Starbucks 放棄 AI 點貨系統：9 個月實驗點解咁快收檔？

AI「自動點貨」原本點運作

Automated Counting 的核心技術包括：

• 平板電腦相機
• 電腦視覺（computer vision）
• 空間感測技術

員工只要用裝置掃過貨架、雪櫃或儲存區，系統就會即時識別產品並計算數量。

NomadGo 的軟件會在畫面上疊加資料，顯示每件產品的識別結果，讓員工可以快速確認點算結果。

Starbucks 希望透過這種方式：

• 加快庫存檢查速度
• 更早發現低庫存商品
• 減少因材料短缺而停售飲品

如果運作順利，門市員工理論上可以省下不少時間。

為何在真實門市環境失敗

系統真正大規模部署後，問題開始浮現。

多份報道引用公司內部通訊指出，系統經常出現以下情況：

• 數錯貨品數量
• 識別錯誤標籤
• 完全漏掉某些庫存

其中最常見的問題，是分辨 外觀非常相似的產品。

例如不同種類的牛奶——全脂、脫脂、燕麥奶或其他植物奶——包裝相似，AI 有時會混淆，甚至完全沒有偵測到。

對 Starbucks 來說，這是一個嚴重問題。

原因很簡單：牛奶是咖啡飲品的核心材料。如果庫存數據錯誤，門市就可能出現：

• 補貨判斷錯誤
• 突然缺貨
• 部分飲品無法供應

結果是員工反而要重新 人手核對庫存，AI 不但沒有節省時間，反而增加工作量。

為何 Starbucks 改回人手點貨

2026 年 5 月，Starbucks 通知門市停止使用 Automated Counting，並改為把 牛奶及其他飲品材料重新納入人手點算流程。

這個決定同時與公司整體策略有關。

在 CEO Brian Niccol 領導下，Starbucks 正推行一項被稱為 「Back to Starbucks」 的營運重整計劃，目標是解決長期存在的缺貨與營運效率問題。

該策略強調：

• 標準化庫存管理流程
• 門市營運一致性
• 每日補貨制度（daily replenishment）

在這個背景下，公司認為 可靠性比自動化更重要。當 AI 系統準確度不足時，人手點算反而更可控，也更能確保門市有足夠材料供應飲品。

給企業 AI 應用的一個現實案例

Starbucks 的經驗其實反映了企業導入 AI 的一個常見問題：

在示範環境有效的技術，未必能在真實營運場景穩定運作。

零售門市對電腦視覺系統而言是一個相當複雜的環境，例如：

• 雜亂或擁擠的貨架
• 不同門市儲存方式不同
• 包裝設計會不斷改變
• 光線條件不一致

當這些變數疊加，再加上 數千甚至上萬間門市 的規模，任何小錯誤都可能被放大成營運問題。

最終，Starbucks 判斷這套系統帶來的效率提升不足以抵消錯誤風險，因此在全面部署 9 個月後便正式叫停。

這次實驗仍然說明一件事：大型零售企業正積極嘗試把 AI 帶入實體營運，但當技術無法應付現場複雜度時，企業也會很快作出調整。