Sztuczna inteligencja nie poradziła sobie z liczeniem mleka w Starbucksie. Eksperyment zakończony po 9 miesiącach
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej. Narzędzie opracowane z firmą NomadGo miało wykorzystywać kamerę i tablet do skanowania półek i automatycznego liczenia zapasów, co miało przyspieszyć zamawianie towaru...
Opublikowane przezEdytowane za pomocą GPT-5.5Obrazy wygenerowane za pomocą GPT Image 2
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej.
Narzędzie opracowane z firmą NomadGo miało wykorzystywać kamerę i tablet do skanowania półek i automatycznego liczenia zapasów, co miało przyspieszyć zamawianie towaru i ograniczyć braki.[18][20]
Pracownicy zgłaszali podstawowe błędy – system źle liczył produkty, mylił podobne kartony mleka, a błędne dane mogły pogłębić problem braków zamiast go rozwiązać.[1][10]
How did Starbucks’ attempt to replace human workers with an AI-powered inventory counting system turn out, why did the company deploy it undStarbucks experimented with an AI-powered system designed to automatically count store inventory using computer vision before discontinuing the program months later.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How did Starbucks’ attempt to replace human workers with an AI-powered inventory counting system turn out, why did the company deploy it und. Article summary: It appears to have failed quickly: Starbucks reportedly retired its AI-based “Automated Counting” inventory tool after about nine months because store workers said it made too many counting and labeling errors to be reli. Topic tags: general, general web. Reference image context from search candidates: Reference image 1: visual subject "# How Starbucks Uses AI To Transform Global Supply Chains: 2025 Case Study On Inventory, Stockout Reduction, And ROI. Cover Image for How Starbucks Uses AI To Transform Global Supp" source context "How Starbucks Uses AI To Transform Global Supply Chains" Reference image 2: visual subject ", the global coffeehouse chain, has been
openai.com
Starbucks postanowił wykorzystać sztuczną inteligencję do zautomatyzowania jednej z najbardziej rutynowych czynności w swoich kawiarniach: liczenia zapasów. Eksperyment nie trwał długo.
Niecały rok po wdrożeniu systemu opartego na AI, który miał śledzić stany magazynowe, firma – według doniesień – wycofała program w całej Ameryce Północnej, ponieważ generował zbyt wiele błędów, by można było na nim polegać. Projekt był częścią działań dyrektora generalnego Briana Niccola, mających na celu rozwiązanie problemu ciągłych braków towaru. Jednak powtarzające się błędy w liczeniu ostatecznie podważyły użyteczność technologii.
Dlaczego Starbucks wprowadził system AI do liczenia zapasów
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Sztuczna inteligencja nie poradziła sobie z liczeniem mleka w Starbucksie. Eksperyment zakończony po 9 miesiącach"?
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej.
What are the key points to validate first?
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej. Narzędzie opracowane z firmą NomadGo miało wykorzystywać kamerę i tablet do skanowania półek i automatycznego liczenia zapasów, co miało przyspieszyć zamawianie towaru i ograniczyć braki.[18][20]
What should I do next in practice?
Pracownicy zgłaszali podstawowe błędy – system źle liczył produkty, mylił podobne kartony mleka, a błędne dane mogły pogłębić problem braków zamiast go rozwiązać.[1][10]
Sztuczna inteligencja nie poradziła sobie z liczeniem mleka w Starbucksie. Eksperyment zakończony po 9 miesiącach
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej. Narzędzie opracowane z firmą NomadGo miało wykorzystywać kamerę i tablet do skanowania półek i automatycznego liczenia zapasów, co miało przyspieszyć zamawianie towaru...
Opublikowane przezEdytowane za pomocą GPT-5.5Obrazy wygenerowane za pomocą GPT Image 2
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej.
Narzędzie opracowane z firmą NomadGo miało wykorzystywać kamerę i tablet do skanowania półek i automatycznego liczenia zapasów, co miało przyspieszyć zamawianie towaru i ograniczyć braki.[18][20]
Pracownicy zgłaszali podstawowe błędy – system źle liczył produkty, mylił podobne kartony mleka, a błędne dane mogły pogłębić problem braków zamiast go rozwiązać.[1][10]
How did Starbucks’ attempt to replace human workers with an AI-powered inventory counting system turn out, why did the company deploy it undStarbucks experimented with an AI-powered system designed to automatically count store inventory using computer vision before discontinuing the program months later.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How did Starbucks’ attempt to replace human workers with an AI-powered inventory counting system turn out, why did the company deploy it und. Article summary: It appears to have failed quickly: Starbucks reportedly retired its AI-based “Automated Counting” inventory tool after about nine months because store workers said it made too many counting and labeling errors to be reli. Topic tags: general, general web. Reference image context from search candidates: Reference image 1: visual subject "# How Starbucks Uses AI To Transform Global Supply Chains: 2025 Case Study On Inventory, Stockout Reduction, And ROI. Cover Image for How Starbucks Uses AI To Transform Global Supp" source context "How Starbucks Uses AI To Transform Global Supply Chains" Reference image 2: visual subject ", the global coffeehouse chain, has been
openai.com
Starbucks postanowił wykorzystać sztuczną inteligencję do zautomatyzowania jednej z najbardziej rutynowych czynności w swoich kawiarniach: liczenia zapasów. Eksperyment nie trwał długo.
Niecały rok po wdrożeniu systemu opartego na AI, który miał śledzić stany magazynowe, firma – według doniesień – wycofała program w całej Ameryce Północnej, ponieważ generował zbyt wiele błędów, by można było na nim polegać. Projekt był częścią działań dyrektora generalnego Briana Niccola, mających na celu rozwiązanie problemu ciągłych braków towaru. Jednak powtarzające się błędy w liczeniu ostatecznie podważyły użyteczność technologii.
Dlaczego Starbucks wprowadził system AI do liczenia zapasów
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Sztuczna inteligencja nie poradziła sobie z liczeniem mleka w Starbucksie. Eksperyment zakończony po 9 miesiącach"?
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej.
What are the key points to validate first?
Starbucks zamknął system „Automatycznego Liczenia” oparty na AI po zaledwie 9 miesiącach od wdrożenia go w ponad 11 000 sklepów w Ameryce Północnej. Narzędzie opracowane z firmą NomadGo miało wykorzystywać kamerę i tablet do skanowania półek i automatycznego liczenia zapasów, co miało przyspieszyć zamawianie towaru i ograniczyć braki.[18][20]
What should I do next in practice?
Pracownicy zgłaszali podstawowe błędy – system źle liczył produkty, mylił podobne kartony mleka, a błędne dane mogły pogłębić problem braków zamiast go rozwiązać.[1][10]
Przez lata Starbucks zmagał się z problemem utrzymania odpowiedniego stanu magazynowego w swoich kawiarniach. Brakowało podstawowych produktów, takich jak mleko, ciastka, składniki do kanapek, a nawet plastikowe pokrywki do kubków. Wielu członków kierownictwa łączyło te niedobory z utraconą sprzedażą i problemami operacyjnymi.
Po objęciu stanowiska dyrektora generalnego, Brian Niccol uczynił rozwiązanie tych problemów jednym ze swoich priorytetów. Jedną z inicjatyw był system inwentaryzacji oparty na AI, który miał zapewnić szybszy i dokładniejszy wgląd w to, co faktycznie znajduje się na stanie w sklepach.
Technologia – opracowana z firmą NomadGo z Seattle – wykorzystywała widzenie komputerowe (computer vision), inteligencję przestrzenną 3D i rozszerzoną rzeczywistość (AR) do identyfikowania i liczenia produktów, gdy pracownicy skanowali półki, lodówki i pomieszczenia magazynowe za pomocą smartfona lub tabletu.
W teorii system miał:
Wyeliminować ręczne liczenie zapasów
Znacznie przyspieszyć inwentaryzację
Automatycznie sygnalizować niskie stany magazynowe
Usprawnić uzupełnianie towaru i zmniejszyć liczbę braków
Starbucks wdrożył system na szeroką skalę, planując jego użycie w ponad 11 000 kawiarni prowadzonych przez firmę w Ameryce Północnej.
Rodzaje błędów popełnianych przez system
W praktyce pracownicy sklepów zgłaszali, że system miał problemy z podstawowymi zadaniami wymaganymi do rzetelnej inwentaryzacji.
Jak wynika z doniesień cytowanych przez Reuters, system AI często:
Błędnie liczył produkty na półkach
Żle odczytywał lub błędnie etykietował przedmioty
Mylił wizualnie podobne produkty
Jednym z często przytaczanych przykładów były kartony z mlekiem. W niektórych sklepach system najwyraźniej nie potrafił odróżnić podobnie wyglądających kartonów, co prowadziło do błędnych danych o stanie magazynowym.
Nawet niewielkie nieścisłości mają znaczenie w systemach inwentaryzacyjnych. Gdy dane są błędne, oprogramowanie do zamawiania może generować nieprawidłowe wnioski o uzupełnienie towaru, powodując zamawianie zbyt małej lub zbyt dużej ilości kluczowych składników.
Dlaczego narzędzie zostało ostatecznie wycofane
Błędy nadwyrężyły zaufanie pracowników, którzy opierali na danych z systemu codzienne decyzje operacyjne. Zamiast ograniczać braki, błędne dane mogły je pogłębiać, jeśli sklepy zamawiały towary na podstawie nieprawidłowych stanów magazynowych.
W rezultacie Starbucks zdecydował się zakończyć program około 9 miesięcy po jego szerokim wdrożeniu w Ameryce Północnej.
Wewnętrzna komunikacja do pracowników informowała, że firma wycofuje narzędzie „Automatyczne Liczenie” i zmierza w kierunku bardziej spójnego podejścia do zarządzania zapasami, kontynuując szersze działania na rzecz usprawnienia łańcucha dostaw i systemów uzupełniania towaru.
Czego eksperyment uczy nas o AI w handlu detalicznym
Krótkotrwałe wdrożenie uwypukla powszechne wyzwanie związane z AI w rzeczywistych środowiskach handlowych. Systemy, które działają dobrze w kontrolowanych demonstracjach, mogą mieć problemy w chaotycznych warunkach prawdziwych sklepów – zmienne oświetlenie, zaśmiecone półki, podobne opakowania i niespójne rozmieszczenie przedmiotów.
Dla Starbucksa technologia miała wyeliminować żmudne zadanie i pomóc rozwiązać kosztowny problem łańcucha dostaw. Jednak gdy dokładność okazała się niewystarczająca, firma wolała porzucić narzędzie niż polegać na błędnych danych.
Ta historia podkreśla praktyczną lekcję dla sprzedawców detalicznych eksperymentujących z automatyzacją: gdy zadanie wymaga precyzyjnego zliczania i etykietowania, nawet niski wskaźnik błędów może szybko zdyskwalifikować systemy AI w codziennej pracy.
Przez lata Starbucks zmagał się z problemem utrzymania odpowiedniego stanu magazynowego w swoich kawiarniach. Brakowało podstawowych produktów, takich jak mleko, ciastka, składniki do kanapek, a nawet plastikowe pokrywki do kubków. Wielu członków kierownictwa łączyło te niedobory z utraconą sprzedażą i problemami operacyjnymi.
Po objęciu stanowiska dyrektora generalnego, Brian Niccol uczynił rozwiązanie tych problemów jednym ze swoich priorytetów. Jedną z inicjatyw był system inwentaryzacji oparty na AI, który miał zapewnić szybszy i dokładniejszy wgląd w to, co faktycznie znajduje się na stanie w sklepach.
Technologia – opracowana z firmą NomadGo z Seattle – wykorzystywała widzenie komputerowe (computer vision), inteligencję przestrzenną 3D i rozszerzoną rzeczywistość (AR) do identyfikowania i liczenia produktów, gdy pracownicy skanowali półki, lodówki i pomieszczenia magazynowe za pomocą smartfona lub tabletu.
W teorii system miał:
Wyeliminować ręczne liczenie zapasów
Znacznie przyspieszyć inwentaryzację
Automatycznie sygnalizować niskie stany magazynowe
Usprawnić uzupełnianie towaru i zmniejszyć liczbę braków
Starbucks wdrożył system na szeroką skalę, planując jego użycie w ponad 11 000 kawiarni prowadzonych przez firmę w Ameryce Północnej.
Rodzaje błędów popełnianych przez system
W praktyce pracownicy sklepów zgłaszali, że system miał problemy z podstawowymi zadaniami wymaganymi do rzetelnej inwentaryzacji.
Jak wynika z doniesień cytowanych przez Reuters, system AI często:
Błędnie liczył produkty na półkach
Żle odczytywał lub błędnie etykietował przedmioty
Mylił wizualnie podobne produkty
Jednym z często przytaczanych przykładów były kartony z mlekiem. W niektórych sklepach system najwyraźniej nie potrafił odróżnić podobnie wyglądających kartonów, co prowadziło do błędnych danych o stanie magazynowym.
Nawet niewielkie nieścisłości mają znaczenie w systemach inwentaryzacyjnych. Gdy dane są błędne, oprogramowanie do zamawiania może generować nieprawidłowe wnioski o uzupełnienie towaru, powodując zamawianie zbyt małej lub zbyt dużej ilości kluczowych składników.
Dlaczego narzędzie zostało ostatecznie wycofane
Błędy nadwyrężyły zaufanie pracowników, którzy opierali na danych z systemu codzienne decyzje operacyjne. Zamiast ograniczać braki, błędne dane mogły je pogłębiać, jeśli sklepy zamawiały towary na podstawie nieprawidłowych stanów magazynowych.
W rezultacie Starbucks zdecydował się zakończyć program około 9 miesięcy po jego szerokim wdrożeniu w Ameryce Północnej.
Wewnętrzna komunikacja do pracowników informowała, że firma wycofuje narzędzie „Automatyczne Liczenie” i zmierza w kierunku bardziej spójnego podejścia do zarządzania zapasami, kontynuując szersze działania na rzecz usprawnienia łańcucha dostaw i systemów uzupełniania towaru.
Czego eksperyment uczy nas o AI w handlu detalicznym
Krótkotrwałe wdrożenie uwypukla powszechne wyzwanie związane z AI w rzeczywistych środowiskach handlowych. Systemy, które działają dobrze w kontrolowanych demonstracjach, mogą mieć problemy w chaotycznych warunkach prawdziwych sklepów – zmienne oświetlenie, zaśmiecone półki, podobne opakowania i niespójne rozmieszczenie przedmiotów.
Dla Starbucksa technologia miała wyeliminować żmudne zadanie i pomóc rozwiązać kosztowny problem łańcucha dostaw. Jednak gdy dokładność okazała się niewystarczająca, firma wolała porzucić narzędzie niż polegać na błędnych danych.
Ta historia podkreśla praktyczną lekcję dla sprzedawców detalicznych eksperymentujących z automatyzacją: gdy zadanie wymaga precyzyjnego zliczania i etykietowania, nawet niski wskaźnik błędów może szybko zdyskwalifikować systemy AI w codziennej pracy.
devdiscourse.comEXCLUSIVE-Starbucks scraps AI inventory tool across North America
engadget.comStarbucks abandons its AI inventory tool after only nine months
sahmcapital.comINSIGHT-Inside Starbucks' supply struggles: AI glitches, scattered ...
newfortunetimes.comHow Supply Chain Strains Are Holding Back Starbucks' Sales