Starbucks ritira l'AI per l'inventario: cosa insegna alle aziende il fallimento della computer vision in negozio

Cosa è successo: nove mesi di AI, poi il ritiro

Starbucks ha ritirato in Nord America lo strumento di intelligenza artificiale che avrebbe dovuto automatizzare il conteggio dell'inventario nei suoi punti vendita. Il sistema, chiamato "Automated Counting", era stato introdotto appena nove mesi fa ed era parte del piano di rilancio operativo guidato dal CEO Brian Niccol.

La tecnologia era stata sviluppata da NomadGo e si basava su tablet, fotocamere e sensori LiDAR per analizzare scaffali e celle frigorifere. Attraverso computer vision e intelligenza spaziale 3D, il sistema doveva tradurre l'ambiente fisico del magazzino in dati di inventario affidabili. Al lancio, nel settembre 2025, Starbucks aveva annunciato il deployment in oltre 11.000 negozi nordamericani entro la fine di quel mese.

L'obiettivo era chiaro: eliminare il rischio di scoprire troppo tardi la mancanza di un ingrediente essenziale — un tipo di latte, uno sciroppo — in una catena dove la complessità operativa è cresciuta anno dopo anno.

Il problema concreto: l'AI confondeva gli ingredienti

Secondo quanto riportato da Reuters, il sistema presentava errori nel riconoscimento degli ingredienti. Confondeva tipi di latte simili, generava conteggi errati o non rilevava affatto alcuni prodotti. Il software che doveva offrire una visione più precisa delle scorte ha finito per aggiungere confusione al processo, anziché semplificarlo.

È un tipo di errore che chi lavora con sistemi di computer vision conosce bene: in ambienti controllati — illuminazione costante, prodotti sempre nella stessa posizione, etichette perfettamente visibili — questi sistemi funzionano. Ma un magazzino reale è un'altra cosa. Confezioni spostate, scaffali parzialmente vuoti, prodotti sovrapposti, condizioni di luce variabili: ogni piccola variabile può compromettere l'accuratezza del riconoscimento.

Il ritorno ai controlli manuali: pragmatismo, non regressione

La decisione di Starbucks è stata netta: ritirare il software e tornare a modalità di conteggio più tradizionali. Per alcune categorie di prodotti, l'inventario è stato riaffidato ai dipendenti. L'azienda ha inoltre avviato un processo per rendere più uniforme il metodo di conteggio tra i diversi negozi.

Non si tratta di un rifiuto dell'innovazione, ma di una valutazione operativa lucida. Se un sistema automatico richiede comunque verifiche manuali sistematiche, il suo valore aggiunto si annulla. Peggio: può rallentare il flusso di lavoro e ridurre la fiducia del personale nella tecnologia.

Perché questo caso conta per chi investe in AI operativa

Il caso Starbucks non è isolato. Rappresenta un pattern che si sta manifestando in diversi settori dove l'AI viene calata in contesti fisici complessi.

Un esempio parallelo è l'esperimento della startup statunitense Andon Labs a Stoccolma, che ha affidato la gestione di un piccolo caffè a un agente AI chiamato Mona. Il sistema doveva occuparsi di ordini, turni e approvvigionamento, lasciando agli umani solo la preparazione e il servizio. Il risultato: acquisti senza logica, forniture sbagliate, comunicazioni ai dipendenti fuori orario. Anche qui, la distanza tra le capacità teoriche dell'AI e la realtà operativa quotidiana si è rivelata enorme.

Questi casi evidenziano tre criticità ricorrenti. La computer vision e l'AI spaziale hanno limiti significativi in ambienti non strutturati, dove le variabili fisiche cambiano continuamente. Il deployment su larga scala amplifica gli errori: ciò che è un margine d'errore accettabile in un pilota diventa un problema sistemico su migliaia di punti vendita. Infine, il costo reale dell'automazione include il costo della gestione dei suoi fallimenti — verifiche, correzioni, perdita di fiducia del personale.

Cosa osservare adesso: tre indicazioni operative

Per le aziende che stanno valutando o hanno già avviato progetti di AI applicata a processi fisici, il caso Starbucks suggerisce alcune considerazioni pratiche.

Prima considerazione: testare in condizioni reali, non solo in laboratorio. Un pilota in un ambiente controllato non è predittivo del comportamento del sistema su scala. Le condizioni peggiori — non quelle medie — sono il vero banco di prova.

Seconda considerazione: definire soglie di accuratezza minime prima del deployment. Se il sistema non raggiunge un livello di affidabilità tale da eliminare i controlli manuali, il business case va ricalcolato.

Terza considerazione: prevedere una exit strategy. L'adozione di un sistema AI non deve essere irreversibile. La possibilità di tornare a processi manuali standardizzati — come ha fatto Starbucks — va mantenuta come opzione concreta.

Un limite strutturale, non un fallimento dell'AI

Sarebbe sbagliato leggere questo caso come la dimostrazione che l'intelligenza artificiale non funziona. La lettura corretta è più circoscritta e più utile: l'AI applicata al mondo fisico — retail, logistica, food service — incontra oggi un limite strutturale di affidabilità che non si risolve solo con modelli più potenti.

Il problema non è la tecnologia in sé, ma il gap tra ambienti simulati e ambienti reali. Colmarlo richiede tempo, iterazioni e, soprattutto, la disponibilità a riconoscere quando il sistema non è pronto — anche se l'annuncio è già stato fatto.

Per i decision maker, la lezione è concreta: l'AI va valutata non sulla promessa, ma sulla performance in condizioni operative reali. E il coraggio di fare un passo indietro, quando i dati lo richiedono, è una competenza strategica tanto quanto la capacità di innovare.