Η αλυσίδα καφέ εγκατέστησε το αυτοματοποιημένο λογισμικό καταμέτρησης σε τοποθεσίες της Βόρειας Αμερικής τον Σεπτέμβριο του 2025 μέσω μιας συνεργασίας με την εταιρεία τεχνολογίας NomadGo. Το σύστημα σχεδιάστηκε ώστε να επιτρέπει στους υπαλλήλους να χρησιμοποιούν φορητές συσκευές για να σαρώνουν τα ράφια και να εντοπίζουν και να μετρούν αυτόματα προϊόντα όπως ποικιλίες γάλακτος, σιρόπια και άλλα είδη—εργασία που παραδοσιακά γινόταν με χειρωνακτική καταμέτρηση.

Κατά την εκκίνηση, η Ντεμπ Χολ Λεφέβρ, Διευθύνουσα Σύμβουλος Τεχνολογίας της Starbucks, υποστήριξε με ενθουσιασμό την πρωτοβουλία. Σε ένα προωθητικό ιστολόγιο που έχει κατόπιν διαγραφεί, δήλωσε ότι «με μια γρήγορη σάρωση χρησιμοποιώντας ένα φορητό tablet, οι συνεργάτες μπορούν να δουν αμέσως τι υπάρχει σε απόθεμα».» Η εταιρεία παρουσίασε το εργαλείο ως ένα ανοιχτό που θα απελευθέρωνε τους υπαλλήλους από την χρονοβόρα εργασία καταμέτρησης αποθέματος ενώ θα ενίσχυε την ακρίβεια και την αποδοτικότητα της αλυσίδας εφοδιασμού.

Η ανάπτυξη του συστήματος, ωστόσο, παρήγαγε αποτελέσματα πολύ κατώτερα από τις προσδοκίες. Η τεχνολογία συχνά δυσνόμιζε προϊόντα και παρήγαγε ανακριβείς μετρήσεις. Το προσωπικό του καταστήματος ανέφερε επαναλαμβανόμενα προβλήματα: παρόμοια είδη γάλακτος συγχέονταν, προϊόντα παραλείπονταν κατά τη διάρκεια των συνόδων σάρωσης, και η αξιοπιστία του συστήματος επιδεινώνονταν καθ’ όλη τη διάρκεια της περιορισμένης λειτουργίας του.

Αξιοσημείωτο είναι ότι το δικό της προωθητικό βίντεο της Starbucks αποκάλυψε κατά τρόπο ακούσιο αυτά τα ελαττώματα. Το υλικό έδειξε την τεχνολογία να αποτυγχάνει να εντοπίσει ένα μπουκάλι σιρόπ μέντας περιποίησης κατά τη διάρκεια μιας σάρωσης ραφιού—μια προμαντευόμενη επίδειξη των προβλημάτων ακρίβειας που τελικά θα καθήλωναν την πρωτοβουλία.

Μετά την απόφαση να διακοπεί το πρόγραμμα, ένα εσωτερικό δελτίο ενημέρωσης της εταιρείας πληροφόρησε τους υπαλλήλους ότι τα συστατικά ποτών και το απόθεμα γάλακτος θα επέστρεφαν στις παραδοσιακές χειρωνακτικές μεθόδους καταμέτρησης που χρησιμοποιούνται για άλλες κατηγορίες αποθέματος.

Το αποτυχημένο αυτό πείραμα δείχνει τις πραγματικές προκλήσεις που αντιμετωπίζουν οι εταιρείες κατά την ανάπτυξη λύσεων τεχνητής νοημοσύνης σε πολύπλοκα λιανικά περιβάλλοντα. Ενώ η τεχνητή νοημοσύνη συνεχίζει να προχωρά σε ολόκληρη τη βιομηχανία, αυτή η περίπτωση καταδεικνύει το σημαντικό χάσμα που συχνά υπάρχει μεταξύ των θεωρητικών δυνατοτήτων και της πρακτικής απόδοσης σε λειτουργικό περιβάλλον.

Με πληροφορίες από το Breitbart News