원래는 어떤 시스템이었나

Automated Counting은 매장 직원이 태블릿을 들고 냉장고나 선반을 스캔하면, 소프트웨어가 이미지와 공간 정보를 분석해 제품을 인식하고 재고 수량을 자동으로 계산하는 방식이었다.

기술적으로는 다음과 같은 요소가 결합돼 있었다.

• 태블릿 카메라를 이용한 컴퓨터 비전
• 공간 인식(Spatial sensing)
• 모바일 기기에서 실행되는 이미지 분석

직원은 태블릿을 선반 위로 천천히 움직이기만 하면 시스템이 우유, 시럽, 커피 재료 등 제품을 자동 식별하고 수량을 기록하도록 설계됐다.

스타벅스가 기대한 효과는 분명했다.

• 수동 재고 조사보다 빠른 처리
• 매장별 재고 부족 상황의 실시간 파악
• 메뉴 품절 감소

즉, 직원의 반복 업무를 줄이고 동시에 매장 운영 데이터를 더 정확히 확보하려는 시도였다.

실제 매장에서 드러난 문제

문제는 시스템이 현실 매장의 복잡한 환경을 제대로 처리하지 못했다는 점이다.

내부 커뮤니케이션과 관련 보도에 따르면 이 도구는 다음과 같은 오류를 자주 일으켰다.

• 제품 수량을 잘못 계산
• 제품 라벨을 잘못 인식
• 일부 재고를 아예 감지하지 못함

특히 겉모습이 비슷한 제품에서 문제가 두드러졌다. 대표적인 사례가 여러 종류의 우유였다. 일반 우유, 오트 밀크, 기타 대체 우유 등을 서로 혼동하거나 아예 인식하지 못하는 일이 반복됐다.

스타벅스 매장에서는 우유 재고가 곧 음료 제공 가능 여부와 직결된다. 따라서 재고 계산 오류는 단순한 기술 문제가 아니라 매장 운영 문제로 이어졌다.

결국 직원들은 AI 결과를 그대로 믿지 못하고 다시 직접 확인해야 하는 상황이 자주 발생했다. 자동화가 오히려 업무를 늘리는 결과가 된 셈이다.

결국 수동 재고 관리로 복귀

2026년 5월 스타벅스는 내부 공지를 통해 Automated Counting 프로그램을 종료한다고 알렸다. 그리고 우유와 음료 재료 재고를 다른 상품과 동일하게 수동 방식으로 다시 집계하도록 했다.

이 결정은 단순한 기술 실패만이 아니라, 회사의 더 큰 전략 변화와도 연결된다.

스타벅스 CEO **브라이언 니콜(Brian Niccol)**은 최근 ‘Back to Starbucks’라는 운영 개선 전략을 추진하고 있다. 핵심 목표는 다음과 같다.

• 매장 운영 프로세스 표준화
• 재고 관리 일관성 강화
• 핵심 재료의 매일 보충(daily replenishment) 체계

이 전략의 우선순위는 무엇보다 메뉴 품절(out-of-stock) 문제를 줄이는 것이다.

스타벅스는 AI 시스템이 이 목표에 충분히 기여하지 못한다고 판단했고, 결과적으로 검증된 수동 방식이 더 안정적이라고 결론 내렸다.

기업 AI 도입의 현실적인 교훈

스타벅스 사례는 기업용 AI 도입에서 흔히 나타나는 문제를 보여준다.

데모 환경에서는 잘 작동하던 기술이 실제 현장에서는 예상보다 훨씬 어려운 상황을 만난다는 점이다.

특히 소매점 환경에서는 컴퓨터 비전 시스템이 다음과 같은 변수에 부딪힌다.

• 복잡하고 어수선한 선반 배치
• 비슷하게 생긴 제품
• 수시로 바뀌는 패키지 디자인
• 매장마다 다른 조명과 저장 방식

이런 요소들이 겹치면 작은 인식 오류도 수천 개 매장에서 큰 운영 문제로 확대될 수 있다.

스타벅스의 실험은 실패로 끝났지만, 동시에 기업들이 물리적 매장 운영에 AI를 적극 시험하고 있다는 흐름을 보여주는 사례이기도 하다. 다만 이번 경우처럼 실제 현장의 복잡성을 이기지 못하면, 대규모 기술 도입도 빠르게 철회될 수 있다는 점을 분명히 보여줬다.

원래는 어떤 시스템이었나

Automated Counting은 매장 직원이 태블릿을 들고 냉장고나 선반을 스캔하면, 소프트웨어가 이미지와 공간 정보를 분석해 제품을 인식하고 재고 수량을 자동으로 계산하는 방식이었다.

기술적으로는 다음과 같은 요소가 결합돼 있었다.

• 태블릿 카메라를 이용한 컴퓨터 비전
• 공간 인식(Spatial sensing)
• 모바일 기기에서 실행되는 이미지 분석

직원은 태블릿을 선반 위로 천천히 움직이기만 하면 시스템이 우유, 시럽, 커피 재료 등 제품을 자동 식별하고 수량을 기록하도록 설계됐다.

스타벅스가 기대한 효과는 분명했다.

• 수동 재고 조사보다 빠른 처리
• 매장별 재고 부족 상황의 실시간 파악
• 메뉴 품절 감소

즉, 직원의 반복 업무를 줄이고 동시에 매장 운영 데이터를 더 정확히 확보하려는 시도였다.

실제 매장에서 드러난 문제

문제는 시스템이 현실 매장의 복잡한 환경을 제대로 처리하지 못했다는 점이다.

내부 커뮤니케이션과 관련 보도에 따르면 이 도구는 다음과 같은 오류를 자주 일으켰다.

• 제품 수량을 잘못 계산
• 제품 라벨을 잘못 인식
• 일부 재고를 아예 감지하지 못함

특히 겉모습이 비슷한 제품에서 문제가 두드러졌다. 대표적인 사례가 여러 종류의 우유였다. 일반 우유, 오트 밀크, 기타 대체 우유 등을 서로 혼동하거나 아예 인식하지 못하는 일이 반복됐다.

스타벅스 매장에서는 우유 재고가 곧 음료 제공 가능 여부와 직결된다. 따라서 재고 계산 오류는 단순한 기술 문제가 아니라 매장 운영 문제로 이어졌다.

결국 직원들은 AI 결과를 그대로 믿지 못하고 다시 직접 확인해야 하는 상황이 자주 발생했다. 자동화가 오히려 업무를 늘리는 결과가 된 셈이다.

결국 수동 재고 관리로 복귀

2026년 5월 스타벅스는 내부 공지를 통해 Automated Counting 프로그램을 종료한다고 알렸다. 그리고 우유와 음료 재료 재고를 다른 상품과 동일하게 수동 방식으로 다시 집계하도록 했다.

이 결정은 단순한 기술 실패만이 아니라, 회사의 더 큰 전략 변화와도 연결된다.

스타벅스 CEO **브라이언 니콜(Brian Niccol)**은 최근 ‘Back to Starbucks’라는 운영 개선 전략을 추진하고 있다. 핵심 목표는 다음과 같다.

• 매장 운영 프로세스 표준화
• 재고 관리 일관성 강화
• 핵심 재료의 매일 보충(daily replenishment) 체계

이 전략의 우선순위는 무엇보다 메뉴 품절(out-of-stock) 문제를 줄이는 것이다.

스타벅스는 AI 시스템이 이 목표에 충분히 기여하지 못한다고 판단했고, 결과적으로 검증된 수동 방식이 더 안정적이라고 결론 내렸다.

기업 AI 도입의 현실적인 교훈

스타벅스 사례는 기업용 AI 도입에서 흔히 나타나는 문제를 보여준다.

데모 환경에서는 잘 작동하던 기술이 실제 현장에서는 예상보다 훨씬 어려운 상황을 만난다는 점이다.

특히 소매점 환경에서는 컴퓨터 비전 시스템이 다음과 같은 변수에 부딪힌다.

• 복잡하고 어수선한 선반 배치
• 비슷하게 생긴 제품
• 수시로 바뀌는 패키지 디자인
• 매장마다 다른 조명과 저장 방식

이런 요소들이 겹치면 작은 인식 오류도 수천 개 매장에서 큰 운영 문제로 확대될 수 있다.

스타벅스의 실험은 실패로 끝났지만, 동시에 기업들이 물리적 매장 운영에 AI를 적극 시험하고 있다는 흐름을 보여주는 사례이기도 하다. 다만 이번 경우처럼 실제 현장의 복잡성을 이기지 못하면, 대규모 기술 도입도 빠르게 철회될 수 있다는 점을 분명히 보여줬다.