Índice
Un PoC de visión por computadora validado al 99 % en sandbox puede fallar en producción a la escala de 11,000 tiendas: el retiro por parte de Starbucks de la herramienta «Automated Counting» a finales de mayo de 2026 es la demostración documentada. La cadena retiró, en la semana del 21 de mayo de 2026, la herramienta «Automated Counting» desarrollada por NomadGo, después de nueve meses de despliegue en más de 11,000 tiendas norteamericanas para inventariar leches y jarabes. Vuelve al conteo manual integral. La solución fue diseñada por NomadGo (Redmond, Washington), dirigida por David Greschler. Según un comunicado de BusinessWire del 3 de septiembre de 2025, el editor afirmaba una cadencia hasta ocho veces superior al conteo manual y una precisión del 99 %, cifras autodeclaradas sin validación independiente conocida hasta la fecha. El retiro está documentado por el análisis «AI Autopsy» de Bigeye publicado el 23 de mayo de 2026.
De un 99 % de precisión reivindicada a un retiro en nueve meses - en 11,000 tiendas.
Cifra proveniente del comunicado oficial de NomadGo (sept. 2025): una precisión medida en condiciones controladas, no validada de manera independiente antes del despliegue a gran escala.
Una herramienta clave del plan de recuperación Niccol, en la línea de un precedente de Amazon
El «Automated Counting» se inscribía en el programa de recuperación operacional dirigido por Brian Niccol, quien se convirtió en director general de Starbucks en septiembre de 2024, que buscaba reducir las rupturas de stock en las referencias de alta rotación. El comunicado de lanzamiento del 3 de septiembre de 2025 recordaba que la tecnología había sido probada «varios años» en sandbox antes de su despliegue general, una duración de piloto que no previno el fracaso en producción. El escenario recuerda la trayectoria de Just Walk Out en Amazon Fresh, del cual Ars Technica informaba en abril de 2024 que la tecnología no era tan autónoma como se anunciaba y dependía de una fuerza laboral de aproximadamente mil personas en India encargadas de revisar las grabaciones de video para validar las transacciones (traducción libre) - revelación publicada el mismo año que el cese del dispositivo por Amazon. ActuIA documentaba desde 2023 la penetración de la IA en el comercio minorista, terreno donde las discrepancias entre las reivindicaciones de precisión y el rendimiento en campo se vuelven observables a gran escala. Para cualquier organización en proceso de PoC de visión por computadora en retail, el caso plantea una pregunta operacional directa: ¿las condiciones de validación sandbox reproducen las variables que hicieron fracasar el despliegue en 11,000 tiendas?
Una arquitectura móvil y una clase de fracaso conocida más allá de 1,000 referencias
La solución NomadGo combinaba visión por computadora, sensores LiDAR, procesamiento espacial en tres dimensiones y superposición de realidad aumentada, todo operado desde un smartphone o una tablet confiada al personal en tienda, una arquitectura denominada de escaneo móvil. Las fallas reportadas incluían la confusión entre tipos de leche y los errores de conteo de artículos en las referencias de alta densidad visual. Según el análisis TechnoLynx publicado en abril de 2026, que califica el fenómeno como una clase de fracaso compuesto, los modelos de visión por computadora que pasan las pruebas de precisión en 500 referencias fallan en producción más allá de 1,000, no bajo el efecto de una causa única sino según cuatro ejes de falla simultáneos (traducción libre). La tesis plantea que la precisión validada en un entorno controlado (gama de referencias limitada, iluminación estable, disposición estandarizada) se degrada por acumulación cuando el entorno real impone proliferación de referencias, variaciones de iluminación y empaques no estandarizados. El análisis Bigeye del 23 de mayo de 2026 resume la brecha documentada en su título, que traza cómo la herramienta de inventario IA de Starbucks pasó de una precisión mostrada del 99 % al retiro en nueve meses (traducción libre).
El umbral de 1,000 SKU: una clase de fracaso, no un bug aislado
Según TechnoLynx (abril de 2026), los modelos de visión por computadora validados en menos de 500 referencias fallan en producción más allá de 1,000 clases de productos - no por una causa única, sino bajo el efecto de cuatro ejes de falla simultáneos: proliferación de SKUs, variabilidad de la iluminación, heterogeneidad de las disposiciones, empaques no estandarizados. Este mecanismo de falla compuesto está documentado independientemente del caso Starbucks.
Focal Systems en Morrisons: un despliegue CV retail a gran escala sobre arquitectura de cámaras fijas
En el mismo sector, el editor Focal Systems reivindica en la cadena británica Morrisons un despliegue presentado, en su comunicado corporativo, como uno de los más grandes en visión por computadora en la distribución alimentaria a gran escala. Según este mismo comunicado, el despliegue habría entregado «más del 2 % de mejora de la disponibilidad de producto en tienda en todo el parque, y hasta un 4 % en las tiendas mejor performantes» (traducción libre) - cifra autodeclarada por el editor, sin replicación de terceros publicada. El proyecto recibió el premio «Digital Transformation Project of the Year 2024». La arquitectura movilizada por Focal Systems se basa en cámaras fijas en línea, donde NomadGo operaba a través de terminales móviles confiados al personal: la variable arquitectónica constituye una diferencia estructural observable entre los dos dispositivos. Antes de cualquier despliegue masivo de un sistema de visión por computadora en retail, tres variables merecen ser probadas en condiciones reales: el catálogo de referencias validadas (sandbox versus producción, con medida específica más allá del umbral de los 1,000 SKU), la arquitectura de captura (escanear móvil confiado al personal o cámaras fijas en línea), y una medida de precisión documentada por un tercero independiente. NomadGo no publicó ninguno de los tres resultados antes de su rollback en 11,000 tiendas.