Índice
Um PoC de visão computacional validado a 99% em sandbox pode falhar em produção em escala de 11.000 lojas: a remoção pela Starbucks da ferramenta «Automated Counting» no final de maio de 2026 é a demonstração documentada disso. A rede removeu, na semana de 21 de maio de 2026, a ferramenta «Automated Counting» desenvolvida pela NomadGo, após nove meses de implantação em mais de 11.000 lojas norte-americanas para inventariar leites e xaropes. Ela retorna à contagem manual integral. A solução foi criada pela NomadGo (Redmond, Washington), liderada por David Greschler. Segundo um comunicado da BusinessWire de 3 de setembro de 2025, a editora reivindicava uma cadência até oito vezes superior à contagem manual e uma precisão de 99%, números auto-declarados sem validação independente conhecida até hoje. A remoção é documentada pela análise «AI Autopsy» da Bigeye publicada em 23 de maio de 2026.
De 99% de precisão reivindicada a uma remoção em nove meses - em 11.000 lojas.
Número proveniente do comunicado oficial da NomadGo (setembro de 2025): uma precisão medida em condições controladas, não validada de maneira independente antes da implantação em larga escala.
Uma ferramenta chave do plano de recuperação Niccol, na linha de um precedente da Amazon
O «Automated Counting» estava inserido no programa de recuperação operacional liderado por Brian Niccol, que se tornou diretor geral da Starbucks em setembro de 2024, visando reduzir as rupturas de estoque em referências de alta rotatividade. O comunicado de lançamento de 3 de setembro de 2025 lembrava que a tecnologia havia sido testada por «vários anos» em sandbox antes de sua implantação geral, uma duração de piloto que não preveniu o fracasso em produção. O cenário lembra a trajetória do Just Walk Out na Amazon Fresh, do qual Ars Technica relatava em abril de 2024 que a tecnologia não era tão autônoma como anunciada e dependia de uma mão de obra de cerca de mil pessoas na Índia encarregadas de assistir os registros de vídeo para validar as transações (tradução livre) - revelação publicada no mesmo ano que a interrupção do dispositivo pela Amazon. A ActuIA documentava já em 2023 a penetração da IA no comércio de varejo, onde as discrepâncias entre reivindicações de precisão e desempenho em campo tornam-se observáveis em grande escala. Para qualquer organização em curso de PoC de visão computacional no varejo, o caso levanta uma questão operacional direta: as condições de validação sandbox reproduzem as variáveis que causaram o fracasso da implantação em 11.000 lojas?
Uma arquitetura móvel e uma classe de falha conhecida além de 1.000 referências
A solução NomadGo combinava visão computacional, sensores LiDAR, processamento espacial em três dimensões e sobreposição de realidade aumentada, tudo operado a partir de um smartphone ou tablet confiado ao pessoal na loja, uma arquitetura chamada de escaneamento móvel. As falhas relatadas incluíam confusão entre tipos de leite e erros de contagem de artigos em referências de alta densidade visual. Segundo a análise TechnoLynx publicada em abril de 2026, que qualifica o fenômeno de classe de falha composta, os modelos de visão computacional que passam nos testes de precisão em 500 referências falham em produção além de 1.000, não devido a uma causa única, mas segundo quatro eixos de falha simultâneos (tradução livre). A tese sustenta que a precisão validada em ambiente controlado (gama de referências limitada, iluminação estável, disposição padronizada) se degrada por acúmulo quando o ambiente real impõe proliferação de referências, variações de iluminação e embalagens não padronizadas. A análise Bigeye de 23 de maio de 2026 resume a discrepância documentada em seu título, que traça como a ferramenta de inventário IA da Starbucks passou de uma precisão exibida de 99% à remoção em nove meses (tradução livre).
O limiar de 1.000 SKU: uma classe de falha, não um bug isolado
Segundo a TechnoLynx (abril de 2026), os modelos de visão computacional validados em menos de 500 referências falham em produção além de 1.000 classes de produtos - não por uma causa única, mas sob o efeito de quatro eixos de falha simultâneos: proliferação dos SKUs, variabilidade da iluminação, heterogeneidade das disposições, embalagens não padronizadas. Este mecanismo de falha composta é documentado independentemente do caso Starbucks.
Focal Systems na Morrisons: uma implantação CV de varejo em grande escala em arquitetura de câmeras fixas
No mesmo segmento, a editora Focal Systems reivindica na rede britânica Morrisons uma implantação apresentada, em seu comunicado corporativo, como uma das maiores em visão computacional na distribuição alimentar em grande escala. Segundo o mesmo comunicado, a implantação teria proporcionado «mais de 2% de melhoria na disponibilidade de produtos nas lojas em toda a rede, e até 4% nas lojas com melhor desempenho» (tradução livre) - número auto-declarado pela editora, sem replicação de terceiros publicada. O projeto recebeu o prêmio «Digital Transformation Project of the Year 2024». A arquitetura mobilizada pela Focal Systems baseia-se em câmeras fixas em linha, onde a NomadGo operava através de terminais móveis confiados ao pessoal: a variável arquitetural constitui uma diferença estrutural observável entre os dois dispositivos. Antes de qualquer implantação massiva de um sistema de visão computacional no varejo, três variáveis merecem ser testadas em condições reais: o catálogo de referências validadas (sandbox versus produção, com medição específica além do limiar dos 1.000 SKU), a arquitetura de captura (escaneamento móvel confiado ao pessoal ou câmeras fixas em linha), e uma medição de precisão documentada por um terceiro independente. A NomadGo não publicou nenhum dos três resultados antes de seu rollback em 11.000 lojas.