Da Brian Niccol tok over som konsernsjef, ble det å fikse disse forsyningsproblemene en sentral prioritet. Et av tiltakene var et AI-drevet lagersystem som skulle gi butikkene raskere og mer nøyaktig oversikt over hva de faktisk hadde på lager.

Teknologien – utviklet sammen med den Seattle-baserte startupen NomadGo – brukte datasyn (computer vision), 3D-romintelligens og utvidet virkelighet (augmented reality) for å identifisere og telle produkter når ansatte skannet hyller, kjøleskap og lagerområder med en smarttelefon eller et nettbrett.

I teorien skulle systemet kunne:

• Erstatte manuell lagertelling
• Fremskynde lagerkontroller dramatisk
• Automatisk flagge lavt varelager
• Forbedre påfylling og redusere varemangel

Starbucks rullet systemet ut i stor skala og planla å bruke det i over 11 000 egenopererte butikker i Nord-Amerika.

Hvilke feil systemet gjorde

I praksis rapporterte butikkansatte at systemet slet med grunnleggende oppgaver som er nødvendige for pålitelig lagerstyring.

Ifølge rapporter sitert av Reuters, felttalte AI-en ofte:

• Produkter i hyllene
• Feilmerket eller misforsto varer
• Forvekslet visuelt like produkter

Et mye omtalt eksempel gjaldt melkekartonger. I noen butikker skal systemet ha slitt med å skille mellom like melkekartonger, noe som førte til feil lagertall.

Selv små unøyaktigheter betyr mye i lagersystemer. Når tallene er feil, kan bestillingsprogramvaren generere feil påfyllingsordrer, slik at butikker bestiller for lite eller for mye av nøkkelingredienser.

Hvorfor verktøyet til slutt ble skrotet

Feilene undergravde tilliten til systemet blant butikkansatte, som stolte på tellingene for å håndtere den daglige driften. I stedet for å redusere varemangel, kunne feilaktige data forverre situasjonen hvis butikkene bestilte varer basert på unøyaktige lagerregistreringer.

Som et resultat bestemte Starbucks seg for å avvikle programmet omtrent ni måneder etter at det ble rullet ut i stor skala i Nord-Amerika.

Intern kommunikasjon til de ansatte sa at selskapet pensjonerte «Automated Counting»-verktøyet og ville gå over til en mer konsistent tilnærming til lagerstyring, samtidig som de fortsatte bredere arbeid med å forbedre forsyningskjeder og påfyllingssystemer.

Hva eksperimentet avslører om AI i detaljhandel

Den kortlivede utrullingen belyser en vanlig utfordring med AI i virkelige butikkmiljøer. Systemer som fungerer godt i kontrollerte demoer, kan slite med de rotete forholdene i faktiske butikker – skiftende lysforhold, rotete hyller, lik emballasje og inkonsekvent plassering av varer.

For Starbucks var teknologien ment å eliminere en kjedelig oppgave og bidra til å løse et kostbart forsyningskjedeproblem. Men da nøyaktigheten ikke holdt mål, valgte selskapet å forlate verktøyet i stedet for å stole på feilaktige data.

Episoden understreker en praktisk lærdom for forhandlere som eksperimenterer med automatisering: når oppgaven avhenger av presis telling og merking, kan selv små feilrater raskt gjøre AI-systemer ubrukelige i daglig drift.

Da Brian Niccol tok over som konsernsjef, ble det å fikse disse forsyningsproblemene en sentral prioritet. Et av tiltakene var et AI-drevet lagersystem som skulle gi butikkene raskere og mer nøyaktig oversikt over hva de faktisk hadde på lager.

Teknologien – utviklet sammen med den Seattle-baserte startupen NomadGo – brukte datasyn (computer vision), 3D-romintelligens og utvidet virkelighet (augmented reality) for å identifisere og telle produkter når ansatte skannet hyller, kjøleskap og lagerområder med en smarttelefon eller et nettbrett.

I teorien skulle systemet kunne:

• Erstatte manuell lagertelling
• Fremskynde lagerkontroller dramatisk
• Automatisk flagge lavt varelager
• Forbedre påfylling og redusere varemangel

Starbucks rullet systemet ut i stor skala og planla å bruke det i over 11 000 egenopererte butikker i Nord-Amerika.

Hvilke feil systemet gjorde

I praksis rapporterte butikkansatte at systemet slet med grunnleggende oppgaver som er nødvendige for pålitelig lagerstyring.

Ifølge rapporter sitert av Reuters, felttalte AI-en ofte:

• Produkter i hyllene
• Feilmerket eller misforsto varer
• Forvekslet visuelt like produkter

Et mye omtalt eksempel gjaldt melkekartonger. I noen butikker skal systemet ha slitt med å skille mellom like melkekartonger, noe som førte til feil lagertall.

Selv små unøyaktigheter betyr mye i lagersystemer. Når tallene er feil, kan bestillingsprogramvaren generere feil påfyllingsordrer, slik at butikker bestiller for lite eller for mye av nøkkelingredienser.

Hvorfor verktøyet til slutt ble skrotet

Feilene undergravde tilliten til systemet blant butikkansatte, som stolte på tellingene for å håndtere den daglige driften. I stedet for å redusere varemangel, kunne feilaktige data forverre situasjonen hvis butikkene bestilte varer basert på unøyaktige lagerregistreringer.

Som et resultat bestemte Starbucks seg for å avvikle programmet omtrent ni måneder etter at det ble rullet ut i stor skala i Nord-Amerika.

Intern kommunikasjon til de ansatte sa at selskapet pensjonerte «Automated Counting»-verktøyet og ville gå over til en mer konsistent tilnærming til lagerstyring, samtidig som de fortsatte bredere arbeid med å forbedre forsyningskjeder og påfyllingssystemer.

Hva eksperimentet avslører om AI i detaljhandel

Den kortlivede utrullingen belyser en vanlig utfordring med AI i virkelige butikkmiljøer. Systemer som fungerer godt i kontrollerte demoer, kan slite med de rotete forholdene i faktiske butikker – skiftende lysforhold, rotete hyller, lik emballasje og inkonsekvent plassering av varer.

For Starbucks var teknologien ment å eliminere en kjedelig oppgave og bidra til å løse et kostbart forsyningskjedeproblem. Men da nøyaktigheten ikke holdt mål, valgte selskapet å forlate verktøyet i stedet for å stole på feilaktige data.

Episoden understreker en praktisk lærdom for forhandlere som eksperimenterer med automatisering: når oppgaven avhenger av presis telling og merking, kan selv små feilrater raskt gjøre AI-systemer ubrukelige i daglig drift.