Tanken bakom Automated Counting var enkel: istället för att personalen manuellt skulle räkna varor i kylar, på hyllor och i lagerutrymmen kunde de scanna området med en handhållen surfplatta eller mobil enhet.

NomadGos mjukvara analyserade kamerabilden med hjälp av flera teknologier:

• Datorseende för att känna igen produkter
• 3D-rymdintelligens och förstärkt verklighet
• Djupavkänning och LiDAR-liknande skanning för att kartlägga hyllor och behållare

Personal kunde föra surfplattan över ett kylskåp eller en hylla, och systemet skulle automatiskt identifiera föremål – som mjölkförpackningar, sirapsflaskor eller kaffepåsar – och räkna dem nästan omedelbart.

Företagen marknadsförde verktyget som dramatiskt snabbare än manuell räkning och hävdade att det kunde leverera resultat upp till åtta gånger snabbare samtidigt som det förbättrade noggrannheten.

För ett företag med tusentals butiker och höga volymer av dryckesingredienser kunde även små förbättringar i lagerinsyn bidra till att minska brist och effektivisera supply chain-planeringen.

Vad som faktiskt hände i butikerna

När systemet väl var utrullat i riktiga butiksmiljöer kämpade det med noggrannheten.

Anställda rapporterade flera återkommande problem:

• Felräknade varor när kamerasökningen missade produkter eller räknade fel
• Felmärkta produkter, särskilt när varor såg likadana ut
• Oigenkända varor som systemet inte upptäckte alls

Ett särskilt vanligt problem rörde olika mjölksorter, som standardmjölk, lättmjölk och växtbaserade alternativ. Personalen sa att systemet ibland blandade ihop dessa visuellt liknande förpackningar och producerade felaktiga lagerantal.

Eftersom dessa ingredienser är avgörande för dryckestillverkning kunde felaktiga räkningar leda till felaktiga beställningsbeslut och produktbrist.

Varför Starbucks till slut lade ner det

Starbucks avslutade programmet i maj 2026, cirka nio månader efter lansering, enligt intern kommunikation som granskats av reportrar och bekräftats av anställda.

Företaget meddelade att man skulle pensionera Automated Counting och återgå till manuella lagerprocesser för dessa kategorier. Mjölk och andra dryckeskomponenter skulle från och med nu räknas på samma sätt som övrigt lager i butiken.

Beslutet var knutet till en bredare ansträngning för att:

• standardisera inventeringsrutiner
• förbättra enhetligheten i butikerna
• stödja daglig påfyllning och supply chain-genomförande

Kort sagt: Det automatiska systemet levererade inte tillförlitlig lagerdata som var tillräckligt bra för operativa beslut.

En läxa från en uppmärksammad detaljhandelspilot

Utbyggnaden var anmärkningsvärd eftersom den skedde i enorm skala: tiotusentals anställda använde teknologin i tusentals butiker.

Men experimentet belyste en vanlig utmaning för AI-system i företag. Teknik som fungerar bra i kontrollerade demonstrationer kan få problem i röriga verkliga miljöer där ljusförhållandena varierar, hyllor är röriga, förpackningar förändras och produkter ser nästan identiska ut.

För Starbucks var dessa små visuella otydligheter tillräckliga för att göra automatiska räkningar mindre pålitliga än traditionella manuella kontroller – åtminstone för tillfället.

Företaget har inte uteslutit framtida automation inom lagerhantering, men den korta livslängden för Automated Counting visar hur svårt det kan vara att på ett tillförlitligt sätt införa datorseendesystem i stora butiksnätverk.

Tanken bakom Automated Counting var enkel: istället för att personalen manuellt skulle räkna varor i kylar, på hyllor och i lagerutrymmen kunde de scanna området med en handhållen surfplatta eller mobil enhet.

NomadGos mjukvara analyserade kamerabilden med hjälp av flera teknologier:

• Datorseende för att känna igen produkter
• 3D-rymdintelligens och förstärkt verklighet
• Djupavkänning och LiDAR-liknande skanning för att kartlägga hyllor och behållare

Personal kunde föra surfplattan över ett kylskåp eller en hylla, och systemet skulle automatiskt identifiera föremål – som mjölkförpackningar, sirapsflaskor eller kaffepåsar – och räkna dem nästan omedelbart.

Företagen marknadsförde verktyget som dramatiskt snabbare än manuell räkning och hävdade att det kunde leverera resultat upp till åtta gånger snabbare samtidigt som det förbättrade noggrannheten.

För ett företag med tusentals butiker och höga volymer av dryckesingredienser kunde även små förbättringar i lagerinsyn bidra till att minska brist och effektivisera supply chain-planeringen.

Vad som faktiskt hände i butikerna

När systemet väl var utrullat i riktiga butiksmiljöer kämpade det med noggrannheten.

Anställda rapporterade flera återkommande problem:

• Felräknade varor när kamerasökningen missade produkter eller räknade fel
• Felmärkta produkter, särskilt när varor såg likadana ut
• Oigenkända varor som systemet inte upptäckte alls

Ett särskilt vanligt problem rörde olika mjölksorter, som standardmjölk, lättmjölk och växtbaserade alternativ. Personalen sa att systemet ibland blandade ihop dessa visuellt liknande förpackningar och producerade felaktiga lagerantal.

Eftersom dessa ingredienser är avgörande för dryckestillverkning kunde felaktiga räkningar leda till felaktiga beställningsbeslut och produktbrist.

Varför Starbucks till slut lade ner det

Starbucks avslutade programmet i maj 2026, cirka nio månader efter lansering, enligt intern kommunikation som granskats av reportrar och bekräftats av anställda.

Företaget meddelade att man skulle pensionera Automated Counting och återgå till manuella lagerprocesser för dessa kategorier. Mjölk och andra dryckeskomponenter skulle från och med nu räknas på samma sätt som övrigt lager i butiken.

Beslutet var knutet till en bredare ansträngning för att:

• standardisera inventeringsrutiner
• förbättra enhetligheten i butikerna
• stödja daglig påfyllning och supply chain-genomförande

Kort sagt: Det automatiska systemet levererade inte tillförlitlig lagerdata som var tillräckligt bra för operativa beslut.

En läxa från en uppmärksammad detaljhandelspilot

Utbyggnaden var anmärkningsvärd eftersom den skedde i enorm skala: tiotusentals anställda använde teknologin i tusentals butiker.

Men experimentet belyste en vanlig utmaning för AI-system i företag. Teknik som fungerar bra i kontrollerade demonstrationer kan få problem i röriga verkliga miljöer där ljusförhållandena varierar, hyllor är röriga, förpackningar förändras och produkter ser nästan identiska ut.

För Starbucks var dessa små visuella otydligheter tillräckliga för att göra automatiska räkningar mindre pålitliga än traditionella manuella kontroller – åtminstone för tillfället.

Företaget har inte uteslutit framtida automation inom lagerhantering, men den korta livslängden för Automated Counting visar hur svårt det kan vara att på ett tillförlitligt sätt införa datorseendesystem i stora butiksnätverk.