Un PoC de vision par ordinateur validé à 99 % en sandbox peut échouer en production à l'échelle de 11 000 magasins: le retrait par Starbucks de l'outil «Automated Counting» fin mai 2026 en est la démonstration documentée. La chaîne a retiré, dans la semaine du 21 mai 2026, l'outil «Automated Counting» développé par NomadGo, après neuf mois de déploiement dans plus de 11 000 magasins nord -américains pour inventorier laits et sirops. Elle revient au comptage manuel intégral. La solution a été conçue par NomadGo (Redmond, Washington), dirigée par David Greschler. Selon un communiqué BusinessWire du 3 septembre 2025, l'éditeur revendiquait une cadence jusqu'à huit fois supérieure au comptage manuel et une précision de 99 %, chiffres auto -déclarés sans validation indépendante connue à ce jour. Le retrait est documenté par l'analyse «AI Autopsy» de Bigeye publiée le 23 mai 2026.
De 99 % de précision revendiquée à un retrait en neuf mois - sur 11 000 magasins.
Chiffre issu du communiqué officiel NomadGo (sept. 2025) : une précision mesurée en conditions contrôlées, non validée de manière indépendante avant le déploiement à grande échelle.
Un outil pivot du plan de redressement Niccol, dans la lignée d'un précédent Amazon
L'«Automated Counting» s'inscrivait dans le programme de redressement opérationnel piloté par Brian Niccol, devenu directeur général de Starbucks en septembre 2024, qui visait à réduire les ruptures de stock sur les références à forte rotation. Le communiqué de lancement du 3 septembre 2025 rappelait que la technologie avait été testée «plusieurs années» en sandbox avant son déploiement général, une durée de pilote qui n'a pas prévenu l'échec en production. Le scénario rappelle la trajectoire de Just Walk Out chez Amazon Fresh, dont Ars Technica rapportait en avril 2024 que la technologie n'était pas aussi autonome qu'annoncée et reposait sur une main -d'œuvre d'environ un millier de personnes en Inde chargée de visionner les enregistrements vidéo pour valider les transactions (traduction libre) - révélation publiée la même année que l'arrêt du dispositif par Amazon. ActuIA documentait dès 2023 la pénétration de l'IA dans le commerce de détail, terrain où les écarts entre revendications de précision et performance terrain deviennent observables à grande échelle. Pour toute organisation en cours de PoC vision par ordinateur en retail, le cas soulève une question opérationnelle directe: les conditions de validation sandbox reproduisent -elles les variables qui ont fait échouer le déploiement à 11 000 magasins?
Une architecture mobile et une classe d'échec connue au -delà de 1 000 références
La solution NomadGo combinait vision par ordinateur, capteurs LiDAR, traitement spatial en trois dimensions et superposition de réalité augmentée, le tout opéré depuis un smartphone ou une tablette confiée au personnel en magasin, une architecture dite de scan mobile. Les défaillances rapportées concernaient la confusion entre types de lait et les erreurs de décompte d'articles sur les références à forte densité visuelle. Selon l'analyse TechnoLynx publiée en avril 2026, qui qualifie le phénomène de classe d'échec composée, les modèles de vision par ordinateur qui réussissent les tests de précision sur 500 références échouent en production au -delà de 1 000, non sous l'effet d'une cause unique mais selon quatre axes de défaillance simultanés (traduction libre). La thèse pose que la précision validée en environnement contrôlé (gamme de références limitée, éclairage stable, agencement standardisé) se dégrade par accumulation lorsque l'environnement réel impose prolifération de références, variations d'éclairage et conditionnements non standardisés. L'analyse Bigeye du 23 mai 2026 résume l'écart documenté dans son titre, qui retrace comment l'outil d'inventaire IA de Starbucks est passé d'une précision affichée de 99 % au retrait en neuf mois (traduction libre).
Le seuil 1 000 SKU : une classe d'échec, pas un bug isolé
Selon TechnoLynx (avril 2026), les modèles de vision par ordinateur validés sur moins de 500 références échouent en production au -delà de 1 000 classes de produits - non pas pour une cause unique, mais sous l'effet de quatre axes de défaillance simultanés : prolifération des SKUs, variabilité de l'éclairage, hétérogénéité des agencements, emballages non standardisés. Ce mécanisme de défaillance composée est documenté indépendamment du cas Starbucks.
Focal Systems chez Morrisons: un déploiement CV retail à grande échelle sur architecture caméras fixes
Sur le même créneau, l'éditeur Focal Systems revendique chez l'enseigne britannique Morrisons un déploiement présenté, dans son communiqué corporate, comme l'un des plus larges en vision par ordinateur dans la distribution alimentaire à grande échelle. Selon ce même communiqué, le déploiement aurait livré «plus de 2 % d'amélioration de la disponibilité produit en magasin sur l'ensemble du parc, et jusqu'à 4 % dans les magasins les mieux performants» (traduction libre) - chiffre auto -déclaré par l'éditeur, sans réplication tierce publiée. Le projet a reçu le prix «Digital Transformation Project of the Year 2024». L'architecture mobilisée par Focal Systems repose sur des caméras fixes en linéaire, là où NomadGo opérait via terminaux mobiles confiés au personnel: la variable architecturale constitue une différence structurelle observable entre les deux dispositifs. Avant tout déploiement massif d'un système de vision par ordinateur en retail, trois variables méritent d'être testées en conditions réelles: le catalogue de références validées (sandbox versus production, avec mesure spécifique au -delà du seuil des 1 000 SKU), l'architecture de capture (scan mobile confié au personnel ou caméras fixes en linéaire), et une mesure de précision documentée par un tiers indépendant. NomadGo n'a publié aucun des trois résultats avant son rollback à 11 000 magasins.