bedre indsigt i lavt lager af ingredienser
• Færre udsolgte varer, der påvirkede menukortet

NomadGos system behandlede billeder direkte på mobile enheder og lagde produktdata over for at hjælpe medarbejdere med hurtigt at validere optællinger.

I teorien ville automatiseringen frigøre medarbejderne fra rutineprægede optællinger og samtidig give Starbucks bedre data om lagerniveauet på tværs af tusindvis af lokationer.

Hvorfor systemet fejlede i virkelige butikker

Da systemet blev rullet ud i stor skala, kæmpede AI’en med grundlæggende pålidelighed.

Ifølge rapporter, der citerer interne virksomhedsmeddelelser, talte værktøjet ofte forkert, fejlmærkede produkter eller overså inventar helt.

Et tilbagevendende problem var lignende produkter, især mælketyper som almindelig mælk, havremælk eller andre alternativer. Systemet forvekslede disse varer eller opdagede dem ikke korrekt.

For Starbucks-butikker – hvor mælketilgængelighed afgør, om drikkevarer kan laves – skabte disse fejl operationelle problemer. I stedet for at spare tid, tvang unøjagtige optællinger medarbejdere til at dobbelttjekke lageret manuelt.

Når lagersystemer er upålidelige, kan det føre til større problemer:

• Forkerte genbestillingsbeslutninger
• Ingrediensmangel
• Midlertidigt udsolgte menupunkter

På det tidspunkt leverede automatiseringen ikke længere den tilsigtede fordel.

Hvorfor Starbucks vendte tilbage til manuel optælling

I maj 2026 informerede Starbucks butikkerne om, at ‘Automated Counting’ ville blive udfaset, og at drikkevarekomponenter og mælk ville vende tilbage til samme manuelle optællingsproces, som bruges til andre lagervarer.

Ændringen var en del af en bredere operationel omstilling i virksomheden.

Under CEO Brian Niccol lancerede Starbucks en strategi, ofte beskrevet internt som ‘Back to Starbucks’, rettet mod at løse vedvarende produktmangel og forbedre butikkernes udførelse.

Som en del af denne indsats lagde virksomheden vægt på:

• standardiserede lagerpraksisser
• mere konsistente butiksprocesser
• daglig genopfyldning af nøgleingredienser

At vende tilbage til manuelle optællinger blev set som en mere pålidelig løsning for at sikre, at butikkerne havde de nødvendige ingredienser til at holde menupunkter tilgængelige.

En advarsel for virksomheders AI-implementeringer

Nedlukningen af Starbucks’ lager-AI fremhæver en bredere udfordring i virksomhedsautomation: teknologi, der fungerer i kontrollerede demoer, kan have svært ved at klare sig i uforudsigelige virkelige miljøer.

Detailbutikker udgør vanskelige forhold for computer-vision-systemer, herunder:

• overfyldte hylder og køleskabe
• skiftende emballagedesign
• lignende produkter
• ujævn belysning eller forskellige lageropsætninger

Selv små genkendelsesfejl kan blive operationelle problemer, når de multipliceres på tværs af tusindvis af lokationer.

I dette tilfælde konkluderede Starbucks, at systemets nøjagtighedsproblemer opvejede effektivitetsgevinsterne, hvilket førte til, at virksomheden skrottede værktøjet efter kun ni måneders fuld implementering.

Eksperimentet viser stadig, hvor aggressivt store detailkæder tester AI i fysiske operationer – men også hvor hurtigt disse piloter kan blive rullet tilbage, når pålideligheden halter efter virkelighedens daglige butiksarbejde.

Hvad ‘Automated Counting’ skulle gøre

Systemet brugte tablet-kameraer kombineret med computer vision og rumlig sensing til at scanne køleskabe, hylder og lagerområder. Medarbejdere skulle føre enheden hen over varerne, hvorefter softwaren automatisk genkendte produkterne og talte dem i realtid.

Teknologien lovede flere fordele:

• Hurtigere lageroptælling end manuelle metoder
• Bedre indsigt i lavt lager af ingredienser
• Færre udsolgte varer, der påvirkede menukortet

NomadGos system behandlede billeder direkte på mobile enheder og lagde produktdata over for at hjælpe medarbejdere med hurtigt at validere optællinger.

I teorien ville automatiseringen frigøre medarbejderne fra rutineprægede optællinger og samtidig give Starbucks bedre data om lagerniveauet på tværs af tusindvis af lokationer.

Hvorfor systemet fejlede i virkelige butikker

Da systemet blev rullet ud i stor skala, kæmpede AI’en med grundlæggende pålidelighed.

Ifølge rapporter, der citerer interne virksomhedsmeddelelser, talte værktøjet ofte forkert, fejlmærkede produkter eller overså inventar helt.

Et tilbagevendende problem var lignende produkter, især mælketyper som almindelig mælk, havremælk eller andre alternativer. Systemet forvekslede disse varer eller opdagede dem ikke korrekt.

For Starbucks-butikker – hvor mælketilgængelighed afgør, om drikkevarer kan laves – skabte disse fejl operationelle problemer. I stedet for at spare tid, tvang unøjagtige optællinger medarbejdere til at dobbelttjekke lageret manuelt.

Når lagersystemer er upålidelige, kan det føre til større problemer:

• Forkerte genbestillingsbeslutninger
• Ingrediensmangel
• Midlertidigt udsolgte menupunkter

På det tidspunkt leverede automatiseringen ikke længere den tilsigtede fordel.

Hvorfor Starbucks vendte tilbage til manuel optælling

I maj 2026 informerede Starbucks butikkerne om, at ‘Automated Counting’ ville blive udfaset, og at drikkevarekomponenter og mælk ville vende tilbage til samme manuelle optællingsproces, som bruges til andre lagervarer.

Ændringen var en del af en bredere operationel omstilling i virksomheden.

Under CEO Brian Niccol lancerede Starbucks en strategi, ofte beskrevet internt som ‘Back to Starbucks’, rettet mod at løse vedvarende produktmangel og forbedre butikkernes udførelse.

Som en del af denne indsats lagde virksomheden vægt på:

• standardiserede lagerpraksisser
• mere konsistente butiksprocesser
• daglig genopfyldning af nøgleingredienser

At vende tilbage til manuelle optællinger blev set som en mere pålidelig løsning for at sikre, at butikkerne havde de nødvendige ingredienser til at holde menupunkter tilgængelige.

En advarsel for virksomheders AI-implementeringer

Nedlukningen af Starbucks’ lager-AI fremhæver en bredere udfordring i virksomhedsautomation: teknologi, der fungerer i kontrollerede demoer, kan have svært ved at klare sig i uforudsigelige virkelige miljøer.

Detailbutikker udgør vanskelige forhold for computer-vision-systemer, herunder:

• overfyldte hylder og køleskabe
• skiftende emballagedesign
• lignende produkter
• ujævn belysning eller forskellige lageropsætninger

Selv små genkendelsesfejl kan blive operationelle problemer, når de multipliceres på tværs af tusindvis af lokationer.

I dette tilfælde konkluderede Starbucks, at systemets nøjagtighedsproblemer opvejede effektivitetsgevinsterne, hvilket førte til, at virksomheden skrottede værktøjet efter kun ni måneders fuld implementering.

Eksperimentet viser stadig, hvor aggressivt store detailkæder tester AI i fysiske operationer – men også hvor hurtigt disse piloter kan blive rullet tilbage, når pålideligheden halter efter virkelighedens daglige butiksarbejde.