Ideen bak Automated Counting var enkel: i stedet for at ansatte manuelt telte opp lager i kjøleskap, hyller og lagringsområder, kunne de skanne området med et håndholdt nettbrett eller en mobil enhet.

NomadGos programvare analyserte kamerabildet ved hjelp av flere teknologier:

• Datasyn for å gjenkjenne produkter
• 3D romlig intelligens og utvidet virkelighet (augmented reality)
• Dybdesansing og LiDAR-lignende skanning for å kartlegge hyller og beholdere

Ansatte kunne føre nettbrettet over et kjøleskap eller en hylle, og systemet ville automatisk identifisere gjenstander – som melkekartonger, siruper eller kaffeposer – og telle dem nesten umiddelbart.

Selskapene promoterte verktøyet som dramatisk raskere enn manuelle tellinger, og hevdet det kunne levere resultater opptil åtte ganger raskere samtidig som det forbedret nøyaktigheten.

For et selskap med tusenvis av lokasjoner og høye volumer av drikkevareingredienser, kunne selv små forbedringer i lageroversikt bidra til å redusere mangelsituasjoner og strømlinjeforme forsyningskjedestyringen.

Hva som faktisk skjedde i butikkene

Da systemet først ble tatt i bruk i ekte butikkmiljøer, slet det med nøyaktighet.

Ansatte rapporterte flere gjentakende problemer:

• Feil telte varer når kamerasøket gikk glipp av produkter eller telte feil
• Feilmerkede produkter, spesielt når varer så like ut
• Uidentifiserte varer som systemet ikke klarte å oppdage i det hele tatt

Et spesielt vanlig problem gjaldt forskjellige melketyper, som helmelk, lettmelk og alternative melkeprodukter. Ansatte sa at systemet av og til forvekslet disse visuelt like beholderne, noe som ga feil lagertall.

Fordi disse ingrediensene er kritiske for tilberedning av drikke, kunne unøyaktige tellinger føre til feilaktige bestillingsbeslutninger og produktsvikt.

Hvorfor Starbucks til slutt la det ned

Starbucks avsluttet programmet i mai 2026, omtrent ni måneder etter utrullingen, ifølge intern kommunikasjon gjennomgått av journalister og bekreftet av ansatte.

Selskapet sa at det ville avvikle Automated Counting og returnere disse kategoriene til manuelle lagerprosesser. Melk og andre drikkevarekomponenter skulle telles på samme måte som annet butikklager fremover.

Beslutningen var knyttet til en bredere innsats for å:

• standardisere lagerpraksis
• forbedre konsistensen på butikknivå
• støtte daglig påfylling og forsyningskjedestyring

Kort sagt: Det automatiserte systemet leverte ikke lagerdata som var pålitelige nok for operasjonelle beslutninger.

En lærdom fra en høyprofilert KI-pilot i detaljhandelen

Utrullingen var bemerkelsesverdig fordi den skjedde i enorm skala: titusenvis av ansatte brukte teknologien på tvers av tusenvis av butikker.

Men eksperimentet belyste en vanlig utfordring for bedrifts-KI-systemer. Teknologier som fungerer godt i kontrollerte demonstrasjoner, kan slite i rotete virkelige miljøer der belysningen varierer, hyller er overfylte, emballasje endrer seg, og produkter ser nesten like ut.

For Starbucks var disse små visuelle uklarhetene nok til å gjøre automatiserte tellinger mindre pålitelige enn tradisjonelle manuelle kontroller – i hvert fall foreløpig.

Selskapet har ikke utelukket fremtidig automatisering av lagerstyring, men den korte levetiden til Automated Counting viser hvor vanskelig det kan være å rulle ut datasynssystemer pålitelig på tvers av store detaljhandelsnettverk.

Ideen bak Automated Counting var enkel: i stedet for at ansatte manuelt telte opp lager i kjøleskap, hyller og lagringsområder, kunne de skanne området med et håndholdt nettbrett eller en mobil enhet.

NomadGos programvare analyserte kamerabildet ved hjelp av flere teknologier:

• Datasyn for å gjenkjenne produkter
• 3D romlig intelligens og utvidet virkelighet (augmented reality)
• Dybdesansing og LiDAR-lignende skanning for å kartlegge hyller og beholdere

Ansatte kunne føre nettbrettet over et kjøleskap eller en hylle, og systemet ville automatisk identifisere gjenstander – som melkekartonger, siruper eller kaffeposer – og telle dem nesten umiddelbart.

Selskapene promoterte verktøyet som dramatisk raskere enn manuelle tellinger, og hevdet det kunne levere resultater opptil åtte ganger raskere samtidig som det forbedret nøyaktigheten.

For et selskap med tusenvis av lokasjoner og høye volumer av drikkevareingredienser, kunne selv små forbedringer i lageroversikt bidra til å redusere mangelsituasjoner og strømlinjeforme forsyningskjedestyringen.

Hva som faktisk skjedde i butikkene

Da systemet først ble tatt i bruk i ekte butikkmiljøer, slet det med nøyaktighet.

Ansatte rapporterte flere gjentakende problemer:

• Feil telte varer når kamerasøket gikk glipp av produkter eller telte feil
• Feilmerkede produkter, spesielt når varer så like ut
• Uidentifiserte varer som systemet ikke klarte å oppdage i det hele tatt

Et spesielt vanlig problem gjaldt forskjellige melketyper, som helmelk, lettmelk og alternative melkeprodukter. Ansatte sa at systemet av og til forvekslet disse visuelt like beholderne, noe som ga feil lagertall.

Fordi disse ingrediensene er kritiske for tilberedning av drikke, kunne unøyaktige tellinger føre til feilaktige bestillingsbeslutninger og produktsvikt.

Hvorfor Starbucks til slutt la det ned

Starbucks avsluttet programmet i mai 2026, omtrent ni måneder etter utrullingen, ifølge intern kommunikasjon gjennomgått av journalister og bekreftet av ansatte.

Selskapet sa at det ville avvikle Automated Counting og returnere disse kategoriene til manuelle lagerprosesser. Melk og andre drikkevarekomponenter skulle telles på samme måte som annet butikklager fremover.

Beslutningen var knyttet til en bredere innsats for å:

• standardisere lagerpraksis
• forbedre konsistensen på butikknivå
• støtte daglig påfylling og forsyningskjedestyring

Kort sagt: Det automatiserte systemet leverte ikke lagerdata som var pålitelige nok for operasjonelle beslutninger.

En lærdom fra en høyprofilert KI-pilot i detaljhandelen

Utrullingen var bemerkelsesverdig fordi den skjedde i enorm skala: titusenvis av ansatte brukte teknologien på tvers av tusenvis av butikker.

Men eksperimentet belyste en vanlig utfordring for bedrifts-KI-systemer. Teknologier som fungerer godt i kontrollerte demonstrasjoner, kan slite i rotete virkelige miljøer der belysningen varierer, hyller er overfylte, emballasje endrer seg, og produkter ser nesten like ut.

For Starbucks var disse små visuelle uklarhetene nok til å gjøre automatiserte tellinger mindre pålitelige enn tradisjonelle manuelle kontroller – i hvert fall foreløpig.

Selskapet har ikke utelukket fremtidig automatisering av lagerstyring, men den korte levetiden til Automated Counting viser hvor vanskelig det kan være å rulle ut datasynssystemer pålitelig på tvers av store detaljhandelsnettverk.