ทำไม Starbucks ถึงยุติระบบ AI สำหรับนับสต็อกในร้าน หลังเปิดใช้ได้ไม่ถึงปี

เทคโนโลยีดังกล่าวพัฒนาร่วมกับสตาร์ทอัพจากซีแอตเทิลชื่อ NomadGo โดยใช้เทคโนโลยีหลายอย่างร่วมกัน เช่น

• computer vision (การมองเห็นด้วยคอมพิวเตอร์)
• 3D spatial intelligence
• augmented reality

พนักงานสามารถใช้สมาร์ตโฟนหรือแท็บเล็ตสแกนชั้นวางสินค้า ตู้เย็น หรือพื้นที่เก็บของ แล้วระบบจะระบุและนับจำนวนสินค้าโดยอัตโนมัติ

ตามแนวคิดเดิม ระบบนี้ควรจะช่วยให้

• ลดการนับสต็อกแบบแมนนวล
• ทำให้การตรวจเช็กสต็อกเร็วขึ้นมาก
• แจ้งเตือนสินค้าที่ใกล้หมด
• ช่วยให้การสั่งของและเติมสต็อกแม่นยำขึ้น

Starbucks วางแผนใช้เทคโนโลยีนี้ในร้านที่บริษัทเป็นเจ้าของมากกว่า 11,000 สาขาในอเมริกาเหนือ

ปัญหาที่เกิดขึ้นจริงในร้าน

เมื่อใช้งานจริงในสภาพแวดล้อมของร้านกาแฟ ระบบกลับมีปัญหาในการทำงานพื้นฐานหลายอย่าง

รายงานที่อ้างถึงโดย Reuters ระบุว่า AI มักจะ

• นับจำนวนสินค้าบนชั้นผิด
• อ่านหรือระบุฉลากสินค้าไม่ถูกต้อง
• สับสนสินค้าที่หน้าตาคล้ายกัน

ตัวอย่างที่ถูกพูดถึงบ่อยคือ กล่องนมหลายชนิดที่หน้าตาคล้ายกัน ซึ่งระบบบางครั้งไม่สามารถแยกประเภทได้ ทำให้จำนวนสต็อกที่บันทึกไว้ผิดจากความเป็นจริง

สำหรับระบบจัดการสต็อก แม้ความผิดพลาดเพียงเล็กน้อยก็สร้างปัญหาใหญ่ได้ เพราะข้อมูลเหล่านี้ถูกใช้ในการคำนวณว่าควรสั่งสินค้าเพิ่มเท่าไร หากตัวเลขผิด ร้านอาจสั่งของน้อยเกินไปหรือมากเกินไป

เหตุผลที่ Starbucks ตัดสินใจยกเลิกระบบ

ข้อผิดพลาดที่เกิดขึ้นซ้ำ ๆ ทำให้พนักงานเริ่มไม่เชื่อถือข้อมูลจากระบบ และในบางกรณีข้อมูลที่ผิดอาจทำให้ปัญหาของขาดในร้านแย่ลง หากร้านสั่งของตามข้อมูลสต็อกที่ไม่ถูกต้อง

สุดท้าย Starbucks จึงตัดสินใจ ยุติการใช้เครื่องมือ “Automated Counting” หลังจากเปิดใช้งานในวงกว้างเพียงประมาณเก้าเดือนในอเมริกาเหนือ

การสื่อสารภายในบริษัทระบุว่า บริษัทต้องการกลับไปใช้แนวทางที่สม่ำเสมอมากขึ้นในการจัดการสต็อก พร้อมทั้งเดินหน้าปรับปรุงระบบซัพพลายเชนและการเติมสินค้าในภาพรวมต่อไป

บทเรียนของ AI ในโลกค้าปลีก

กรณีของ Starbucks สะท้อนปัญหาที่พบได้บ่อยในการนำ AI มาใช้ในธุรกิจค้าปลีกจริง ระบบที่ดูแม่นยำในเดโมหรือสภาพแวดล้อมควบคุม อาจทำงานยากขึ้นในร้านจริงที่มีแสงเปลี่ยนตลอด ชั้นวางรก สินค้าหน้าตาคล้ายกัน และการจัดวางที่ไม่เหมือนกันทุกสาขา

สำหรับ Starbucks เทคโนโลยีนี้ถูกสร้างขึ้นเพื่อกำจัดงานซ้ำ ๆ และช่วยแก้ปัญหาสต็อกสินค้า แต่เมื่อความแม่นยำไม่เพียงพอ บริษัทจึงเลือกหยุดใช้ระบบ แทนที่จะพึ่งพาข้อมูลที่อาจทำให้การดำเนินงานผิดพลาดมากขึ้น

เหตุการณ์นี้จึงกลายเป็นบทเรียนสำคัญสำหรับผู้ค้าปลีกที่กำลังทดลองใช้ AI: หากงานนั้นต้องการ การนับและการระบุสินค้าที่แม่นยำมาก แม้อัตราความผิดพลาดเพียงเล็กน้อยก็อาจทำให้ระบบทั้งระบบใช้งานจริงไม่ได้