Starbucks 北美 AI 盤點九個月就停用：香港零售導入前要問咩
問題唔係有冇 AI，而係準確率同覆核點落地
圖：Engadget．原文連結
Starbucks 用 AI 幫門市點算牛奶、糖漿同其他飲品配料，原本係一個幾典型嘅零售科技故事：前線少啲做重複工、後勤有更即時庫存、供應鏈可以快啲補貨。但北美 rollout 只過咗約九個月，呢套名為 Automated Counting 嘅工具就被停用，前線要返去用人手盤點相關類別。呢件事唔係一句「AI 又炒車」咁簡單，真正值得睇係：一個睇落好適合自動化嘅流程，點解去到真正門市環境會輸畀樽裝牛奶、糖漿同貨架雜亂度。
對香港餐飲、便利店、倉存同零售 SME 來講，呢單新聞嘅意義唔係 Starbucks 香港即刻有咩影響。暫時公開資料只講北美門市，未見資料顯示香港 Starbucks 有使用或停用同款 Automated Counting。更貼地嘅啟示係，本地公司近年都想用 AI 做盤點、補貨、缺貨預警、貨架檢查，甚至用手機鏡頭掃貨架代替人手點數；但只要 AI 輸出會影響落單、補貨同門市人手安排，準確率就唔可以停留喺 vendor demo 或平均數字。
九個月前，故事本來好順
Starbucks 2025 年 9 月公開介紹 Automated Counting 時，講法相當清楚：門市伙伴用手持平板掃貨架，系統用電腦視覺、3D spatial intelligence 同 AR 辨認貨品，理論上可以即時顯示有咩存貨、標示低存量項目，日後仲可支援自動補貨。NomadGo 當時亦透過 Business Wire 公布，技術會部署到北美超過 11,000 間 Starbucks 門市，並宣稱可以比人手盤點快最多八倍、準確率達 99%。Starbucks 自己嘅說法係，盤點頻率提高八倍，供應鏈可以有更密嘅數據脈搏。
如果只睇管理層角度，呢類工具好吸引。飲品店入面有大量重複 SKU：不同奶類、糖漿、咖啡豆、杯、蓋、凍櫃食品；盤點通常冇人鍾意做，仲容易因為繁忙、交更、擺位改變而出錯。AI 盤點嘅承諾係將「睇、數、入系統」三個步驟合併，前線用手機或平板掃一轉，後台就有更即時嘅庫存。對大型連鎖店，呢個承諾再放大一層：如果每間舖每日多幾次準確盤點，總部就可以更快知道邊啲貨短缺、邊啲貨滯銷，理論上減少缺貨同浪費。
問題係，門市唔係實驗室。據 Reuters 報道，Starbucks 內部通訊指 Automated Counting 會退場，飲品配料同奶類將改返用其他庫存類別一樣嘅人手點算方式。Engadget 引述 Reuters 指，工具經常出現標錯同數錯，特別係相似奶類會混淆，亦有項目被略過。Engadget 亦提到，當初 Starbucks 官方宣傳影片入面，系統似乎已經漏認一支 peppermint syrup。呢啲細節未必代表整套技術完全無效，但足以說明：一個可用嘅 AI 盤點工具，要過嘅唔止係「識唔識認物件」呢關。
電腦視覺最怕嘅，係相似而唔穩定嘅現場
電腦視覺盤點嘅難位，在於同一個 SKU 唔一定永遠用同一個樣出現。包裝可能轉版，紙盒可能被其他貨遮住，樽身可能反光，貨架可能太暗，前線可能臨時將一箱貨打橫放，或者同類貨品密密排埋一齊。人眼可以用上下文判斷：呢排係燕麥奶、隔籬係低脂奶、後面箱嘢雖然只露出一角但應該係同一款；模型就要靠訓練資料同當刻畫面去估。當 SKU 包裝非常相似，錯一兩件唔係奇怪，奇怪嘅係系統有冇足夠機制承認自己唔肯定。
所以「99% 準確率」呢類數字，唔可以單獨拎出嚟當採購理由。要問清楚係按物件數量計、按 SKU 類別計、按每次掃描計，定係按貨架任務計；亦要問錯誤係點分佈，例如每 100 件錯 1 件，定係某幾款相似貨品長期錯。對門市營運來講，一次漏數一支糖漿可能只係麻煩，但如果系統因此誤判補貨量，幾千間舖同時放大，問題就會由「一個模型錯」變成「供應鏈跟住錯」。呢個正正係零售 AI 同一般影像 demo 最大分別：錯誤會接駁去真實流程。
NIST AI Risk Management Framework 講 AI 系統嘅有效性同可靠性時，重點係要用特定用途同實際環境去驗證，部署後亦要持續監測表現、有需要時可以人手介入。套用喺盤點，即係唔應該只喺乾淨貨架、標準燈光、標準擺位下試準確率；要喺繁忙時段、細倉、雪櫃反光、混貨、包裝轉版、臨時缺貨、員工唔按教科書掃描嘅情況下試。AI 盤點嘅最低要求唔係永不出錯，而係出錯時前線知、系統知、後台都知點處理。
AI workflow 唔係將人手刪走
今次最有用嘅教訓，係 workflow 設計比模型本身更重要。假設 AI 掃到一排奶類，但信心分數偏低，前線 app 應該即刻要求覆核，定係照樣入數？如果同一個 SKU 連續幾日同 POS 銷售數據唔吻合，系統應該自動開例外單，定係等到補貨錯晒先處理？如果前線覺得 AI 數得慢過人手，管理層係要佢哋照用，定係允許某啲情況轉返人手清單？呢啲都係真正落地時要先答嘅問題。
香港餐飲同便利店環境特別擠迫，好多舖頭後場細、貨架高、擺貨未必完全標準化，繁忙時段亦未必有空間畀員工慢慢掃描。AI 盤點如果要喺呢啲場景工作，就唔可以假設每間舖都似示範片一樣整齊。更實際嘅做法，係先揀高價值、低相似度、低風險嘅類別試，例如整箱飲品、已貼清晰條碼嘅倉存、包裝差異大嘅乾貨；至於相似度高、保質期短、影響即日營運嘅奶類同鮮食，就要保留更嚴謹嘅人手覆核。
對公司 IT team 同營運 team，KPI 亦要重新定義。唔好淨係問「盤點快咗幾多」，亦要問「AI 盤完之後要花幾多時間改錯」、「例外個案幾耐先處理」、「因為錯數造成嘅缺貨或過量補貨有冇減少」、「前線每次盤點嘅總工時係咪真係下降」。如果前線為咗令報表好睇而被迫使用一套佢哋唔信嘅工具，系統表面採用率會升，但實際流程可能變成雙重工作：先掃一次 AI，再偷偷人手數一次，最後時間同士氣一齊蝕。
香港冇即時影響，但有實務參考
香港角度要講清楚：目前見到嘅 Starbucks 資料，北美 Automated Counting 係 company-operated coffeehouses 相關 rollout；香港 Starbucks 官方客戶服務資料顯示本地聯絡方為 Coffee Concepts (Hong Kong) Limited，美心集團亦公開列明 2000 年將 Starbucks 引入香港，現時在香港、澳門等市場營運 Starbucks。兩邊營運架構唔同，唔應該將北美停用直接推論成本地門市有同款系統、同款問題，或者香港用家會即時受影響。香港 rollout：[待確認]。
但同一個技術採購問題會喺本地重演。餐飲集團、連鎖零售、迷你倉、藥房、便利店、精品店，如果想買 AI 盤點或貨架辨識工具，採購文件要問得比「有冇 AI」更細：
- 準確率係喺香港實際店面測，定係外國 demo 環境測？
- 最常錯嘅 SKU 係邊啲，錯誤會點樣被標記同覆核？
- 包裝轉版、促銷貼紙、反光雪櫃、混貨時，系統會點處理？
- AI 數據會唔會直接觸發補貨，定係先經人手批核？
- 前線員工可以點樣回報錯誤，而回報會唔會進入模型或規則更新？
最穩陣嘅導入方式，唔係一次過由人手盤點跳去全自動，而係分階段：先做影子模式，AI 照掃但唔影響補貨；之後同人手數比較，搵出最常錯嘅 SKU 同門市；再只將高信心、低風險類別接入補貨流程；最後先考慮擴大自動化範圍。每一步都要有退出機制，亦要容許前線指出「呢個情況唔應該由 AI 決定」。
Starbucks 呢次退場，唔代表零售 AI 無前途，反而提醒咗一件更現實嘅事：AI 工具唔係買返嚟就自然變成 workflow。當系統要喺真實舖頭辨認相似貨品、推動補貨、影響前線時間表，準確率、例外處理、人手覆核同員工信任就係產品本身。對香港公司嚟講，導入 AI 盤點之前，先問清楚錯咗邊個埋單、點樣改錯、幾時停用，可能比問模型有幾「智能」更重要。
參考來源
- Engadget — Starbucks abandons its AI inventory tool after only nine months — original report
- Reuters：Starbucks scraps AI inventory tool across North America — 停用消息嘅主要來源，報道引述內部通訊同公司回應。
- Starbucks 官方存檔：How AI powered automated counting is brewing a better experience at Starbucks — 2025 年 9 月官方 launch 文章，講明北美 rollout、平板掃描、電腦視覺、AR 同盤點頻率主張。
- Business Wire：NomadGo’s Inventory AI Brings Automated Counting to More than 11,000 Starbucks Locations — NomadGo 發布嘅部署資料，包括 11,000 間北美門市、宣稱準確率同技術描述。
- Starbucks Hong Kong Customer Service — 核對香港 Starbucks 客戶服務及 Coffee Concepts (Hong Kong) Limited 聯絡資料。
- Maxim’s Group：Coffee Shops — 核對美心集團將 Starbucks 引入香港及營運市場資料，避免將北美情況直接套落香港。
- NIST AI RMF：AI Risks and Trustworthiness — 提供 AI 有效性、可靠性、持續監測同人手介入嘅技術風險框架。
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
