Эксперимент Starbucks с AI‑учётом запасов провалился спустя девять месяцев

Достаточно было провести планшетом вдоль полки или холодильника — и система автоматически определяла и считала предметы, например канистры с молоком, сиропы или пакеты кофе.

По заявлениям разработчиков, такая процедура могла выполняться до восьми раз быстрее, чем традиционный ручной подсчёт.

Для сети с тысячами кофеен даже небольшое улучшение точности данных о запасах могло помочь быстрее выявлять нехватку ингредиентов и эффективнее управлять поставками.

С какими проблемами столкнулись сотрудники

Когда технология начала использоваться в реальных кофейнях, выяснилось, что точность системы оставляет желать лучшего.

Сотрудники сообщали о нескольких типичных проблемах:

• ошибки в подсчёте — камера могла пропустить часть товаров или неверно определить их количество
• неверные подписи товаров, когда программа путала похожие продукты
• пропущенные позиции, которые система вообще не распознавала

Одной из самых частых проблем стало распознавание разных видов молока — например, цельного, обезжиренного и альтернативных вариантов. Внешне эти упаковки очень похожи, и система нередко путала их между собой, что приводило к неправильным данным об остатках.

А для Starbucks молоко — один из ключевых ингредиентов большинства напитков. Поэтому ошибки в учёте могли напрямую влиять на заказы поставок и доступность меню.

Почему Starbucks решил отказаться от системы

В мае 2026 года Starbucks официально прекратил использование Automated Counting — примерно через девять месяцев после начала масштабного внедрения.

Во внутреннем уведомлении для сотрудников говорилось, что система будет выведена из эксплуатации, а подсчёт молока и ингредиентов для напитков снова станет частью стандартной ручной инвентаризации.

Решение объяснялось более широкой инициативой компании по:

• стандартизации процедур инвентаризации
• повышению стабильности работы кофеен
• улучшению ежедневного пополнения запасов и управления поставками

Проще говоря, автоматизированная система не обеспечивала достаточно надёжных данных, чтобы на её основе принимать операционные решения.

Что показал этот эксперимент

Проект стал заметным кейсом в розничной торговле, потому что его масштаб был огромным: технология сразу использовалась десятками тысяч сотрудников в тысячах магазинов.

Но опыт Starbucks подчеркнул распространённую проблему корпоративных AI‑решений. Технологии, которые хорошо работают в демонстрациях и контролируемых условиях, часто сталкиваются с трудностями в реальной среде: разное освещение, переполненные полки, похожая упаковка товаров и постоянно меняющийся ассортимент.

В случае Starbucks этих факторов оказалось достаточно, чтобы автоматический подсчёт оказался менее надёжным, чем старый добрый ручной контроль — по крайней мере на данном этапе.

Компания не исключает, что автоматизация учёта запасов может вернуться в будущем. Однако история с Automated Counting показывает, насколько сложно внедрять системы компьютерного зрения на масштабах крупных розничных сетей.