Эксперимент Starbucks с ИИ для учета запасов закончился провалом

Технологию разработали совместно со стартапом NomadGo из Сиэтла. Она сочетала компьютерное зрение, 3D‑пространственный анализ и элементы дополненной реальности. Сотрудники сканировали полки, холодильники и склады с помощью смартфона или планшета, а система автоматически распознавала и считала товары.

Предполагалось, что система сможет:

• заменить ручной подсчет запасов
• ускорить проверку наличия продуктов
• автоматически отмечать позиции с низким остатком
• улучшить пополнение запасов и снизить число случаев, когда товара нет в наличии

Starbucks планировала использовать эту технологию более чем в 11 000 собственных кофейнях Северной Америки.

Какие ошибки возникали на практике

Однако в реальных условиях кофейни система столкнулась с трудностями. Сотрудники сообщали, что ИИ регулярно ошибался в базовых операциях учета.

По данным сообщений со ссылкой на Reuters, система часто:

• неправильно считала количество товаров
• путала или неверно распознавала продукты
• ошибалась с похожими упаковками

Один из часто упоминаемых примеров — упаковки молока. В некоторых кофейнях алгоритм не мог корректно отличить похожие картонные коробки или бутылки разных видов молока, из‑за чего данные о запасах становились неверными.

Даже небольшие ошибки здесь критичны. Если система считает неправильно, программное обеспечение для заказов может сформировать неверные заявки на поставку — и магазин закажет слишком много или слишком мало ингредиентов.

Почему Starbucks в итоге отказалась от проекта

Постоянные ошибки подорвали доверие сотрудников к системе. Работники должны были опираться на эти данные для ежедневного управления запасами, но из‑за неточностей инструмент иногда мог даже усугублять проблему нехватки продуктов.

В результате Starbucks решила полностью отказаться от программы примерно через девять месяцев после ее широкого внедрения в Северной Америке.

Во внутреннем сообщении сотрудникам компания сообщила, что инструмент «Automated Counting» выводится из эксплуатации. Вместо него Starbucks планирует использовать более единый и надежный подход к учету запасов, параллельно продолжая улучшать цепочки поставок и систему пополнения товаров.

Что этот случай показывает о внедрении ИИ в рознице

История Starbucks иллюстрирует распространенную проблему внедрения ИИ в реальной розничной среде. Технологии, которые хорошо работают на демонстрациях или в контролируемых условиях, могут сталкиваться с трудностями в настоящих магазинах — из‑за плохого освещения, загроможденных полок, похожих упаковок и хаотичного расположения товаров.

Для Starbucks система должна была убрать трудоемкую задачу подсчета и помочь решить дорогостоящую проблему дефицита товаров. Но когда точность оказалась недостаточной, компания решила отказаться от инструмента, чтобы не полагаться на ошибочные данные.

Этот эксперимент стал наглядным уроком для ритейлеров: если задача требует очень точного подсчета и распознавания, даже небольшая доля ошибок может сделать ИИ‑систему непригодной для ежедневной работы.