O experimento de IA da Starbucks para controlar estoque durou só nove meses — e falhou nas lojas

O sistema então calculava automaticamente a quantidade disponível e mostrava os resultados em tempo real no dispositivo.

A promessa era reduzir tarefas repetitivas e melhorar a visibilidade do estoque em milhares de lojas, ajudando a evitar faltas de ingredientes que impedem a venda de determinadas bebidas.

O que deu errado nas lojas

Quando a tecnologia passou a ser usada em larga escala, começaram a aparecer problemas básicos de confiabilidade.

Relatos citando comunicações internas da empresa indicam que o sistema frequentemente contava itens de forma errada, rotulava produtos incorretamente ou simplesmente deixava alguns itens de fora do inventário.

Um dos problemas mais comuns envolvia produtos visualmente semelhantes, especialmente diferentes tipos de leite — como leite comum, de aveia ou outras alternativas vegetais. Em alguns casos, o sistema confundia esses produtos ou não os detectava corretamente.

Para uma rede como a Starbucks, isso é crítico: a disponibilidade de leite determina diretamente se muitas bebidas podem ou não ser preparadas. Quando o sistema errava a contagem, os funcionários precisavam verificar tudo manualmente.

Em vez de economizar tempo, a ferramenta acabou gerando retrabalho.

Por que a empresa voltou ao método manual

Em maio de 2026, a Starbucks comunicou às lojas que o programa seria encerrado e que ingredientes de bebidas e leite voltariam a ser contados manualmente, como já acontece com outras categorias de estoque.

A decisão também faz parte de um reposicionamento operacional mais amplo dentro da empresa.

Sob o comando do CEO Brian Niccol, a Starbucks lançou uma estratégia interna chamada “Back to Starbucks”, focada em corrigir falhas de execução nas lojas e reduzir a falta de produtos no cardápio.

Entre as prioridades dessa estratégia estão:

• padronizar práticas de inventário
• melhorar a consistência operacional nas lojas
• implementar reposição diária de ingredientes essenciais

Nesse contexto, a empresa concluiu que a contagem manual — embora mais simples — era mais confiável para garantir que os ingredientes certos estivessem disponíveis nas lojas.

Um alerta sobre IA em operações do mundo real

O caso virou um exemplo interessante de um desafio comum na adoção de IA corporativa: uma tecnologia que funciona bem em demonstrações controladas pode enfrentar dificuldades em ambientes reais.

Lojas físicas apresentam obstáculos constantes para sistemas de visão computacional, como:

• prateleiras desorganizadas
• embalagens semelhantes
• iluminação inconsistente
• mudanças frequentes no layout de armazenamento

Mesmo pequenos erros de reconhecimento podem virar problemas operacionais quando multiplicados por milhares de unidades.

Depois de nove meses de uso em grande escala, a Starbucks concluiu que os ganhos de eficiência prometidos pela automação não compensavam os problemas de precisão — e decidiu encerrar o experimento.

Ainda assim, o episódio mostra o quanto grandes redes de varejo estão testando inteligência artificial em suas operações físicas — e como esses projetos podem ser rapidamente revertidos quando não funcionam no ritmo do dia a dia das lojas.