星巴克为何将人工智能撤出门店现场

开篇

订阅者朋友，货架上摆着一瓶薄荷糖浆。紧挨着的香草糖浆被准确识别了，唯独这一瓶却被当作不存在处理。这就是美国星巴克曾引以为傲的AI库存管理系统的真实模样。

5月19日，星巴克全面废除了名为Deep Brew、部署在北美11,000家门店的AI库存盘点工具。距离引入仅仅9个月。先说结论：这不是AI技术的失败，而是没有追问“这个问题是否真的适合用AI解决”所导致的失败。

Deep Brew：星巴克背后的秘密AI引擎——30%的投资回报率，以及…在与Jemi Crookes进行了一场精彩的对话之后，我一直在深入研究世界级品牌是如何…linkedin.com

去年星巴克在门店引入人工智能时大张旗鼓地进行了宣传，但从某种角度看，仅过了半年多，就把这一切全部撤了下来。

📦 11,000家门店发生了什么

2025年9月，星巴克在北美全部门店引入了总部位于西雅图的初创公司NomadGo的库存AI系统。该系统利用LiDAR¹​传感器和平板电脑摄像头，自动清点货架上的糖浆、牛奶和饮品原料。NomadGo宣称其速度比人工快8倍、准确率达99%，星巴克首席技术官黛布·霍尔·勒费夫尔（Deb Hall Lefevre）介绍称，这套系统“能让员工专注于制作饮品和与顾客建立联系，而不是数库存”。

然而，现场情况截然不同。

据路透社报道，该系统频繁将外观相似的不同种类牛奶混淆，也反复出现明明货架上有产品却完全无法识别的错误。甚至在星巴克部署当时公开的宣传视频里，都原封不动地拍到了一瓶薄荷糖浆夹在两侧产品之间却未被识别的画面。

最大的问题在于信任临界点²​被打破了。AI给出的结果，员工每次都得重新核对。原本为了取代人工而引入的工具，反倒制造出了双重劳动。以前只需人工数一遍就完事，现在却变成先由AI数一遍，再由人重新数一遍。工具没有减少工作量，反而只增加了认知负担。

我们再补充一点背景。这款工具是CEO布莱恩·尼科尔（Brian Niccol）“Back to Starbucks”业绩扭转战略的核心支柱之一。2024年9月从Chipotle空降而来的尼科尔判断，库存短缺正在侵蚀销售额，于是把前任任期内就已在测试的这项技术迅速推向了所有门店。与此同时，北美营业利润率已从两年前的18%跌至9.9%，公司迫切需要加快扭转局面的速度。

NomadGo宣称，2025年全年在11,000家门店累计清点了超过1.86亿件商品。单看数字确实惊人，但其中究竟有多少条数据经过了员工的重新核实，却无人公开。

5月19日，星巴克通过内部全员备忘录正式宣布废除该系统：“从今天起，自动盘点功能将被废除。饮品原料和牛奶将采用与其他库存项目相同的方式进行盘点。”当初推出时发布的博客文章如今已被删除。星巴克向路透社表示，这是“为了专注于门店整体的一致性与执行力”而做出的决定，但并未使用“失败”这个词。

🔍 出错的不是技术，而是问题本身

为什么会失败？许多报道都在指责AI公司NomadGo，也就是把焦点放在“AI准确率不足”上，但在我看来，这里存在更根本的问题。

第一，是未经验证就全面部署。NomadGo所宣称的“99%准确率”是其自行测得的数据，并未经过独立第三方验证，就一次性推广到了11,000家门店。《Tech Times》的分析一针见血：“99%准确率的说法，在部署到11,000家门店之前，从未经过独立验证。”这里需要指出的是99%这个数字本身。假设货架上有20件商品，即便准确率达到99%，也意味着会有0.2件出错。听起来还不错，对吧？但在11,000家门店、每天多次盘点的情况下，这0.2件错误会累积成每天数万起的失误。而现场的实际错误率，远远达不到99%。

据兰德公司（RAND Corporation）对2,400多个企业AI项目的分析，80%的AI项目未能实现预期的商业价值。其中34%在进入生产阶段前就已中止，28%即便完成也未能创造预期价值，18%虽创造了部分价值却无法证明投资成本合理。麻省理工学院2025年的研究结论更为直接：企业生成式AI试点项目中，95%未能产生可衡量的营收影响。

Gartner在2025年的报告中也预测，到2026年，那些AI支持数据尚未准备好的项目中，将有60%被中止。据标普全球（S&P Global）数据，2025年，大型企业（员工人数超过一万人）平均放弃了2.3个AI项目，每个被放弃项目的平均沉没成本高达720万美元（约100亿韩元）。

失败原因的分布同样值得关注。在对140家企业AI落地案例的分析中，因模型性能或技术集成问题而失败的比例仅为23%。其余77%都源于战略、治理³​和变革管理的失败。问题不在技术，而在人和组织。

**第二，是把要解决的问题本身定义错了。星巴克的库存问题，根源并不在于“盘点这个动作”不够准确。**据路透社今年年初的深度报道，星巴克的配送中只有不到三分之一能够按时送达，而超过1,500种杯盖组合让供应链变得异常复杂。这不是因为人工盘点的准确率低，而是供应链结构本身就出了问题。

这也是前任CEO时期就反复出现过的模式。在拉克斯曼·纳拉西姆汉（Laxman Narasimhan）担任CEO期间，公司曾与o9 Solutions合作引入“自动下单”系统，而这套机器学习系统始终推荐低于实际所需的数量。技术变了，但“在未明确定义问题之前就先引入解决方案”这个错误，却始终如一。

🎯 如何为问题挑选合适的工具

星巴克这个案例揭示的道理很简单，却常常被忽视：并非所有问题都需要与之相配的高端技术。

咖啡门店的货架并不是一个受控环境。灯光会变化，产品摆放位置随时都在调整，外观相似的牛奶容器也常常并排摆放。计算机视觉⁴**​系统在均匀一致的条件下训练完成后，一旦投入到变化剧烈的现场，性能就可能急剧下降。**像物流仓库那样SKU固定、货架位置标准化的环境，与咖啡师随时重新摆放的咖啡店货架，本质上是两种完全不同的环境。

相反，人的双手能够灵活适应这种环境。咖啡师能一眼分辨燕麦奶和低脂牛奶，也能立刻反映出昨天刚调整过的货架摆放。算法的再训练⁵​需要耗费时间和成本，而人却能实时处理各种情境信息。更重要的是，人还能同时做出“这瓶糖浆快要用完了”这样的判断——这不是单纯的计数，而是包含情境的判断。

星巴克门店员工的反馈恰恰点出了这一点：“感谢你们取消了自动盘点功能。出发点是好的，但执行起来太难了。”

**这里的关键并不在于“人比AI更强”，而在于要先根据问题的特性挑选合适的工具。**我们再回顾一下星巴克的库存盘点问题：在高变动的环境中，区分视觉上相似的少量产品，这项任务其实有多种解决方案可选。除了昂贵的计算机视觉AI之外，还可以在货架上安装重量传感器来感知库存变化；用条码扫描器搭配简单的数据库联动或许也已足够；又或者，像现在这样，由人直接来数，反而可能才是最准确的方式。

而如果任务是分析数千家门店的销售数据以优化下单模式，那这显然是AI更擅长的领域。即便同样属于“库存管理”这一问题，每个环节所需的最优工具也各不相同。

手里拿着锤子的人，看什么都像钉子。一旦以“必须引入AI”为前提出发，就很容易把所有问题都看成可以用AI解决的问题。

Oswarld视角

坦白说，看到这条新闻的那一刻，我立刻想起了自己在咨询现场每次都会挂在嘴边的一句话。

我目前正在为多家企业提供AI引入方面的咨询，但我从不无条件地推荐深度学习或生成式AI。有些情况下，装一个传感器反而效率高得多；用Excel VBA就能解决的业务，多到令人惊讶。而即便要用AI，绝大多数情况下也并不需要最顶级配置的前沿模型⁶​。从嵌入模型⁷​到轻量级分类模型，能把各种模型合理地部署到恰当的位置上，才是真正的实力所在。

在制定GTM战略的这些年里，我见过无数次这样的模式：**“数字一定优于模拟、敏捷一定胜过瀑布式、扁平化组织一定优于垂直型组织”这种二元论。而现实并非如此。每种情况和问题都各自对应着更高效、更合适的工具与方法论。**找到最优条件，才是我们真正要面对的课题。星巴克恰恰以11,000家门店的规模，证明了这个再简单不过的原则。

结语

从星巴克废除AI库存工具这一案例中，值得记住的有三点。

第一，若不经验证就全盘接受供应商所谓“99%”的说法并全面部署，代价将会加倍偿还。第二，77%的AI项目失败并非源于技术，而是源于战略与问题定义。第三，如果传感器就足够用，就没必要上计算机视觉；如果VBA就能搞定的事，也没理由非要接上前沿模型。

当组织在考虑引入AI时，不妨先问自己这个问题：“这个问题真正需要的技术是什么？”如果你正为此犹豫不决，欢迎联系我。我会和你一起思考最好的答案，为你提供最优的解决方案。Oswarld精品咨询公司（Oswarld Boutique Consulting Firm）随时敞开大门。:) contact@oswarld.com

参考资料与延伸阅读

核心来源

• Reuters，“Starbucks scraps AI inventory tool across North America”，2026.05.21。：本期新闻的一手来源，收录了内部备忘录原文和员工采访。
• Reuters，“Starbucks Can’t Keep Your Favorite Drink in Stock”，2026.01.28。：深入报道了星巴克供应链问题的结构性成因的文章，包含配送延迟率、1,500种杯盖组合等丰富的背景数据。
• RAND Corporation，“Enterprise AI Implementation Analysis”，2025。：分析了2,400多个企业AI项目的报告，是“AI项目80%失败”这一数字的原始出处。
• MIT Sloan / Project NANDA，“The GenAI Divide: State of AI in Business”，2025。：这项研究显示，企业生成式AI试点项目中有95%未能产生可衡量的营收影响。

背景知识

• NomadGo，“NomadGo’s Inventory AI Brings Automated Counting to More than 11,000 Starbucks Locations”，Business Wire，2025.09.03。：NomadGo最初发布这套系统时的新闻稿，是99%准确率、8倍速度这两项说法的原始出处。
• Starbucks，FY2026 Q2 Earnings Release（SEC Filing），2026.04.28。：可查阅北美营业利润率9.9%、较去年同期下降170个基点等财务背景数据。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. LiDAR（Light Detection and Ranging）：一种通过发射激光并接收反射光来测量物体距离和形状的技术。iPhone Pro机型背面也配备了这种用于三维空间识别的传感器。 ↩

2. 信任临界点（Trust Threshold）：指用户无需另行核实，就能直接采信系统输出结果的最低准确率水平。一旦低于这条线，系统给出的结果就必须由人重新验证，工具的效率也随之荡然无存。 ↩

3. 治理（Governance）：组织在引入或运营某项技术、项目时所依据的决策体系与管理结构。它涵盖谁来决策、依据什么标准评估，以及出现问题时如何应对等方面。 ↩

4. 计算机视觉（Computer Vision）：指AI通过分析摄像头拍摄的图像或视频来识别、分类物体的技术，常用于人脸识别、自动驾驶汽车的周边环境感知等场景。 ↩

5. 再训练（Retraining）：为使AI模型能够适应新的环境或数据而进行的追加训练过程。每当现场条件发生变化时都需要进行，并会耗费时间和成本。 ↩

6. 前沿模型（Frontier Model）：如GPT-5.5、Claude、Gemini等性能顶尖的大规模AI模型。性能出色，但在成本和处理速度方面，并非适用于所有任务。 ↩

7. 嵌入模型（Embedding Model）：一种专门用于将文本或图像转换为数值向量以计算相似度的轻量级模型，在搜索、分类、推荐等任务中，可以比前沿模型更快速、更低成本地使用。 ↩