Після того, як Браян Ніккол став генеральним директором, вирішення проблем із постачанням стало одним із його ключових пріоритетів. Однією з ініціатив стала AI-система інвентаризації, призначена для швидшого та точнішого відстеження наявних запасів у магазинах.

Технологія, розроблена спільно з сіетлським стартапом NomadGo, використовувала комп'ютерний зір, 3D-просторовий інтелект і доповнену реальність для ідентифікації та підрахунку продуктів, коли працівники сканували полиці, холодильники та складські приміщення за допомогою смартфона або планшета.

Теоретично система могла:

• Замінити ручний підрахунок запасів
• Значно прискорити перевірку складів
• Автоматично позначати низькі запаси
• Покращити поповнення та зменшити кількість відсутніх товарів

Starbucks розгорнув систему в широкому масштабі, плануючи використовувати її в більш ніж 11 000 кав'ярнях, що належать компанії, у Північній Америці.

Які помилки допускала система

На практиці працівники магазинів повідомляли, що система мала труднощі з базовими завданнями, необхідними для надійного відстеження запасів.

Згідно зі звітами, на які посилається Reuters, AI часто:

• Неправильно рахував продукти на полицях
• Неправильно зчитував або маркував товари
• Плутав візуально схожі продукти

Один із найпоширеніших прикладів стосувався пакетів молока. У деяких магазинах система, за повідомленнями, не могла чітко розрізнити схожі пакети молока, що призводило до неправильних підрахунків.

Навіть невеликі неточності мають значення в системах інвентаризації. Коли підрахунки неправильні, програмне забезпечення для замовлень може генерувати неправильні запити на поповнення, змушуючи магазини замовляти занадто мало або занадто багато ключових інгредієнтів.

Чому інструмент зрештою скасували

Помилки підірвали довіру до системи серед працівників магазинів, які покладалися на підрахунки для управління щоденною роботою. Замість того, щоб зменшити нестачу, неправильні дані могли її посилити, якщо магазини замовляли товари на основі неточних записів.

У результаті Starbucks вирішив припинити програму приблизно через дев'ять місяців після її широкого розгортання в Північній Америці.

Внутрішнє повідомлення для персоналу говорило, що компанія відмовляється від інструменту «Автоматичний підрахунок» і переходить до більш узгодженого підходу до управління запасами, продовжуючи при цьому ширші зусилля з покращення ланцюгів постачання та систем поповнення.

Що експеримент показує про AI в ритейлі

Цей нетривалий запуск підкреслює поширену проблему зі штучним інтелектом у реальних умовах роздрібної торгівлі. Системи, які добре працюють у контрольованих демонстраціях, можуть мати труднощі в реальних магазинах — через мінливе освітлення, захаращені полиці, схожу упаковку та непослідовне розміщення товарів.

Для Starbucks технологія мала усунути нудну роботу та допомогти вирішити дорогу проблему ланцюга постачання. Але коли точність виявилася недостатньою, компанія вирішила відмовитися від інструменту, а не покладатися на хибні дані.

Цей епізод ілюструє практичний урок для ритейлерів, які експериментують з автоматизацією: коли завдання залежить від точного підрахунку та маркування, навіть невелика кількість помилок може швидко зробити AI-системи непридатними для щоденної роботи.

Після того, як Браян Ніккол став генеральним директором, вирішення проблем із постачанням стало одним із його ключових пріоритетів. Однією з ініціатив стала AI-система інвентаризації, призначена для швидшого та точнішого відстеження наявних запасів у магазинах.

Технологія, розроблена спільно з сіетлським стартапом NomadGo, використовувала комп'ютерний зір, 3D-просторовий інтелект і доповнену реальність для ідентифікації та підрахунку продуктів, коли працівники сканували полиці, холодильники та складські приміщення за допомогою смартфона або планшета.

Теоретично система могла:

• Замінити ручний підрахунок запасів
• Значно прискорити перевірку складів
• Автоматично позначати низькі запаси
• Покращити поповнення та зменшити кількість відсутніх товарів

Starbucks розгорнув систему в широкому масштабі, плануючи використовувати її в більш ніж 11 000 кав'ярнях, що належать компанії, у Північній Америці.

Які помилки допускала система

На практиці працівники магазинів повідомляли, що система мала труднощі з базовими завданнями, необхідними для надійного відстеження запасів.

Згідно зі звітами, на які посилається Reuters, AI часто:

• Неправильно рахував продукти на полицях
• Неправильно зчитував або маркував товари
• Плутав візуально схожі продукти

Один із найпоширеніших прикладів стосувався пакетів молока. У деяких магазинах система, за повідомленнями, не могла чітко розрізнити схожі пакети молока, що призводило до неправильних підрахунків.

Навіть невеликі неточності мають значення в системах інвентаризації. Коли підрахунки неправильні, програмне забезпечення для замовлень може генерувати неправильні запити на поповнення, змушуючи магазини замовляти занадто мало або занадто багато ключових інгредієнтів.

Чому інструмент зрештою скасували

Помилки підірвали довіру до системи серед працівників магазинів, які покладалися на підрахунки для управління щоденною роботою. Замість того, щоб зменшити нестачу, неправильні дані могли її посилити, якщо магазини замовляли товари на основі неточних записів.

У результаті Starbucks вирішив припинити програму приблизно через дев'ять місяців після її широкого розгортання в Північній Америці.

Внутрішнє повідомлення для персоналу говорило, що компанія відмовляється від інструменту «Автоматичний підрахунок» і переходить до більш узгодженого підходу до управління запасами, продовжуючи при цьому ширші зусилля з покращення ланцюгів постачання та систем поповнення.

Що експеримент показує про AI в ритейлі

Цей нетривалий запуск підкреслює поширену проблему зі штучним інтелектом у реальних умовах роздрібної торгівлі. Системи, які добре працюють у контрольованих демонстраціях, можуть мати труднощі в реальних магазинах — через мінливе освітлення, захаращені полиці, схожу упаковку та непослідовне розміщення товарів.

Для Starbucks технологія мала усунути нудну роботу та допомогти вирішити дорогу проблему ланцюга постачання. Але коли точність виявилася недостатньою, компанія вирішила відмовитися від інструменту, а не покладатися на хибні дані.

Цей епізод ілюструє практичний урок для ритейлерів, які експериментують з автоматизацією: коли завдання залежить від точного підрахунку та маркування, навіть невелика кількість помилок може швидко зробити AI-системи непридатними для щоденної роботи.