Starbucks desiste de ferramenta de IA que contava estoque nas lojas

A Starbucks tentou usar inteligência artificial para automatizar uma das tarefas mais rotineiras de suas cafeterias: contar o estoque de produtos. A iniciativa, porém, durou pouco.

Menos de um ano após lançar um sistema de contagem automatizada baseado em IA, a empresa decidiu descontinuar a ferramenta na América do Norte. O motivo: erros frequentes tornaram o sistema pouco confiável para as operações do dia a dia. O projeto fazia parte da estratégia do CEO Brian Niccol para reduzir a falta de produtos nas lojas, mas as falhas acabaram comprometendo o objetivo inicial.

Por que a Starbucks adotou um sistema de IA para o estoque

Há anos a Starbucks enfrenta dificuldades para manter suas lojas sempre abastecidas com itens básicos — como leite, doces, ingredientes de sanduíches e até tampas de copos. Executivos da empresa já associaram essas faltas a perdas de vendas e problemas operacionais.

Quando Brian Niccol assumiu o comando da companhia, uma de suas prioridades foi justamente resolver essas falhas na cadeia de suprimentos. Uma das apostas foi usar inteligência artificial para tornar o controle de estoque mais rápido e preciso.

A tecnologia foi desenvolvida em parceria com a startup NomadGo, de Seattle. O sistema combinava visão computacional, inteligência espacial 3D e realidade aumentada. Funcionários usavam um smartphone ou tablet para escanear prateleiras, geladeiras e áreas de armazenamento — e a IA identificava e contava automaticamente os produtos.

Na teoria, isso permitiria:

• substituir a contagem manual de estoque
• acelerar drasticamente as verificações de produtos
• alertar automaticamente quando algo estivesse acabando
• melhorar a reposição e reduzir itens em falta

A empresa chegou a planejar o uso da ferramenta em mais de 11 mil lojas próprias na América do Norte.

Os erros que começaram a aparecer

Na prática, funcionários relataram que o sistema tinha dificuldade em tarefas básicas necessárias para manter um inventário confiável.

De acordo com relatos citados pela Reuters, a IA frequentemente:

• contava produtos de forma incorreta
• identificava itens com rótulos errados
• confundia produtos visualmente parecidos

Um exemplo bastante citado envolvia caixas de leite. Em algumas lojas, o sistema tinha dificuldade para diferenciar embalagens muito semelhantes, o que gerava números de estoque incorretos.

Pode parecer um erro pequeno, mas em sistemas de estoque a precisão é essencial. Quando os números estão errados, o software de pedidos pode solicitar reposições inadequadas — levando as lojas a comprar produtos demais ou de menos.

Por que a ferramenta acabou sendo abandonada

Com o tempo, esses erros começaram a minar a confiança dos funcionários no sistema. Como as equipes dependiam desses dados para gerenciar pedidos e reposição, números imprecisos poderiam piorar — e não resolver — os problemas de falta de produtos.

Diante disso, a Starbucks decidiu encerrar o programa cerca de nove meses após sua implantação em larga escala na América do Norte.

Em comunicações internas, a empresa informou aos funcionários que a ferramenta “Automated Counting” seria retirada e que a companhia passaria a buscar um método mais consistente de controle de estoque, enquanto continua trabalhando para melhorar sua cadeia de suprimentos e os sistemas de reposição.

O que o caso mostra sobre IA no varejo

O episódio ilustra um desafio comum na adoção de inteligência artificial em ambientes reais de varejo. Sistemas que funcionam bem em demonstrações controladas podem enfrentar dificuldades nas condições imprevisíveis das lojas — iluminação variável, prateleiras bagunçadas, embalagens semelhantes e produtos posicionados de forma irregular.

No caso da Starbucks, a ideia era eliminar uma tarefa repetitiva e ajudar a resolver um problema caro para a empresa: a falta de produtos nas lojas. Mas, quando a precisão não atingiu o nível necessário, a companhia optou por abandonar a tecnologia em vez de depender de dados potencialmente incorretos.

Para varejistas que experimentam automação, a lição é clara: quando uma tarefa depende de contagens extremamente precisas, mesmo pequenas taxas de erro podem tornar sistemas de IA impraticáveis no uso diário.