Hva det automatiske tellesystemet skulle gjøre

Systemet brukte nettbrettkameraer kombinert med datasyn og romsansing for å skanne kjøleskap, hyller og lagerområder. Butikkansatte strøk enheten over varer, og programvaren gjenkjente automatisk produkter og talte opp kvanta i sanntid.

Teknologien skulle gi flere driftsfordeler:

• Raskere lagertelling enn manuell telling
• Bedre oversikt over lavt lager
• Færre produktsvikt som påvirket menyens tilgjengelighet

NomadGos system behandlet bilder direkte på mobile enheter og la over produktidentifikasjonsdata slik at ansatte raskt kunne validere tellingene.

I teorien skulle automatiseringen frigjøre ansatte fra rutinemessige telleoppgaver samtidig som Starbucks fikk bedre data om lagernivåer på tvers av tusenvis av lokasjoner.

Hvorfor systemet sviktet i virkelige butikker

Da systemet ble tatt i bruk i stor skala, slet det med grunnleggende pålitelighet.

Ifølge rapporter som siterer interne bedriftskommunikasjoner, feiltalte KI-verktøyet ofte varer, merket produkter feil eller registrerte ikke lageret i det hele tatt.

Et tilbakevendende problem var liknende produkter, spesielt melketyper som meieri-, havremelk eller andre alternativer. Systemet forvekslet av og til disse varene eller klarte ikke å oppdage dem riktig.

For Starbucks-butikker – hvor melketilgjengelighet direkte avgjør om drikker kan lages – skapte disse feilene operasjonell friksjon. I stedet for å spare tid, tvang unøyaktige tellinger de ansatte til å dobbeltsjekke lageret manuelt.

Når lagersystemer er upålitelige, kan de forplante seg til større problemer:

• Feil påfyllingsbeslutninger
• Ingrediensmangel
• Menyvarer som midlertidig ikke er tilgjengelige

På det tidspunktet ga automatiseringen ikke lenger den tiltenkte fordelen.

Hvorfor Starbucks vendte tilbake til manuell telling

I mai 2026 informerte Starbucks butikkene om at «Automated Counting»-programmet skulle avvikles, og at drikkekomponenter og melk skulle telles på samme måte som andre lagervarer – manuelt.

Endringen var knyttet til en bredere operasjonell omstilling internt i selskapet.

Under konsernsjef Brian Niccol lanserte Starbucks en strategi som internt ofte blir kalt «Back to Starbucks», med mål om å fikse vedvarende produktsvikt og forbedre butikkdriften.

Som del av dette arbeidet la selskapet vekt på:

• standardiserte lagerrutiner
• mer konsistente butikkprosesser
• daglig påfyll av viktige ingredienser

Å gå tilbake til manuelle tellinger ble sett på som det mer pålitelige alternativet for å sikre at butikkene hadde ingrediensene de trengte for å holde menyelementene tilgjengelige.

En advarsel for KI-satsinger i næringslivet

Nedleggelsen av Starbucks’ lager-KI belyser en større utfordring ved KI-automatisering i næringslivet: teknologi som fungerer i kontrollerte demoer kan slite i rotete virkelige miljøer.

Detaljhandelsbutikker byr på vanskelige forhold for datasynssystemer, inkludert:

• rotete hyller og kjøleskap
• skiftende emballasjedesign
• like produkter
• ujevnt lys eller ulike lageroppsett

Selv små gjenkjenningsfeil kan bli til operasjonelle problemer når de multipliseres over tusenvis av lokasjoner.

I dette tilfellet kom Starbucks til at systemets nøyaktighetsproblemer overskygget effektivitetsgevinstene, noe som førte til at selskapet vraket verktøyet etter bare ni måneders full utrulling.

Eksperimentet viser likevel hvor aggressivt store forhandlere tester KI i fysiske operasjoner – men også hvor raskt disse pilotprosjektene kan reverseres når påliteligheten ikke står i samsvar med hverdagens realiteter i butikkarbeidet.

Hva det automatiske tellesystemet skulle gjøre

Systemet brukte nettbrettkameraer kombinert med datasyn og romsansing for å skanne kjøleskap, hyller og lagerområder. Butikkansatte strøk enheten over varer, og programvaren gjenkjente automatisk produkter og talte opp kvanta i sanntid.

Teknologien skulle gi flere driftsfordeler:

• Raskere lagertelling enn manuell telling
• Bedre oversikt over lavt lager
• Færre produktsvikt som påvirket menyens tilgjengelighet

NomadGos system behandlet bilder direkte på mobile enheter og la over produktidentifikasjonsdata slik at ansatte raskt kunne validere tellingene.

I teorien skulle automatiseringen frigjøre ansatte fra rutinemessige telleoppgaver samtidig som Starbucks fikk bedre data om lagernivåer på tvers av tusenvis av lokasjoner.

Hvorfor systemet sviktet i virkelige butikker

Da systemet ble tatt i bruk i stor skala, slet det med grunnleggende pålitelighet.

Ifølge rapporter som siterer interne bedriftskommunikasjoner, feiltalte KI-verktøyet ofte varer, merket produkter feil eller registrerte ikke lageret i det hele tatt.

Et tilbakevendende problem var liknende produkter, spesielt melketyper som meieri-, havremelk eller andre alternativer. Systemet forvekslet av og til disse varene eller klarte ikke å oppdage dem riktig.

For Starbucks-butikker – hvor melketilgjengelighet direkte avgjør om drikker kan lages – skapte disse feilene operasjonell friksjon. I stedet for å spare tid, tvang unøyaktige tellinger de ansatte til å dobbeltsjekke lageret manuelt.

Når lagersystemer er upålitelige, kan de forplante seg til større problemer:

• Feil påfyllingsbeslutninger
• Ingrediensmangel
• Menyvarer som midlertidig ikke er tilgjengelige

På det tidspunktet ga automatiseringen ikke lenger den tiltenkte fordelen.

Hvorfor Starbucks vendte tilbake til manuell telling

I mai 2026 informerte Starbucks butikkene om at «Automated Counting»-programmet skulle avvikles, og at drikkekomponenter og melk skulle telles på samme måte som andre lagervarer – manuelt.

Endringen var knyttet til en bredere operasjonell omstilling internt i selskapet.

Under konsernsjef Brian Niccol lanserte Starbucks en strategi som internt ofte blir kalt «Back to Starbucks», med mål om å fikse vedvarende produktsvikt og forbedre butikkdriften.

Som del av dette arbeidet la selskapet vekt på:

• standardiserte lagerrutiner
• mer konsistente butikkprosesser
• daglig påfyll av viktige ingredienser

Å gå tilbake til manuelle tellinger ble sett på som det mer pålitelige alternativet for å sikre at butikkene hadde ingrediensene de trengte for å holde menyelementene tilgjengelige.

En advarsel for KI-satsinger i næringslivet

Nedleggelsen av Starbucks’ lager-KI belyser en større utfordring ved KI-automatisering i næringslivet: teknologi som fungerer i kontrollerte demoer kan slite i rotete virkelige miljøer.

Detaljhandelsbutikker byr på vanskelige forhold for datasynssystemer, inkludert:

• rotete hyller og kjøleskap
• skiftende emballasjedesign
• like produkter
• ujevnt lys eller ulike lageroppsett

Selv små gjenkjenningsfeil kan bli til operasjonelle problemer når de multipliseres over tusenvis av lokasjoner.

I dette tilfellet kom Starbucks til at systemets nøyaktighetsproblemer overskygget effektivitetsgevinstene, noe som førte til at selskapet vraket verktøyet etter bare ni måneders full utrulling.

Eksperimentet viser likevel hvor aggressivt store forhandlere tester KI i fysiske operasjoner – men også hvor raskt disse pilotprosjektene kan reverseres når påliteligheten ikke står i samsvar med hverdagens realiteter i butikkarbeidet.