บทเรียนจาก AI ของ Starbucks: ทำไมระบบ “Automated Counting” ถึงไปไม่รอด

พนักงานเพียงแค่เลื่อนแท็บเล็ตผ่านตู้เย็นหรือชั้นวาง ระบบจะพยายาม ตรวจจับ ระบุ และนับสินค้าโดยอัตโนมัติ เช่น แกลลอนนม ขวดไซรัป หรือถุงกาแฟ

ผู้พัฒนาระบุว่าเทคโนโลยีนี้สามารถทำงานได้ เร็วกว่าแบบแมนนวลถึง 8 เท่า พร้อมทั้งช่วยเพิ่มความแม่นยำในการตรวจนับสินค้า

สำหรับบริษัทที่มีร้านหลายพันแห่งและใช้วัตถุดิบจำนวนมากทุกวัน การเห็นภาพสต็อกที่แม่นยำขึ้นอาจช่วยลดปัญหาของหมด และทำให้การวางแผนซัพพลายเชนมีประสิทธิภาพมากขึ้น

ปัญหาที่เกิดขึ้นเมื่อใช้งานในร้านจริง

เมื่อระบบถูกนำไปใช้ในสภาพแวดล้อมของร้านจริง กลับพบว่า ความแม่นยำไม่ได้เป็นไปตามที่คาดหวัง

พนักงานรายงานปัญหาหลายอย่าง เช่น

• ระบบ นับจำนวนสินค้าผิด เมื่อกล้องสแกนพลาดหรือคำนวณผิด
• ระบุประเภทสินค้าผิด เมื่อสินค้ามีหน้าตาคล้ายกัน
• ไม่ตรวจจับสินค้าเลย ในบางกรณี

ปัญหาที่พบได้บ่อยคือเรื่อง นมหลายชนิด เช่น นมเต็มมันเนย นมพร่องมันเนย หรือนมทางเลือกต่าง ๆ ซึ่งมักใช้ภาชนะหรือแพ็กเกจที่หน้าตาคล้ายกัน ทำให้ระบบสับสนและให้จำนวนสต็อกที่ไม่ถูกต้อง

สำหรับร้าน Starbucks วัตถุดิบเหล่านี้เป็นหัวใจของการทำเครื่องดื่ม หากจำนวนสต็อกผิดพลาด ก็อาจทำให้การสั่งของหรือการเติมสินค้าในร้านคลาดเคลื่อนได้

เหตุผลที่ Starbucks ตัดสินใจยกเลิก

Starbucks ยุติโครงการนี้ในเดือนพฤษภาคม 2026 หรือประมาณเก้าเดือนหลังเริ่มใช้งาน ตามข้อมูลจากการสื่อสารภายในบริษัทที่ผู้สื่อข่าวตรวจสอบได้

บริษัทระบุว่าจะ ยกเลิก Automated Counting และกลับไปใช้การนับสต็อกแบบเดิม สำหรับหมวดสินค้าอย่างนมและส่วนผสมเครื่องดื่ม ซึ่งจะถูกนับเหมือนหมวดสินค้าอื่น ๆ ในร้าน

การตัดสินใจนี้เป็นส่วนหนึ่งของความพยายามในวงกว้างเพื่อ

• ทำให้กระบวนการจัดการสต็อกในร้านมีมาตรฐานเดียวกัน
• เพิ่มความสม่ำเสมอในการทำงานของแต่ละสาขา
• สนับสนุนระบบเติมสินค้าในร้านแบบรายวันและการทำงานของซัพพลายเชน

กล่าวง่าย ๆ คือ ข้อมูลสต็อกจากระบบอัตโนมัติยังไม่น่าเชื่อถือพอสำหรับการตัดสินใจด้านปฏิบัติการ

บทเรียนจากการทดลอง AI ในค้าปลีก

การทดลองครั้งนี้น่าสนใจเพราะเกิดขึ้นในระดับใหญ่มาก พนักงานหลายหมื่นคนใช้เทคโนโลยีเดียวกันในร้านนับพันสาขา

แต่กรณีของ Starbucks สะท้อนปัญหาที่องค์กรจำนวนมากพบเมื่อใช้ AI ในโลกจริง นั่นคือ เทคโนโลยีที่ทำงานได้ดีในเดโมหรือสภาพแวดล้อมควบคุม อาจเจอความท้าทายเมื่อไปเจอกับสภาพร้านจริง เช่น

• แสงที่เปลี่ยนตลอดเวลา
• ชั้นวางที่ไม่เป็นระเบียบ
• บรรจุภัณฑ์ที่คล้ายกันมาก
• การจัดเรียงสินค้าที่เปลี่ยนไปตลอดวัน

รายละเอียดเล็ก ๆ เหล่านี้ทำให้ระบบมองเห็นภาพด้วยคอมพิวเตอร์ทำงานได้ยากกว่าที่คิด และในกรณีของ Starbucks ความคลุมเครือทางภาพเพียงเล็กน้อยก็ทำให้ การนับสต็อกอัตโนมัติน่าเชื่อถือน้อยกว่าการนับด้วยคน อย่างน้อยก็ในตอนนี้

แม้โครงการ Automated Counting จะจบลงอย่างรวดเร็ว แต่ Starbucks ยังไม่ได้ปิดประตูต่อการใช้ระบบอัตโนมัติในอนาคต และกรณีนี้ก็กลายเป็นอีกหนึ่งตัวอย่างของความท้าทายในการนำ AI ไปใช้จริงในเครือข่ายค้าปลีกขนาดใหญ่