Podsumowanie
PoC wizji komputerowej, który uzyskał 99% skuteczności w sandbox, może zawieść w produkcji na skalę 11 000 sklepów: wycofanie przez Starbucks narzędzia „Automated Counting” pod koniec maja 2026 roku jest tego udokumentowanym przykładem. Sieć wycofała, w tygodniu 21 maja 2026 roku, narzędzie „Automated Counting” opracowane przez NomadGo, po dziewięciu miesiącach wdrożenia w ponad 11 000 sklepach w Ameryce Północnej do inwentaryzacji mleka i syropów. Powrócono do pełnego manualnego liczenia. Rozwiązanie zostało zaprojektowane przez NomadGo (Redmond, Washington), kierowane przez Davida Greschlera. Według komunikatu prasowego BusinessWire z 3 września 2025 roku, wydawca deklarował nawet ośmiokrotnie szybsze tempo niż ręczne liczenie i 99% dokładność, dane te są jednak autodeklarowane i nie zostały jak dotąd niezależnie potwierdzone. Wycofanie zostało udokumentowane w analizie „AI Autopsy” Bigeye opublikowanej 23 maja 2026 roku.
Od 99% deklarowanej dokładności do wycofania w dziewięć miesięcy - w 11 000 sklepach.
Dane pochodzące z oficjalnego komunikatu NomadGo (wrzesień 2025): dokładność mierzona w warunkach kontrolowanych, niezweryfikowana niezależnie przed wdrożeniem na dużą skalę.
Narzędzie kluczowe w planie naprawczym Niccola, ścieżką wcześniejszego przykładu Amazon
„Automated Counting” wpisywało się w program naprawczy operacyjny prowadzony przez Briana Niccola, który został dyrektorem generalnym Starbucks we wrześniu 2024 roku, mający na celu zmniejszenie braków na magazynie w przypadku szybko rotujących produktów. Komunikat o uruchomieniu z 3 września 2025 roku przypominał, że technologia była testowana „kilka lat” w sandbox przed jej powszechnym wdrożeniem, jednak czas trwania pilotażu nie zapobiegł porażce w produkcji. Scenariusz przypomina trajektorię Just Walk Out w Amazon Fresh, o której Ars Technica donosiło w kwietniu 2024 roku, że technologia nie była tak autonomiczna, jak zapowiadano i opierała się na pracy około tysiąca osób w Indiach, które przeglądały nagrania wideo w celu weryfikacji transakcji (wolne tłumaczenie) - odkrycie opublikowane w tym samym roku, co zakończenie systemu przez Amazon. ActuIA dokumentowało już w 2023 roku penetrację AI w handlu detalicznym, gdzie różnice między deklarowaną dokładnością a rzeczywistą wydajnością stają się obserwowalne na dużą skalę. Dla każdej organizacji będącej w trakcie PoC wizji komputerowej w handlu detalicznym, przypadek ten podnosi bezpośrednie pytanie operacyjne: czy warunki walidacji sandbox odzwierciedlają zmienne, które spowodowały niepowodzenie wdrożenia na skalę 11 000 sklepów?
Architektura mobilna i znana klasa niepowodzeń powyżej 1 000 referencji
Rozwiązanie NomadGo łączyło wizję komputerową, czujniki LiDAR, przetwarzanie przestrzenne w trzech wymiarach i nakładanie rzeczywistości rozszerzonej, wszystko to obsługiwane ze smartfona lub tabletu przekazanego personelowi w sklepie, architektura zwana mobilnym skanowaniem. Raportowane problemy dotyczyły zamieszania między rodzajami mleka i błędów w liczeniu artykułów o dużej gęstości wizualnej. Według analizy TechnoLynx opublikowanej w kwietniu 2026 roku, która kwalifikuje zjawisko jako skomplikowaną klasę niepowodzeń, modele wizji komputerowej, które pomyślnie przechodzą testy dokładności na 500 referencjach, zawodzą w produkcji powyżej 1 000, nie z powodu jednej przyczyny, ale według czterech jednoczesnych osi niepowodzeń (wolne tłumaczenie). Teza sugeruje, że dokładność potwierdzona w kontrolowanym środowisku (ograniczony zakres referencji, stabilne oświetlenie, standardowe rozmieszczenie) pogarsza się kumulacyjnie, gdy rzeczywiste środowisko wymaga proliferacji referencji, zmienności oświetlenia i niestandardowych opakowań. Analiza Bigeye z 23 maja 2026 roku podsumowuje udokumentowaną różnicę w swoim tytule, który śledzi, jak narzędzie inwentaryzacyjne AI Starbucks przeszło od deklarowanej dokładności 99% do wycofania w dziewięć miesięcy (wolne tłumaczenie).
Próg 1 000 SKU: klasa niepowodzeń, nie izolowany błąd
Według TechnoLynx (kwiecień 2026), modele wizji komputerowej potwierdzone na mniej niż 500 referencjach zawodzą w produkcji powyżej 1 000 klas produktów - nie z powodu jednej przyczyny, ale pod wpływem czterech jednoczesnych osi niepowodzeń: proliferacji SKU, zmienności oświetlenia, heterogeniczności rozmieszczeń, niestandardowych opakowań. Ten mechanizm skomplikowanych niepowodzeń jest dokumentowany niezależnie od przypadku Starbucks.
Focal Systems w Morrisons: wdrożenie CV retail na wielką skalę na architekturze kamer stałych
W tym samym obszarze, wydawca Focal Systems deklaruje w brytyjskiej sieci Morrisons wdrożenie przedstawiane w swoim komunikacie korporacyjnym, jako jedno z największych w wizji komputerowej w dystrybucji żywności na dużą skalę. Według tego samego komunikatu, wdrożenie przyniosło „ponad 2% poprawę dostępności produktu w sklepie w całej sieci, i do 4% w najlepiej działających sklepach” (wolne tłumaczenie) - liczba autodeklarowana przez wydawcę, bez opublikowanej trzeciej replikacji. Projekt otrzymał nagrodę „Digital Transformation Project of the Year 2024”. Architektura używana przez Focal Systems opiera się na kamerach stałych w linii, gdzie NomadGo operował za pomocą mobilnych terminali przekazanych personelowi: zmienna architektoniczna stanowi obserwowalną różnicę strukturalną między tymi dwoma systemami. Przed masowym wdrożeniem jakiegokolwiek systemu wizji komputerowej w handlu detalicznym, trzy zmienne zasługują na przetestowanie w warunkach rzeczywistych: katalog zatwierdzonych referencji (sandbox versus produkcja, z pomiarem specyficznym powyżej progu 1 000 SKU), architektura przechwytywania (mobilne skanowanie przekazane personelowi lub kamery stałe w linii), i pomiar dokładności udokumentowany przez niezależną stronę trzecią. NomadGo nie opublikowało żadnych z trzech wyników przed swoim rollbackiem w 11 000 sklepach.