Warum Starbucks sein KI‑Inventarsystem nach kurzer Zeit wieder abschaltete

Die Technik wurde zusammen mit dem in Seattle ansässigen Startup NomadGo entwickelt. Mitarbeiter sollten mit einem Smartphone oder Tablet Regale, Kühlschränke und Lagerflächen scannen. Mithilfe von Computer Vision, 3D‑Raumerkennung und Augmented Reality identifizierte die Software automatisch Produkte und zählte sie.

Die Idee dahinter:

• manuelle Inventuren weitgehend ersetzen
• Bestandsprüfungen deutlich beschleunigen
• niedrige Bestände automatisch erkennen
• Nachbestellungen effizienter auslösen

Starbucks plante, das System in mehr als 11.000 firmeneigenen Filialen in Nordamerika einzusetzen.

Welche Fehler das System machte

Im realen Filialbetrieb zeigte sich jedoch, dass die Technologie Schwierigkeiten mit grundlegenden Aufgaben hatte.

Laut Berichten, die sich auf Reuters‑Informationen stützen, kam es regelmäßig zu Problemen wie:

• falschen Stückzahlen bei Artikeln
• fehlerhaften Produktlabels
• Verwechslungen zwischen ähnlich aussehenden Produkten

Ein häufig zitiertes Beispiel betrifft Milchpackungen. In manchen Filialen konnte die KI unterschiedliche Milchsorten oder nahezu identische Kartons nicht zuverlässig unterscheiden – was zu falschen Bestandszahlen führte.

Gerade bei Inventarsystemen sind solche kleinen Fehler kritisch. Wenn die Bestandsdaten nicht stimmen, können automatische Nachbestellungen ebenfalls falsch sein – Filialen bestellen dann zu wenig oder zu viel.

Warum Starbucks das Projekt schließlich stoppte

Die wiederholten Ungenauigkeiten untergruben das Vertrauen der Mitarbeiter in das System. Da Filialen ihre täglichen Bestellungen auf Basis dieser Zahlen planen, konnten falsche Daten sogar neue Engpässe verursachen, statt sie zu lösen.

Starbucks entschied daher, das Programm rund neun Monate nach dem großflächigen Rollout in Nordamerika einzustellen.

In einer internen Mitteilung an Mitarbeiter erklärte das Unternehmen, dass das Tool „Automated Counting“ eingestellt werde. Ziel sei es, künftig einen konsistenteren Ansatz für die Inventur zu nutzen und parallel weiter an Verbesserungen in Lieferkette und Nachschubsystemen zu arbeiten.

Was der Fall über KI im Einzelhandel zeigt

Der kurze Einsatz des Systems verdeutlicht ein grundlegendes Problem vieler KI‑Anwendungen im Handel. Technologien, die in kontrollierten Tests gut funktionieren, stoßen im echten Filialalltag schnell an Grenzen – etwa durch wechselnde Beleuchtung, unordentliche Regale, ähnlich gestaltete Verpackungen oder unterschiedlich platzierte Produkte.

Für Starbucks sollte die KI eine mühsame Routineaufgabe automatisieren und gleichzeitig ein teures Lieferkettenproblem lösen. Doch wenn die Genauigkeit nicht hoch genug ist, kann selbst ein kleines Fehlerrisiko dazu führen, dass ein System im täglichen Betrieb unbrauchbar wird.