När Brian Niccol blev VD gjorde han att åtgärda dessa försörjningsproblem till en högsta prioritet. En av åtgärderna var ett AI-drivet lagerhanteringssystem designat för att ge butikerna snabbare och mer exakt insyn i vad de faktiskt hade i lager.

Tekniken – utvecklad med Seattle-baserade startupen NomadGo – använde datorseende, 3D-spatial intelligens och förstärkt verklighet för att identifiera och räkna produkter när anställda skannade hyllor, kylar och förvaringsutrymmen med en smartphone eller surfplatta.

I teorin kunde systemet:

• Ersätta manuell lagerräkning
• Påskynda lagerkontroller dramatiskt
• Automatiskt flagga låga lagernivåer
• Förbättra påfyllnad och minska antalet varor som var slut i lager

Starbucks rullade ut systemet i stor skala, med planer på att använda det på över 11 000 företagsägda butiker i Nordamerika.

De typer av fel systemet gjorde

I praktiken rapporterade butiksanställda att systemet kämpade med grundläggande uppgifter som krävs för tillförlitlig lagerhantering.

Enligt rapporter som citeras av Reuters hade AI:n ofta problem med att:

• Räkna produkter på hyllorna fel
• Läsa av eller märka produkter felaktigt
• Blanda ihop produkter som såg likadana ut

Ett ofta citerat exempel handlade om mjölkförpackningar. I vissa butiker rapporterades systemet ha svårt att skilja mellan olika mjölkkartonger som såg likadana ut, vilket ledde till felaktiga lagerräkningar.

Även små felaktigheter spelar stor roll i lagerhantering. När räkningarna är fel kan beställningsprogrammet generera felaktiga påfyllnadsförfrågningar, vilket leder till att butikerna beställer för lite eller för mycket av viktiga ingredienser.

Varför verktyget till slut skrotades

Felen underminerade förtroendet för systemet bland butiksanställda, som förlitade sig på räkningarna för att hantera den dagliga verksamheten. Istället för att minska bristen kunde felaktiga data potentiellt förvärra den om butikerna beställde förnödenheter baserat på felaktiga lagerregister.

Som ett resultat beslutade Starbucks att avveckla programmet ungefär nio månader efter att det hade rullats ut i stor skala i Nordamerika.

Intern kommunikation till personalen uppgav att företaget drog tillbaka verktyget "Automated Counting" och gick mot ett mer konsekvent tillvägagångssätt för lagerhantering, samtidigt som man fortsatte bredare ansträngningar för att förbättra leveranskedjor och påfyllnadssystem.

Vad experimentet avslöjar om AI inom detaljhandeln

Den kortlivade utrullningen belyser en vanlig utmaning med AI i verkliga detaljhandelsmiljöer. System som fungerar bra i kontrollerade demonstrationer kan ha svårt med de stökiga förhållandena i verkliga butiker – föränderlig belysning, överfyllda hyllor, liknande förpackningar och inkonsekvent placering av varor.

För Starbucks var tekniken tänkt att eliminera en tråkig uppgift och hjälpa till att lösa ett kostsamt problem i leveranskedjan. Men när noggrannheten inte höll måttet valde företaget att överge verktyget snarare än att förlita sig på felaktiga data.

Händelsen understryker en praktisk läxa för detaljhandlare som experimenterar med automatisering: när uppgiften kräver exakt räkning och märkning kan även små felprocent snabbt göra AI-system oanvändbara i den dagliga verksamheten.

När Brian Niccol blev VD gjorde han att åtgärda dessa försörjningsproblem till en högsta prioritet. En av åtgärderna var ett AI-drivet lagerhanteringssystem designat för att ge butikerna snabbare och mer exakt insyn i vad de faktiskt hade i lager.

Tekniken – utvecklad med Seattle-baserade startupen NomadGo – använde datorseende, 3D-spatial intelligens och förstärkt verklighet för att identifiera och räkna produkter när anställda skannade hyllor, kylar och förvaringsutrymmen med en smartphone eller surfplatta.

I teorin kunde systemet:

• Ersätta manuell lagerräkning
• Påskynda lagerkontroller dramatiskt
• Automatiskt flagga låga lagernivåer
• Förbättra påfyllnad och minska antalet varor som var slut i lager

Starbucks rullade ut systemet i stor skala, med planer på att använda det på över 11 000 företagsägda butiker i Nordamerika.

De typer av fel systemet gjorde

I praktiken rapporterade butiksanställda att systemet kämpade med grundläggande uppgifter som krävs för tillförlitlig lagerhantering.

Enligt rapporter som citeras av Reuters hade AI:n ofta problem med att:

• Räkna produkter på hyllorna fel
• Läsa av eller märka produkter felaktigt
• Blanda ihop produkter som såg likadana ut

Ett ofta citerat exempel handlade om mjölkförpackningar. I vissa butiker rapporterades systemet ha svårt att skilja mellan olika mjölkkartonger som såg likadana ut, vilket ledde till felaktiga lagerräkningar.

Även små felaktigheter spelar stor roll i lagerhantering. När räkningarna är fel kan beställningsprogrammet generera felaktiga påfyllnadsförfrågningar, vilket leder till att butikerna beställer för lite eller för mycket av viktiga ingredienser.

Varför verktyget till slut skrotades

Felen underminerade förtroendet för systemet bland butiksanställda, som förlitade sig på räkningarna för att hantera den dagliga verksamheten. Istället för att minska bristen kunde felaktiga data potentiellt förvärra den om butikerna beställde förnödenheter baserat på felaktiga lagerregister.

Som ett resultat beslutade Starbucks att avveckla programmet ungefär nio månader efter att det hade rullats ut i stor skala i Nordamerika.

Intern kommunikation till personalen uppgav att företaget drog tillbaka verktyget "Automated Counting" och gick mot ett mer konsekvent tillvägagångssätt för lagerhantering, samtidigt som man fortsatte bredare ansträngningar för att förbättra leveranskedjor och påfyllnadssystem.

Vad experimentet avslöjar om AI inom detaljhandeln

Den kortlivade utrullningen belyser en vanlig utmaning med AI i verkliga detaljhandelsmiljöer. System som fungerar bra i kontrollerade demonstrationer kan ha svårt med de stökiga förhållandena i verkliga butiker – föränderlig belysning, överfyllda hyllor, liknande förpackningar och inkonsekvent placering av varor.

För Starbucks var tekniken tänkt att eliminera en tråkig uppgift och hjälpa till att lösa ett kostsamt problem i leveranskedjan. Men när noggrannheten inte höll måttet valde företaget att överge verktyget snarare än att förlita sig på felaktiga data.

Händelsen understryker en praktisk läxa för detaljhandlare som experimenterar med automatisering: när uppgiften kräver exakt räkning och märkning kan även små felprocent snabbt göra AI-system oanvändbara i den dagliga verksamheten.