星巴克AI库存系统9个月下线：自动盘点为何没能成功？

NomadGo 的软件结合了多种技术：

• 计算机视觉：识别不同产品
• 3D空间感知：理解货架和容器的位置结构
• 增强现实（AR）叠加：在屏幕上显示识别结果
• 深度感知 / LiDAR 类扫描：帮助系统更准确地测量和定位物品

理论上，员工只需要把平板对着货架或冰箱“扫一圈”，系统就能自动识别并统计牛奶壶、糖浆瓶、咖啡豆等库存。

公司当时宣称，这种方式盘点速度可比人工快最多8倍，同时还能提高准确率。

对于拥有成千上万家门店、每天消耗大量饮品原料的星巴克来说，这种实时库存可视化被认为有助于减少缺货并优化供应链管理。

门店实际使用中遇到的问题

然而，当系统真正进入门店的复杂环境后，问题开始出现。

员工反馈最常见的情况包括：

• 库存数量被误算
• 商品被错误标识
• 某些商品完全没有被识别出来

其中一个典型例子是不同类型的牛奶。

星巴克门店通常同时存放全脂牛奶、脱脂牛奶以及各种植物奶。由于包装外观相似，系统有时会把它们混淆，导致库存统计错误。

对咖啡店来说，这类错误影响很大——牛奶和糖浆是制作饮品的关键原料。如果库存数据不准确，就可能导致补货决策出错或原料短缺。

为什么星巴克最终决定放弃

2026年5月，星巴克正式结束 Automated Counting 项目。根据公司内部通讯，系统已经在所有北美门店停止使用。

公司同时宣布：

• 牛奶和饮品配料等库存
• 将重新采用与其他商品相同的人工盘点流程。

这一决定与星巴克更广泛的运营调整有关，包括：

• 统一库存管理流程
• 提高门店操作的一致性
• 支持更稳定的日常补货和供应链执行

简而言之，自动化系统提供的数据不够可靠，无法支持门店运营决策。

大规模零售AI试验带来的启示

这次项目之所以引发关注，是因为它的规模非常大——数万名员工在数千家门店中同时使用该技术。

但它也反映出企业AI落地的一个常见挑战：

在实验环境中表现良好的技术，进入真实世界后往往会遇到复杂情况。

在门店里，光线变化、货架拥挤、包装更新、产品外观相似等因素都会影响计算机视觉的判断。

对星巴克来说，这些细小但频繁出现的识别误差，最终让AI盘点的可靠性不如人工检查——至少目前如此。

公司并没有排除未来继续探索库存自动化的可能，但 Automated Counting 的短暂生命周期也说明：

在大型零售网络中部署稳定的计算机视觉系统，比想象中要困难得多。