Automated Counting 是什麼，星巴克為什麼押注於此
星巴克的庫存管理長期是一道痛點。每週兩次，班長必須一一清點貨架上的咖啡豆、牛奶、糖漿，再手動輸入系統，這項工作耗時費力，也是人員最容易出錯的環節之一。
2024 年，CEO Brian Niccol 發布「Back to Starbucks」振興計畫，核心之一便是透過科技降低員工的非必要負擔，讓他們能把時間還給客人。AI 庫存工具正是這個願景下的旗艦項目。
星巴克選擇與雷德蒙新創公司 NomadGo 合作，開發這套名為 Automated Counting 的工具。技術核心是電腦視覺辨識：店員拿起 iPad Pro，對著貨架緩緩掃描，系統自動辨識並計算每一個品項，產生庫存報告。在 NomadGo 的受控環境測試中，準確率達到 99%，盤點速度號稱比人工快八倍。
對 NomadGo 而言，星巴克是難以想像的大客戶。CEO David Greschler 公開表示，這將是「世界上規模最大的實體 AI 部署案」。2025 年 9 月，Automated Counting 正式上線，覆蓋北美超過 11,000 家直營門市，幾乎在同一時間點全部啟動。
在部署前，門市員工已接受培訓，並花費大量時間整理貨架：把每個品項擺成固定間距、確保所有商品正面朝外排列整齊。每家門市還配備了一台新一代 iPad Pro，當時零售價約 1,000 美元。這是一場從總部向下推動的、全面性的賭注。
現場員工眼中的失敗實況
問題在上線後幾天內就開始浮現，但工具已遍及全國，沒有緩衝的空間。
在加州，一名員工發現 iPad 把所有的全脂牛奶和低脂牛奶都辨識為脫脂奶。在阿拉巴馬州，Sara Gattis 盯著五瓶牛奶，系統只顯示四瓶，「幾乎每一排我都得手動修正」，她說，盤點花費的時間反而比從前更長。在德州格雷厄姆市，門市經理 Megan Queen 面臨另一個困境：當地網路不穩，Wi-Fi 中斷時盤點進度歸零，員工不得不改回手工計數，卻被系統標記為「未完成盤點」。
盤點失誤不只是數字問題，它牽動著整個補貨流程。當 AI 無法正確記錄庫存，自動補貨系統就會出錯。各地門市開始出現大量過剩的食材：一家康乃狄克州門市在一天內丟棄了價值近 700 美元的食物，一家新罕布什爾州門市堆著 123 個可頌和 69 片蕉核胡桃磅蛋糕。Reddit 上，一名員工貼出十五盒未賣出的早餐三明治照片，寫道：「拜託讓這一切停止吧。」
然而，從總部傳下來的指令是：手工盤點不被接受，AI 使用率受到追蹤，不開啟 App 的員工可能面臨懲戒。一名休士頓班長說，他在公司內部溝通平台持續回報問題，但管理層的回應幾乎是沉默。「那九個月，我沒有收到任何支援或更新，」Addison 說，「直到有一天他們宣布：Automated Counting 本週起下線。」
更諷刺的是，星巴克在自己的合作夥伴專屬 TikTok 帳號上，回應員工「AI 比手工更耗時」的抱怨時，留言說：「測試結果顯示，一旦員工熟悉新技術，計數速度就會大幅提升！」這條回應，在門市現場的員工眼中，是一種深刻的脫節。
從實驗室到真實現場：AI 導入最常踩的坑
NomadGo 的技術在受控環境下表現優異，99% 的準確率不是憑空捏造。但真實的星巴克門市，與實驗室完全不同。
首先是環境的複雜性。不鏽鋼冰箱產生反光、網路不穩定、商品排列不規則、貨架上同時存在多種相似包裝—這些都是 AI 模型在訓練階段難以充分覆蓋的「邊緣情境」。在實驗室裡，研究人員可以控制光線、距離和擺放方式；在真實門市中，這一切都是變數。
其次是商品數量的龐大與多樣性。星巴克在全美的供應商組合高度分散，甚至同一種牛奶在不同州、不同門市都可能來自不同品牌，包裝外觀各異。NomadGo 的員工說，他們有時是在商品已陳列上架之後，才得知星巴克上了新品。電腦視覺模型若要準確辨識一個全新的牛奶品牌，需要四到六週的開發時間—而在快速上新品的零售環境中，這個週期根本跟不上節奏。
第三是底層資料系統的老舊問題。據 Reuters 2026 年 1 月的報導，星巴克的庫存與補貨系統核心，仍是 1990 年代採購的 IBM AS/400 架構。現代 AI 工具要與如此老舊的資料基礎設施整合，本身就是一項複雜挑戰。NomadGo 的技術人員指出，這套工具「需要靜態的庫存環境才能發揮最佳效能」，但星巴克的現實是：SKU 持續更動，資料系統相對落後，整體環境根本不符合這個前提。
這些問題並不是 AI 技術本身的失敗，而是部署前對「真實使用情境」缺乏充分同理的結果。技術在沙盒中的表現，永遠不等於它在真實人類工作環境中的表現。
為什麼「快速大規模部署」是一種高風險策略
星巴克的 Automated Counting 最令人深思的決策，不是「選擇導入 AI」，而是「選擇同時在超過 11,000 家門市全面部署」。
在商業邏輯上，這個決定有其合理性。全國同步部署可以最大化效益、避免分區試點造成的資源碎片化，也向市場釋出「我們認真在做 AI」的強烈訊號。Niccol 的 Back to Starbucks 計畫需要一個具體成果，Automated Counting 被視為一張可以展示的牌。
但這個決策同時也消除了所有的緩衝空間。在小規模試點階段可以發現並修正的問題，一旦全面部署就變成了系統性風險。鏡面反光的問題、網路中斷的問題、新品上架的問題—這些在局部試點中可以快速回應的情況，在 11,000 家門市同時爆發時，就變成了龐大的管理危機。
更深層的問題是：快速部署切斷了「現場回饋」的迴路。當員工的問題反映只換來沉默，當手工計數被視為違規，當管理層的 KPI 是「合規率」而非「工具是否有效」，第一線員工就失去了在系統中發聲的能力。真正的使用者—那些每週兩次拿著 iPad 掃描貨架的班長—成了這套系統最邊緣的人。
NomadGo 執行長 Greschler 在接受訪問時透露，星巴克通知他們終止合作時，他們完全「措手不及」。作為技術開發方，他們甚至不知道這個決定何時做成、由誰做成。在宣布終止後幾天內，NomadGo 幾乎解散了整個負責這個系統的技術團隊。一個新創公司的命運，就這樣懸掛在一個大客戶的單一決策上。
這提醒我們：企業 AI 部署的成敗，不只是技術準不準確的問題，也是組織如何設計「學習與修正」機制的問題。在沒有安全網的情況下快速擴張，一旦出現問題，整個系統就只剩下「全面撤退」一條路。
失敗之後，星巴克與每一家企業應該學到什麼
2026 年 5 月 18 日，星巴克在員工週報中的一行文字宣告了 Automated Counting 的終止。員工們在 Reddit 上用「你們的禱告被回應了」互相慶賀。但這個故事，遠不是一個 AI 工具被放棄的八卦，而是一堂所有正在思考 AI 部署的企業都應該上的課。
星巴克事後在聲明中說，Automated Counting「是測試與學習文化的體現：傾聽、學習、調整」。這個說法在語義上是正確的，但在實際執行上，這九個月的過程幾乎是反向的：員工的反饋沒有被即時傾聽，問題沒有被公開學習，調整是在損失已經造成之後才發生的。
值得注意的是，星巴克在工具下線後，悄悄修改了自己的 AI 宣言。原文寫道：「如果有效，我們擴大；如果無效，我們放棄。」修改後變成：「如果強化了體驗，我們擴大；如果沒有，我們持續調整。」這個語義上的轉變，顯示企業已意識到：與其把 AI 當成一道非此即彼的賭注，不如將其視為需要持續觀察與修正的長期過程。
與此同時，星巴克並沒有放棄 AI。同年，他們開始讓技術員工的績效獎金與 AI 使用頻率掛鉤，並著手自行開發庫存與供應鏈管理工具，計畫在年底前取代現有的 Microsoft 和 IBM 系統。CEO Niccol 也宣布，新一代 AI 驅動的每日補貨模式正在建立中。
對於每一家正在考慮 AI 導入的企業，這個案例最重要的提醒或許是：技術的成熟度，從來不等於部署的準備度。AI 在控制環境中的表現，只是第一道關卡；它如何在真實的人、真實的空間、真實的混亂中運作，才是真正的考驗。而這個考驗，需要在規模擴大之前，在現場與使用者一起進行。
星巴克的案例也說明了另一件事：失敗本身不是最大的問題，真正昂貴的，是在失敗已然發生時，系統內沒有任何人能讓第一線的聲音被聽見。
我們的觀點
星巴克 Automated Counting 的失敗，在媒體上常被歸結為「AI 技術不夠好」。但如果我們回到現場去看，那些每天使用 iPad 盤點的班長和員工，其實從一開始就知道哪裡有問題—鏡面反光、網路不穩、新品無法辨識。這些不是隱藏的工程缺陷，而是任何一位真正在門市工作的人，幾天之內就能觀察到的現實。
真正的問題在於：在這套系統從實驗室走向 11,000 家門市的過程中，沒有人系統性地去問：「這個工具在我們員工的真實工作情境下，會遇到什麼樣的挑戰？」這是一種觀察的缺席，也是一種傾聽機制的失靈。
快速大規模部署，讓速度凌駕於驗證之上。當一切都在同一時間啟動，所有的問題也在同一時間爆發，沒有留下任何修正的餘地。這不是 AI 的問題，而是「如何把一個新工具帶進組織」的方法論問題。
對每一個正在思考 AI 部署的組織來說，這個案例最值得內化的一個問題是：「你的第一線員工，真的有機會告訴你這個工具哪裡出了問題嗎？」如果答案是不確定的，那麼在擴大任何系統之前，這個問題比技術選型更值得優先回答。
概念速查
Automated Counting：
星巴克與 NomadGo 合作開發的 AI 庫存工具，使用 iPad 攝影機＋電腦視覺技術自動盤點門市庫存。
NomadGo：
雷德蒙（Redmond）新創公司，專精於零售實體 AI 應用，曾與多家大型連鎖品牌合作。
Back to Starbucks：
CEO Brian Niccol 於 2024 年推出的品牌振興計畫，核心目標包含降低員工非必要工作負擔、恢復門市的社區咖啡館氛圍。
So-so automation（差強人意的自動化）：
諾貝爾獎得主 Daron Acemoglu 提出的概念，指那些不夠好到提升生產力、卻已足夠取代人工的自動化系統，帶來的多是摩擦而非效益。
邊緣情境（Edge Cases）：
指技術在正常開發環境之外所遇到的非典型使用條件，往往是實際部署後失敗的主要來源。
FAQ
Q：Automated Counting 是純軟體工具，還是需要特殊硬體？
A：需要新一代 iPad Pro（含 LiDAR 感測器），搭配 NomadGo 開發的 App 使用。部分老舊門市需另購新設備，每台約 1,000 美元。
Q：為什麼星巴克選擇全面部署，而非分區試點？
A：根據 Fast Company 報導，NomadGo 視星巴克為「壓力測試」其技術的最大機會，而星巴克也將全面部署作為 Back to Starbucks 計畫的重要里程碑。兩方都有動機加速推動，分區試點的審慎策略因此讓步給了規模速度。
Q：NomadGo 之後怎麼了？
A：星巴克於 2026 年 4 月 3 日通知 NomadGo 終止合作，幾天內 NomadGo 解散了大部分負責這個系統的技術團隊。公司目前仍在運營，持續服務包含漢堡王加盟商在內的其他客戶。
Q：星巴克現在還在用 AI 嗎？
A：是的，且力度不減。除了已有的 Smart Queue 排序引擎，星巴克正在開發 ChatGPT 點餐機器人，並計畫以 AI 協助自行開發庫存系統，取代現有的 Microsoft 和 IBM 方案。他們也開始將技術員工的績效獎金與 AI 使用率掛鉤。
開放討論
如果你是星巴克的決策者，在這套工具上線前你會做什麼不同的事？是縮小試點範圍？是建立更明確的員工回饋管道？還是在某個錯誤比率超過門檻時，就自動觸發重新評估程序？
你的組織有沒有類似的案例—一個從上而下推動、卻在第一線遇到現實阻礙的新工具或新流程？當時你是如何察覺、如何因應的？歡迎在留言區分享你的觀察。
延伸思考
- 你的組織在導入新工具時，第一線員工有沒有「合法的」反對或修正管道？如果沒有，是什麼原因讓這個管道缺席？
- 「在受控環境中準確率 99%」和「在真實工作現場中有效」，這兩件事之間的落差，你認為最常由哪些因素造成？
- 如果你是 NomadGo 的 CEO，面對這次合作的結局，你會在下一次的客戶合約中加入什麼保護機制？
資料來源
Clint Rainey, "Starbucks bet big on an AI tool; 9 months later, it pulled the plug," Fast Company, 2026-07-27
Kurt Schlosser, "Report: Starbucks scrapped an AI inventory tool and left a Seattle-area startup blindsided," GeekWire, 2026-07-27
"Starbucks investors get tough luck news on AI inventory bet," TheStreet, 2026-05-24
MIT Sloan Management Review, "The Lure of So-So Technology and How to Avoid It" (Daron Acemoglu & Pascual Restrepo)
關於文字策展人
Cha Cha 是查查創意文字策展人暨創辦人，Stanford d.school 設計思考專業研修，累積超過三百場企業工作坊實戰經驗。長期深耕設計思考、創意思考與未來趨勢，致力於讓更多人在 AI 時代找到自己的思考方式。
發表文章
