Starbucks запустила ИИ для инвентаризации в Северной Америке в сентябре 2025 года, а уже в мае 2026-го решила его отключить. История важна не только для ритейла: это наглядный кейс о том, как вполне приземленная операция вроде подсчета молока и сиропов может похоронить красивую AI-презентацию быстрее, чем пилот успевает доехать до масштаба.
По данным Engadget, сеть отказалась от системы Automated Counting, которую развернули в партнерстве с NomadGo. Идея выглядела почти образцово для корпоративного AI: сотрудники сканируют полки мобильным устройством, алгоритм автоматически распознает товары, считает остатки и помогает точнее планировать поставки. На бумаге все выглядело отлично: меньше рутины в подсобке, больше времени на работу с гостями, выше точность учета, меньше риск, что в кофейне внезапно закончится овсяное молоко или сироп.
На практике система, судя по публикации, регулярно ошибалась. Automated Counting путала похожие позиции, в том числе разные виды молока, а часть товаров могла просто не заметить. Самый показательный момент оказался почти комичным: в демонстрационном ролике Starbucks, который сопровождал запуск, система во время сканирования пропустила бутылку мятного сиропа. Для внутреннего инструмента это не мелкая шероховатость интерфейса, а прямая проблема доверия. Если линейный сотрудник не может быть уверен, что система видит полку целиком и не путает SKU, он либо начинает все перепроверять вручную, либо игнорирует инструмент. В обоих случаях обещанная экономия времени исчезает.
Решение отменить продукт спустя девять месяцев особенно показательно на фоне того, как его продавали внутри компании. В удаленном позже сентябрьском посте CTO Starbucks Деб Холл Лефевр описывала систему как способ мгновенно видеть наличие товаров после быстрого сканирования с планшета. Посыл был стандартный для корпоративного AI последних двух лет: алгоритм берет на себя скучную операционку, а люди занимаются тем, что важнее для бизнеса и клиента. Проблема в том, что учет остатков в магазине — не презентационный слайд, а область, где ошибка быстро конвертируется в срыв процессов. Если софт неверно считает базовые ингредиенты, дальше ломается все: заказ поставки, планирование смены, доступность позиций в меню и, в конечном счете, клиентский опыт. Тут уже неважно, насколько красиво звучит формулировка про цифровую трансформацию.
Reuters, на который ссылается Engadget, также приводит формулировку из внутренней рассылки Starbucks: компоненты напитков и молоко снова будут считать так же, как и другие категории запасов, то есть вручную. Реакция сотрудников была довольно прямой. Один из работников, как сообщается, поблагодарил компанию за отказ от Automatic Counting, добавив, что сама идея была хорошей, но с реализацией возникли сложности. Для тех, кто внедряет AI-инструменты в операционный контур, это, пожалуй, самая неприятная обратная связь. Когда пользователи не спорят с концепцией, а указывают именно на исполнение, отговорка про «люди просто сопротивляются новому» уже не работает. Значит, проблема не в культуре изменений, а в качестве самого решения.
Этот кейс хорошо ложится в более широкий тренд 2024-2026 годов: компании спешно внедряют AI не только в офисный софт и аналитику, но и в физические процессы — логистику, инвентаризацию, планирование полок, кассовые сценарии, обучение персонала. Давление понятное. Руководству хочется видеть быстрый ROI на автоматизации, вендорам нужно показывать реальные внедрения, а рынок устал от генеративных демо без привязки к операциям. Но как только AI выходит из презентации на склад, в кофейню или в даркстор, требования резко меняются. Здесь уже недостаточно «в среднем работает неплохо». Нужны высокая точность на однотипных объектах, устойчивость к плохому освещению, перекрытиям, разным упаковкам, человеческим привычкам при раскладке товара и сотне мелких факторов, которые редко попадают в слайды про machine learning.
Для разработчиков и продактов в этой истории нет сенсации, зато есть полезный урок. ИИ для инвентаризации провалился не потому, что задача слишком «простая» и потому якобы недостойна AI, а ровно наоборот: простые на вид процессы часто оказываются самыми коварными. Пользователь мгновенно замечает ошибку, цена промаха понятна, а толерантность к сбоям почти нулевая. Если система путает два типа молока, бариста не будет обсуждать precision и recall — он просто перестанет ей доверять. Отсюда вытекает неприятный, но важный вывод для бизнеса: автоматизация операций требует не просто модели, а очень жесткой продуктовой упаковки вокруг нее. Нужны сценарии ручной проверки, понятная обработка неуверенности модели, ограничения области применения, корректно выбранные метрики и честный пилот без косметики в отчетности.
Есть и второй слой этой истории — управленческий. Девять месяцев для крупной сети вроде Starbucks — срок одновременно короткий и достаточный, чтобы понять, тянет ли инструмент реальную нагрузку. В каком-то смысле быстрое отключение даже лучше, чем затяжное «докручивание» ради сохранения лица. Но для IT-руководителей это все равно сигнал: между пилотом, который впечатляет на нескольких точках, и рабочим инструментом для сотен или тысяч локаций лежит пропасть. Особенно если речь идет о компьютерном зрении или полуавтоматическом распознавании товаров в живой среде, а не в лаборатории. Старый добрый ручной учет, при всей его скуке, иногда выигрывает у AI не потому, что он технологичнее, а потому что его сбойный режим давно всем понятен.
История Starbucks вряд ли охладит рынок AI в ритейле, но точно добавит цинизма к обещаниям про «уберем рутину за счет алгоритмов». Следующая волна подобных проектов, вероятно, будет продаваться уже не через магию автоматизации, а через куда более скромный тезис: сначала докажите, что система стабильно считает бутылку сиропа на полке, и только потом рассказывайте про трансформацию бизнеса.