Starbucks abandonó su sistema de inventario con IA tras solo nueve meses: qué salió mal

Starbucks intentó llevar la inteligencia artificial al control de inventario de sus cafeterías… y el experimento duró menos de un año.

En septiembre de 2025, la compañía desplegó un sistema llamado “Automated Counting”, desarrollado junto con la startup NomadGo, en más de 11.000 tiendas de Norteamérica. La idea era sustituir los conteos manuales por un sistema que utilizara cámaras de tabletas, visión por computadora y sensores espaciales para escanear estantes, refrigeradores y almacenes.

Sin embargo, en mayo de 2026, Starbucks decidió retirar el sistema por completo tras múltiples reportes de errores que afectaban las operaciones diarias en las tiendas.

Qué pretendía hacer el sistema “Automated Counting”

El funcionamiento era sencillo en teoría: los empleados recorrían las estanterías con una tableta y el software reconocía automáticamente los productos y contaba las unidades en tiempo real.

El objetivo era mejorar la gestión del inventario en miles de locales mediante:

• conteos más rápidos que los manuales
• detección temprana de ingredientes con poco stock
• menos faltantes que afectaran la disponibilidad del menú

El sistema de NomadGo procesaba las imágenes directamente en el dispositivo móvil y mostraba sobre la pantalla identificaciones de productos mediante realidad aumentada para validar los conteos rápidamente.

En papel, la automatización prometía ahorrar tiempo al personal y dar a Starbucks una visión más precisa del inventario en toda su red de tiendas.

Por qué el sistema falló en la práctica

Cuando el sistema empezó a utilizarse a gran escala, surgió un problema clave: la precisión.

Según reportes basados en comunicaciones internas de la empresa, la herramienta contaba mal productos, los etiquetaba incorrectamente o simplemente no detectaba algunos artículos.

Uno de los fallos más comunes ocurría con productos visualmente similares, especialmente diferentes tipos de leche —por ejemplo, leche tradicional, de avena u otras alternativas— que el sistema confundía entre sí o no registraba correctamente.

En una cafetería de Starbucks, esto es más crítico de lo que parece: la disponibilidad de leche determina si muchas bebidas del menú pueden prepararse o no.

Cuando el sistema se equivocaba, los empleados tenían que volver a comprobar el inventario manualmente, anulando el supuesto ahorro de tiempo.

Además, los errores podían provocar efectos en cadena:

• pedidos de reposición incorrectos
• escasez de ingredientes
• bebidas del menú temporalmente agotadas

En ese punto, la automatización dejaba de aportar valor operativo.

El regreso al conteo manual

En mayo de 2026, Starbucks informó a sus tiendas que el programa Automated Counting se retiraría y que los ingredientes para bebidas y la leche volverían a contarse manualmente, como otras categorías de inventario.

La decisión formó parte de un reajuste operativo más amplio dentro de la compañía.

Bajo el liderazgo del CEO Brian Niccol, Starbucks impulsó una estrategia interna conocida como “Back to Starbucks”, destinada a mejorar la ejecución en tienda y reducir problemas de desabastecimiento.

Entre las medidas clave estaban:

• estandarizar los procesos de inventario
• simplificar las operaciones en las tiendas
• implementar reposición diaria de ingredientes críticos

En ese contexto, la empresa consideró que el conteo manual era más fiable para asegurar que las bebidas del menú estuvieran disponibles para los clientes.

Una lección sobre la IA en operaciones reales

El caso ilustra un problema común en la adopción de inteligencia artificial en empresas: lo que funciona en demostraciones controladas puede fallar en entornos reales.

Las tiendas minoristas presentan condiciones complicadas para los sistemas de visión por computadora, como:

• estanterías desordenadas o parcialmente vacías
• empaques que cambian con frecuencia
• productos muy parecidos entre sí
• iluminación y distribución variables

Pequeños errores de reconocimiento pueden multiplicarse rápidamente cuando el sistema se utiliza en miles de ubicaciones al mismo tiempo.

Finalmente, Starbucks concluyó que los problemas de precisión superaban los beneficios de eficiencia, por lo que decidió cerrar el proyecto tras solo nueve meses de despliegue completo.

El intento, aun así, muestra hasta qué punto las grandes cadenas minoristas están experimentando con la IA para optimizar sus operaciones físicas —y lo rápido que pueden revertir esas iniciativas cuando la tecnología no funciona tan bien como se esperaba en el mundo real.