L’expérience d’IA de Starbucks pour gérer les stocks a échoué en moins d’un an

Mais en mai 2026, Starbucks a décidé d’abandonner complètement le programme après de nombreux retours de magasins signalant des erreurs récurrentes.

Comment fonctionnait le système

La technologie reposait sur les caméras des tablettes, la vision par ordinateur et des capteurs spatiaux pour analyser les rayonnages et zones de stockage. Les employés balayaient les produits avec l’appareil, et l’application reconnaissait les articles et comptabilisait les quantités en temps réel.

Sur le papier, l’automatisation devait apporter plusieurs avantages :

• des inventaires plus rapides que le comptage manuel ;
• une meilleure visibilité sur les ingrédients proches de la rupture ;
• moins d’indisponibilités de boissons au menu.

Le système de NomadGo traitait les images directement sur l’appareil et superposait les informations de reconnaissance des produits pour permettre aux employés de vérifier rapidement les résultats.

Les problèmes rencontrés en magasin

Une fois déployé à grande échelle, le système s’est heurté à un problème classique de l’IA appliquée au monde réel : la fiabilité.

Selon plusieurs informations issues de communications internes de l’entreprise, l’outil se trompait fréquemment dans les quantités, confondait certains produits ou passait à côté d’articles présents en stock.

Un cas fréquent concernait les produits visuellement très proches, notamment les différentes variétés de lait (lait classique, lait d’avoine, autres alternatives végétales). Le système pouvait les confondre ou ne pas les détecter correctement.

Dans un café Starbucks, ces erreurs ont un impact direct : si le système indique qu’un type de lait est disponible alors qu’il ne l’est pas, certaines boissons deviennent impossibles à préparer. Résultat, les employés devaient souvent revérifier manuellement les stocks, ce qui annulait l’avantage attendu de l’automatisation.

Quand les données d’inventaire sont incorrectes, les conséquences peuvent rapidement s’accumuler :

• commandes de réapprovisionnement inadaptées ;
• pénuries d’ingrédients ;
• boissons temporairement indisponibles.

Pourquoi Starbucks est revenu au comptage manuel

En mai 2026, Starbucks a informé ses équipes que le programme Automated Counting serait retiré et que les ingrédients des boissons, notamment le lait, seraient à nouveau comptés manuellement, comme les autres catégories d’inventaire.

Cette décision s’inscrit dans une stratégie plus large de transformation opérationnelle menée par le PDG Brian Niccol.

Ce plan, souvent décrit en interne comme « Back to Starbucks », vise à corriger des problèmes persistants de disponibilité des produits et à améliorer l’exécution en magasin.

Dans ce cadre, l’entreprise a choisi de mettre l’accent sur :

• des procédures d’inventaire standardisées ;
• des processus de magasin plus cohérents ;
• un réapprovisionnement quotidien des ingrédients essentiels.

Le retour au comptage manuel a été jugé plus fiable pour garantir que les cafés disposent réellement des ingrédients nécessaires pour servir les boissons du menu.

Une leçon pour les déploiements d’IA à grande échelle

L’abandon de cet outil illustre une difficulté fréquente dans l’automatisation en entreprise : une technologie convaincante en démonstration peut se révéler fragile dans un environnement réel.

Les magasins de détail posent de nombreux défis aux systèmes de vision par ordinateur :

• rayonnages encombrés ;
• emballages qui changent régulièrement ;
• produits très similaires visuellement ;
• éclairage ou disposition variables selon les magasins.

Multipliées à l’échelle de milliers de points de vente, de petites erreurs de reconnaissance peuvent rapidement devenir des problèmes opérationnels.

Dans le cas de Starbucks, l’entreprise a finalement estimé que les gains potentiels d’efficacité ne compensaient pas les problèmes de précision — ce qui a conduit à mettre fin au projet après seulement neuf mois de déploiement complet.

L’expérience montre toutefois à quel point les grandes enseignes testent activement l’IA dans leurs opérations physiques — tout en restant prêtes à faire marche arrière si la technologie ne résiste pas aux réalités du terrain.