Thử nghiệm AI kiểm kê của Starbucks thất bại nhanh chóng — chuyện gì đã xảy ra?

Theo kỳ vọng, công cụ này sẽ mang lại nhiều lợi ích vận hành:

• kiểm kê nhanh hơn so với đếm thủ công
• phát hiện sớm nguyên liệu sắp hết
• giảm tình trạng thiếu hàng ảnh hưởng đến menu

Về lý thuyết, tự động hóa kiểm kê còn giúp nhân viên tiết kiệm thời gian để tập trung vào phục vụ khách hàng.

Vì sao hệ thống AI gặp vấn đề trong cửa hàng thực tế?

Khi triển khai trên quy mô lớn, hệ thống bắt đầu bộc lộ vấn đề về độ tin cậy.

Theo các báo cáo dựa trên thông tin nội bộ công ty, công cụ này thường xuyên:

• đếm sai số lượng
• gán nhãn sai sản phẩm
• bỏ sót hàng tồn kho

Một lỗi phổ biến là nhầm lẫn giữa các sản phẩm trông giống nhau, đặc biệt là các loại sữa khác nhau như sữa bò, sữa yến mạch hoặc các lựa chọn thay thế khác.

Đối với Starbucks, đây không phải lỗi nhỏ. Sữa là nguyên liệu cốt lõi cho nhiều loại đồ uống, nên việc hệ thống kiểm kê nhầm hoặc bỏ sót có thể khiến cửa hàng tưởng rằng còn hàng trong khi thực tế đã hết.

Khi dữ liệu tồn kho không chính xác, hàng loạt vấn đề vận hành có thể xảy ra:

• quyết định đặt hàng sai
• thiếu nguyên liệu
• một số món trên menu phải tạm ngừng bán

Kết quả là nhân viên phải kiểm tra lại bằng tay — khiến công nghệ không còn tiết kiệm thời gian như mục tiêu ban đầu.

Vì sao Starbucks quay lại kiểm kê thủ công?

Tháng 5/2026, Starbucks thông báo với các cửa hàng rằng chương trình Automated Counting sẽ bị dừng. Nguyên liệu đồ uống và sữa sẽ quay lại quy trình kiểm kê thủ công giống các nhóm hàng tồn kho khác.

Quyết định này gắn liền với chiến lược cải tổ rộng hơn của công ty.

Dưới thời CEO Brian Niccol, Starbucks triển khai kế hoạch được gọi nội bộ là “Back to Starbucks” nhằm giải quyết các vấn đề như thiếu nguyên liệu và vận hành cửa hàng thiếu ổn định.

Các ưu tiên trong chiến lược này bao gồm:

• chuẩn hóa quy trình kiểm kê
• vận hành cửa hàng nhất quán hơn
• bổ sung nguyên liệu hằng ngày

Trong bối cảnh đó, kiểm kê thủ công được xem là phương án đáng tin cậy hơn để đảm bảo cửa hàng luôn có đủ nguyên liệu phục vụ khách.

Bài học lớn cho các dự án AI doanh nghiệp

Trường hợp của Starbucks cho thấy một thực tế phổ biến trong triển khai AI: công nghệ hoạt động tốt trong môi trường thử nghiệm chưa chắc đã hoạt động ổn định ngoài đời thực.

Các cửa hàng bán lẻ tạo ra nhiều thách thức cho hệ thống computer vision, chẳng hạn:

• kệ hàng lộn xộn
• bao bì thay đổi
• sản phẩm gần giống nhau
• ánh sáng và cách sắp xếp không đồng nhất

Chỉ một sai sót nhỏ trong nhận diện cũng có thể trở thành vấn đề lớn khi nhân lên trên hàng nghìn cửa hàng.

Trong trường hợp này, Starbucks kết luận rằng lợi ích về hiệu suất không đủ bù đắp cho các lỗi về độ chính xác — và quyết định dừng hệ thống sau chín tháng triển khai toàn diện.

Dù thất bại, thử nghiệm này vẫn cho thấy các chuỗi bán lẻ lớn đang tích cực thử nghiệm AI trong vận hành thực tế — và cũng sẵn sàng đảo ngược quyết định nhanh chóng khi công nghệ chưa đáp ứng được yêu cầu của công việc hàng ngày.