AI在庫システムの仕組み

Automated Countingは、店舗スタッフがタブレット端末やモバイル端末で棚や冷蔵庫をスキャンするだけで在庫を自動認識・カウントする仕組みだった。

システムは主に次の技術を組み合わせて動作していた。

• コンピュータビジョンによる商品認識
• 3D空間認識（Spatial Intelligence）
• 拡張現実（AR）によるリアルタイム表示
• 深度センサーやLiDARに近い空間スキャン

スタッフはタブレットを棚や冷蔵庫の前で動かすだけで、AIが牛乳パック、シロップ、コーヒー豆などの容器を識別して数を自動計算する。従来の手作業より最大8倍速く在庫を確認できると宣伝されていた。

大規模チェーンにとって在庫データの精度は、欠品防止や補充計画に直結する。そのため、この技術はサプライチェーンの効率化にもつながると期待されていた。

店舗で起きた問題

ところが、実際の店舗環境では精度の問題が頻発した。

従業員から報告された主なトラブルは次のとおり。

• 商品数を誤ってカウントする
• 商品ラベルの誤認識
• 商品を認識できず見落とすケース

特に問題になったのが、見た目が似ている商品だった。

例えばスターバックスでは、全乳、無脂肪乳、植物性ミルクなど複数のミルクを扱う。容器の形状が似ているため、AIが種類を取り違える、あるいはカウントを誤るケースが報告された。

こうしたミスは単なる技術的な誤差では済まない。牛乳やシロップなどはドリンク提供に欠かせないため、在庫データが間違っていると補充判断も誤る可能性があるからだ。

なぜスターバックスは廃止を決めたのか

2026年5月、スターバックスは社内連絡でAutomated Countingを終了し、牛乳や飲料材料の在庫カウントを再び手作業に戻すと通知した。

この判断の背景には、次のような運営上の理由があった。

• 在庫管理プロセスの標準化
• 店舗運営の一貫性向上
• **日次補充（daily replenishment）**を支える正確なデータ確保

要するに、AIが出す数字が業務判断に使えるほど信頼できなかったということだ。

大規模AI導入の難しさを示す事例

今回の試みが注目された理由の一つは、その規模にある。数千店舗ではなく、1万店以上で同時に使われるAIツールだったからだ。

しかしこの実験は、企業向けAIの典型的な課題も浮き彫りにした。

研究環境やデモではうまく動く技術でも、実際の店舗では

• 照明条件がばらばら
• 棚の配置が乱雑
• 商品パッケージが頻繁に変わる
• 似た商品が多数並ぶ

といった要因が重なり、認識精度が大きく落ちることがある。

スターバックスのケースでは、そうした現場の複雑さがAIの弱点を突いた形になった。将来的に再び自動化が検討される可能性はあるものの、今回の短命なプロジェクトは、コンピュータビジョンを大規模小売で運用する難しさを示す象徴的な事例となった。

AI在庫システムの仕組み

Automated Countingは、店舗スタッフがタブレット端末やモバイル端末で棚や冷蔵庫をスキャンするだけで在庫を自動認識・カウントする仕組みだった。

システムは主に次の技術を組み合わせて動作していた。

• コンピュータビジョンによる商品認識
• 3D空間認識（Spatial Intelligence）
• 拡張現実（AR）によるリアルタイム表示
• 深度センサーやLiDARに近い空間スキャン

スタッフはタブレットを棚や冷蔵庫の前で動かすだけで、AIが牛乳パック、シロップ、コーヒー豆などの容器を識別して数を自動計算する。従来の手作業より最大8倍速く在庫を確認できると宣伝されていた。

大規模チェーンにとって在庫データの精度は、欠品防止や補充計画に直結する。そのため、この技術はサプライチェーンの効率化にもつながると期待されていた。

店舗で起きた問題

ところが、実際の店舗環境では精度の問題が頻発した。

従業員から報告された主なトラブルは次のとおり。

• 商品数を誤ってカウントする
• 商品ラベルの誤認識
• 商品を認識できず見落とすケース

特に問題になったのが、見た目が似ている商品だった。

例えばスターバックスでは、全乳、無脂肪乳、植物性ミルクなど複数のミルクを扱う。容器の形状が似ているため、AIが種類を取り違える、あるいはカウントを誤るケースが報告された。

こうしたミスは単なる技術的な誤差では済まない。牛乳やシロップなどはドリンク提供に欠かせないため、在庫データが間違っていると補充判断も誤る可能性があるからだ。

なぜスターバックスは廃止を決めたのか

2026年5月、スターバックスは社内連絡でAutomated Countingを終了し、牛乳や飲料材料の在庫カウントを再び手作業に戻すと通知した。

この判断の背景には、次のような運営上の理由があった。

• 在庫管理プロセスの標準化
• 店舗運営の一貫性向上
• **日次補充（daily replenishment）**を支える正確なデータ確保

要するに、AIが出す数字が業務判断に使えるほど信頼できなかったということだ。

大規模AI導入の難しさを示す事例

今回の試みが注目された理由の一つは、その規模にある。数千店舗ではなく、1万店以上で同時に使われるAIツールだったからだ。

しかしこの実験は、企業向けAIの典型的な課題も浮き彫りにした。

研究環境やデモではうまく動く技術でも、実際の店舗では

• 照明条件がばらばら
• 棚の配置が乱雑
• 商品パッケージが頻繁に変わる
• 似た商品が多数並ぶ

といった要因が重なり、認識精度が大きく落ちることがある。

スターバックスのケースでは、そうした現場の複雑さがAIの弱点を突いた形になった。将来的に再び自動化が検討される可能性はあるものの、今回の短命なプロジェクトは、コンピュータビジョンを大規模小売で運用する難しさを示す象徴的な事例となった。