ستاربكس تسحب أداة الذكاء الاصطناعي لإدارة المخزون بعد فشلها في الفروع

أوقفت ستاربكس تشغيل "العدّ الآلي" (Automated Counting)، أداة الذكاء الاصطناعي التي وزّعتها على نحو 11 ألف فرع في أمريكا الشمالية قبل أشهر فقط، بعد أن عجزت الأداة عن العمل بشكل موثوق داخل الفروع الفعلية.

طوّرت الأداة شركة NomadGo المتخصصة في الرؤية الحاسوبية (Computer Vision) لسلاسل التوريد، وتعمل بتقنية رؤية حاسوبية مدمجة في الجهاز نفسه إلى جانب الواقع المعزز، بحيث يمسح العاملون الرفوف والمخازن بجهاز لوحي للحصول على عدد فوري للمكونات والمستلزمات. أطلقت ستاربكس النظام على مستوى البلاد في سبتمبر 2025، ووضعته كحل لأحد أعقد مشكلاتها التشغيلية: معرفة ما هو متوفر فعلياً خلف الكاونتر.

في الاختبارات المعيارية (Benchmark) داخل المعمل، سجلت تقنية NomadGo دقة بلغت 99% بحسب ما أُعلن. لكن هذا الرقم لم يصمد بعد مواجهة الأداة لظروف الفروع الحقيقية.

اكتشف العاملون أن النظام يخطئ بشكل متكرر في عدّ المنتجات، ويضع تصنيفات خاطئة لها، ويعجز عن التمييز بين أنواع الحليب المتشابهة أمام الكاميرا. انتهى الأمر بالموظفين إلى تصحيح عدّ الذكاء الاصطناعي يدوياً، ما أفقد الأداة الوفر في الوقت والجهد الذي كانت مصممة لتحقيقه.

أهمية القضية لخطة إصلاح ستاربكس

تجاوزت أهمية هذه القضية مجرد فشل أداة برمجية واحدة. توفر المنتجات يقع في قلب خطة الرئيس التنفيذي برايان نيكول لإصلاح الشركة تحت عنوان "العودة إلى ستاربكس" (Back to Starbucks)، وهي خطة تهدف إلى تبسيط العمليات واستعادة الاتساق بعد سنوات من تعقيد القوائم وتراجع سرعة الخدمة. الأداة التي كان يُفترض أن تحافظ على تعبئة الرفوف وتسرّع قرارات إعادة التخزين، أضافت في النهاية عبء تحقق يدوي جديد على عاتق العاملين.

الفجوة بين الأداء الذي تحققه أنظمة الرؤية الحاسوبية في اختبارات مضبوطة وبين الفشل في بيئة العمل الفعلية الفوضوية نمط معتاد، خصوصاً عندما يُطلب من هذه الأنظمة التمييز بين منتجات متشابهة بصرياً، كعلب حليب مختلفة، وسط إضاءة متغيرة وازدحام معتاد في مقهى قيد التشغيل. رقم الدقة البالغ 99% الذي يُقاس في ظروف تجريبية لا ينتقل بالضرورة إلى فرع مزدحم في زحمة الصباح.

لم توضح ستاربكس ما إذا كانت ستستعين بنظام بديل عن "العدّ الآلي"، ولم تُصدر NomadGo أي بيان علني رداً على تقارير الإيقاف. بالنسبة لشركة اعتمدت على الأداة كجزء بارز من إصلاحها التشغيلي، يشير هذا التراجع إلى أن إدارة المخزون بالذكاء الاصطناعي على نطاق واسع لا تزال أصعب تنفيذاً مما وعدت به أرقام التجربة الأولى.