Задум був простим: замість того, щоб працівники вручну перераховували товари в холодильниках, на полицях та в підсобних приміщеннях, вони могли просто сканувати простір планшетом або смартфоном.

Програмне забезпечення NomadGo аналізувало відеопотік з камери за допомогою кількох технологій:

• Комп'ютерний зір для розпізнавання продуктів
• 3D-просторовий інтелект та накладання доповненої реальності
• LiDAR-сканування для картографування полиць і контейнерів

Працівник рухав планшет уздовж холодильника чи стелажа, і система автоматично ідентифікувала предмети — наприклад, пляшки молока, сиропи чи пакети кави — і майже миттєво підраховувала їх.

Розробники обіцяли, що інструмент пришвидшить підрахунок до восьми разів порівняно з ручним методом, одночасно підвищуючи точність.

Для компанії з тисячами точок продажу та високими обсягами використання інгредієнтів навіть невеликі покращення в управлінні запасами могли б допомогти зменшити дефіцит та покращити логістику.

Що пішло не так насправді

У реальних умовах роботи кав'ярень система почала давати збої.

Працівники повідомляли про кілька типових проблем:

• Неправильний підрахунок — камера пропускала деякі товари або рахувала їх некоректно
• Помилки в ідентифікації — система плутала схожі продукти
• Нерозпізнані предмети — інструмент не бачив деякі товари взагалі

Особливо часто проблема виникала з різними видами молока — цільним, знежиреним, безлактозним, соєвим, мигдалевим. Співробітники розповіли, що система регулярно плутала ці візуально подібні контейнери, даючи неправильні цифри.

Оскільки молоко — критично важливий інгредієнт для більшості напоїв, неточні дані вели до помилок при замовленні товарів і, як наслідок, до нестачі продуктів у кав'ярнях.

Чому Starbucks вирішила закрити проєкт

Starbucks офіційно припинив програму у травні 2026 року, приблизно через дев'ять місяців після запуску, згідно з внутрішніми документами, які бачили журналісти, та підтвердженнями від співробітників.

Компанія оголосила про завершення роботи «Автоматичного підрахунку» і повернення до ручних процедур. Внутрішній меморандум цитував фразу: «Інгредієнти для напоїв та молоко відтепер будуть враховуватися так само, як і решта запасів у вашій кав'ярні».

Рішення було частиною ширшої стратегії, спрямованої на:

• стандартизацію інвентаризаційних процедур
• підвищення узгодженості між окремими магазинами
• покращення щоденного поповнення запасів та виконання ланцюга постачання

Простіше кажучи, автоматизована система не забезпечувала надійності даних, необхідної для операційних рішень.

Урок масштабного AI-експерименту в роздрібній торгівлі

Цей запуск був примітний своїм масштабом: десятки тисяч співробітників використовували технологію в тисячах магазинів.

Але цей експеримент наочно показав типову проблему корпоративних AI-систем. Технології, які чудово працюють у контрольованих демонстраційних умовах, часто дають збої в реальному світі — де змінюється освітлення, полиці захаращені, упаковка товарів змінюється, а продукти виглядають майже однаково.

Для Starbucks ці незначні візуальні неоднозначності виявилися достатньою перешкодою, щоб автоматизований підрахунок виявився менш надійним, ніж традиційна ручна перевірка — принаймні наразі.

Компанія не виключає використання автоматизації в управлінні запасами в майбутньому, проте коротке життя «Автоматичного підрахунку» стало нагадуванням про те, як складно впроваджувати системи комп'ютерного зору на всій мережі роздрібних магазинів.

Задум був простим: замість того, щоб працівники вручну перераховували товари в холодильниках, на полицях та в підсобних приміщеннях, вони могли просто сканувати простір планшетом або смартфоном.

Програмне забезпечення NomadGo аналізувало відеопотік з камери за допомогою кількох технологій:

• Комп'ютерний зір для розпізнавання продуктів
• 3D-просторовий інтелект та накладання доповненої реальності
• LiDAR-сканування для картографування полиць і контейнерів

Працівник рухав планшет уздовж холодильника чи стелажа, і система автоматично ідентифікувала предмети — наприклад, пляшки молока, сиропи чи пакети кави — і майже миттєво підраховувала їх.

Розробники обіцяли, що інструмент пришвидшить підрахунок до восьми разів порівняно з ручним методом, одночасно підвищуючи точність.

Для компанії з тисячами точок продажу та високими обсягами використання інгредієнтів навіть невеликі покращення в управлінні запасами могли б допомогти зменшити дефіцит та покращити логістику.

Що пішло не так насправді

У реальних умовах роботи кав'ярень система почала давати збої.

Працівники повідомляли про кілька типових проблем:

• Неправильний підрахунок — камера пропускала деякі товари або рахувала їх некоректно
• Помилки в ідентифікації — система плутала схожі продукти
• Нерозпізнані предмети — інструмент не бачив деякі товари взагалі

Особливо часто проблема виникала з різними видами молока — цільним, знежиреним, безлактозним, соєвим, мигдалевим. Співробітники розповіли, що система регулярно плутала ці візуально подібні контейнери, даючи неправильні цифри.

Оскільки молоко — критично важливий інгредієнт для більшості напоїв, неточні дані вели до помилок при замовленні товарів і, як наслідок, до нестачі продуктів у кав'ярнях.

Чому Starbucks вирішила закрити проєкт

Starbucks офіційно припинив програму у травні 2026 року, приблизно через дев'ять місяців після запуску, згідно з внутрішніми документами, які бачили журналісти, та підтвердженнями від співробітників.

Компанія оголосила про завершення роботи «Автоматичного підрахунку» і повернення до ручних процедур. Внутрішній меморандум цитував фразу: «Інгредієнти для напоїв та молоко відтепер будуть враховуватися так само, як і решта запасів у вашій кав'ярні».

Рішення було частиною ширшої стратегії, спрямованої на:

• стандартизацію інвентаризаційних процедур
• підвищення узгодженості між окремими магазинами
• покращення щоденного поповнення запасів та виконання ланцюга постачання

Простіше кажучи, автоматизована система не забезпечувала надійності даних, необхідної для операційних рішень.

Урок масштабного AI-експерименту в роздрібній торгівлі

Цей запуск був примітний своїм масштабом: десятки тисяч співробітників використовували технологію в тисячах магазинів.

Але цей експеримент наочно показав типову проблему корпоративних AI-систем. Технології, які чудово працюють у контрольованих демонстраційних умовах, часто дають збої в реальному світі — де змінюється освітлення, полиці захаращені, упаковка товарів змінюється, а продукти виглядають майже однаково.

Для Starbucks ці незначні візуальні неоднозначності виявилися достатньою перешкодою, щоб автоматизований підрахунок виявився менш надійним, ніж традиційна ручна перевірка — принаймні наразі.

Компанія не виключає використання автоматизації в управлінні запасами в майбутньому, проте коротке життя «Автоматичного підрахунку» стало нагадуванням про те, як складно впроваджувати системи комп'ютерного зору на всій мережі роздрібних магазинів.