這套AI「自動盤點」本來點樣運作

Automated Counting 的設計理念其實相當直觀。

過去門店盤點時，店員需要逐樣數清楚冰箱或儲物架上的原料，例如牛奶、糖漿或咖啡豆。

新系統則改用平板電腦或手機鏡頭掃描貨架。

NomadGo 的AI會即時分析畫面，結合多種技術：

• 電腦視覺（Computer Vision）辨識產品
• 3D空間感知與擴增實境（AR）
• 深度感測與類LiDAR掃描

店員只要把平板在冰箱或貨架前慢慢掃過一次，系統就會自動識別並計算物品數量，例如：

• 牛奶壺
• 咖啡豆袋
• 各類糖漿

官方當時宣稱，這種方式速度可比人手盤點快最多8倍，同時提升準確度。

對於每天要處理大量飲品原料的連鎖咖啡店而言，理論上可以減少缺貨，也讓供應鏈更容易預測需求。

真正落地之後出現的問題

但當系統在真實門店環境運作時，問題開始出現。

多名員工反映AI盤點的準確度並不穩定，常見情況包括：

• 數量計算錯誤（少算或多算）
• 產品標示錯誤
• 完全識別不到某些產品

其中最典型的例子，就是 不同種類牛奶。

例如：

• 全脂牛奶
• 脫脂牛奶
• 植物奶或其他替代奶

這些容器外觀相似，AI有時會把不同種類當成同一款，或者直接漏掉。

對於需要精準原料管理的咖啡店來說，這種錯誤會帶來實際問題。

如果系統顯示庫存充足，但實際上已經快用完，就可能導致補貨判斷失準甚至缺貨。

Starbucks為何最後決定叫停

根據公司內部通訊及員工證實，Starbucks在 2026年5月 正式宣布停用 Automated Counting。

之後：

• 牛奶
• 飲品相關原料

都會重新以人手方式盤點，與其他庫存項目採用相同流程。

公司表示，這個決定與更大規模的營運策略有關，包括：

• 標準化門店庫存流程
• 提升門店操作一致性
• 支持每日補貨與供應鏈執行

簡單講就是：如果庫存數據不夠可靠，就無法用來做營運決策。

企業AI在現實世界的一個典型挑戰

這個案例之所以特別受關注，是因為規模非常大。

一次部署到上萬間門店，代表有數以萬計員工同時使用同一套AI工具。

但事件亦反映一個常見情況：

很多AI系統在示範或測試環境表現很好，但在現實零售環境——例如光線不同、貨架混亂、包裝細微差異——就容易出現誤判。

對Starbucks而言，這些看似細微的視覺差異，已足以令AI盤點比人手更不可靠。

公司並沒有完全否定未來使用AI管理庫存的可能，但 Automated Counting 的短暫生命，也顯示要在大型零售網絡中部署電腦視覺系統，難度仍然相當高。

這套AI「自動盤點」本來點樣運作

Automated Counting 的設計理念其實相當直觀。

過去門店盤點時，店員需要逐樣數清楚冰箱或儲物架上的原料，例如牛奶、糖漿或咖啡豆。

新系統則改用平板電腦或手機鏡頭掃描貨架。

NomadGo 的AI會即時分析畫面，結合多種技術：

• 電腦視覺（Computer Vision）辨識產品
• 3D空間感知與擴增實境（AR）
• 深度感測與類LiDAR掃描

店員只要把平板在冰箱或貨架前慢慢掃過一次，系統就會自動識別並計算物品數量，例如：

• 牛奶壺
• 咖啡豆袋
• 各類糖漿

官方當時宣稱，這種方式速度可比人手盤點快最多8倍，同時提升準確度。

對於每天要處理大量飲品原料的連鎖咖啡店而言，理論上可以減少缺貨，也讓供應鏈更容易預測需求。

真正落地之後出現的問題

但當系統在真實門店環境運作時，問題開始出現。

多名員工反映AI盤點的準確度並不穩定，常見情況包括：

• 數量計算錯誤（少算或多算）
• 產品標示錯誤
• 完全識別不到某些產品

其中最典型的例子，就是 不同種類牛奶。

例如：

• 全脂牛奶
• 脫脂牛奶
• 植物奶或其他替代奶

這些容器外觀相似，AI有時會把不同種類當成同一款，或者直接漏掉。

對於需要精準原料管理的咖啡店來說，這種錯誤會帶來實際問題。

如果系統顯示庫存充足，但實際上已經快用完，就可能導致補貨判斷失準甚至缺貨。

Starbucks為何最後決定叫停

根據公司內部通訊及員工證實，Starbucks在 2026年5月 正式宣布停用 Automated Counting。

之後：

• 牛奶
• 飲品相關原料

都會重新以人手方式盤點，與其他庫存項目採用相同流程。

公司表示，這個決定與更大規模的營運策略有關，包括：

• 標準化門店庫存流程
• 提升門店操作一致性
• 支持每日補貨與供應鏈執行

簡單講就是：如果庫存數據不夠可靠，就無法用來做營運決策。

企業AI在現實世界的一個典型挑戰

這個案例之所以特別受關注，是因為規模非常大。

一次部署到上萬間門店，代表有數以萬計員工同時使用同一套AI工具。

但事件亦反映一個常見情況：

很多AI系統在示範或測試環境表現很好，但在現實零售環境——例如光線不同、貨架混亂、包裝細微差異——就容易出現誤判。

對Starbucks而言，這些看似細微的視覺差異，已足以令AI盤點比人手更不可靠。

公司並沒有完全否定未來使用AI管理庫存的可能，但 Automated Counting 的短暫生命，也顯示要在大型零售網絡中部署電腦視覺系統，難度仍然相當高。