見出し画像

今日のAI失敗事例_「精度99%」のAIが牛乳を数え間違えた──11,000店のスタバが9カ月で手作業に戻した理由

ヘンザップ梅山

はじめに

あなたの会社が入れたAIツール。「時短できた時間」は測っていても、「AIの間違いを人が直した時間」は測っていますか。
導入時の触れ込みは「精度99%」「手作業の8倍速い」。それが、たった9カ月で北米11,000店超から撤去されました。米スターバックスのAI在庫カウントツールの話です。
AIそのものは壊れていませんでした。壊れていたのは、AIの周りにあった「現場の条件」です。
この記事で分かるのは、(1)なぜ「精度99%」のAIが店舗で使えなかったのか (2)AI導入の効果測定でほぼ必ず抜け落ちる数字 (3)自社で今日から置ける「撤退ライン」の決め方、の3つです。


何が起きたのか

2025年9月3日／スターバックスは、米ワシントン州レドモンドのAIスタートアップNomadGoと組み、在庫カウントを自動化する「Automated Counting」の展開を発表しました。
タブレットのカメラで棚を映すだけで、シロップや牛乳などの在庫数を読み取る仕組みです。コンピュータビジョンと3D空間認識、AR(拡張現実)を組み合わせたもので、発表では「手作業の最大8倍の速さ」「精度99%」とうたわれていました(NomadGoの発表、GeekWireの報道)。
同年9月末までに、北米の直営店11,000店超に行き渡りました。CEOブライアン・ニコル氏が進める再建策「Back to Starbucks」の目玉の一つで、欠品対策の切り札という位置づけでした。
稼働後／現場の評価は正反対でした。Reutersの報道によると、AIは似た種類の牛乳を取り違えたり、棚にある商品をそもそも検知できなかったりする誤カウントを頻発させます。
冷蔵庫の扉の反射で牛乳が二重にカウントされる、シロップやゴミ箱を別の商品と誤認する、店舗のWi-Fiが不安定でスキャン途中の作業が消える——従業員(パートナー)からはそうした声が上がりました(Fortune)。
結果、従業員はAIの出した数字を目視で検算し、手で直す作業に追われます。時短のはずが、工程が1つ増えただけでした。
2026年4月3日／スターバックスはNomadGoに打ち切りを通告します。30人規模の同社は「寝耳に水」だったと報じられました(GeekWire)。
2026年5月21日／社内通達で正式に「retired(廃止)」と告知。棚に貼ったQRコードは剥がされ、在庫は再び手作業で数えられることになりました(CNBC(Reuters))。


なぜ失敗したのか

  • 「精度99%」は整った条件で測った数字で、雑然とした店舗のバックヤードとは前提が違った

  • 光の反射、似た見た目の商品、置き方の乱れといった現実のノイズが想定に入っていなかった

  • 誤りが出るたびに人が検算・修正する必要があり、作業時間がむしろ増えた

  • 店舗のWi-Fiという「AI以外の環境」が、精度以前の使い勝手を壊していた

  • AIに合わせて棚を並べ替えるなど、現場側に見えないコストが発生していた

  • パイロットで粘らず、短期間で全11,000店に展開したため、問題が一気に全社規模になった


企業はどう対応したのか

スターバックスは廃止を認め、在庫カウントを「一貫性と実行力を全社規模で高めるため、数え方を標準化する」と説明しました。
広報担当者は「人と人とのつながりが事業の中核です。だから従業員を増やすために5億ドルを投資してきました。技術は人のつながりを支えるためのもので、置き換えるためのものではありません。このツールは日常業務を簡単にするために設計されましたが、期待に届かなかったため、フィードバックを聞いて方針を変えました」と述べています(CNBC(Reuters))。
あわせて、店舗への日次補充の頻度を上げ、サプライチェーン運営を改善するとしています。全店展開からわずか9カ月での撤退でした(Fast Company)。
賛否はありますが、損失を認めて短期間で引き返した点は、傷を広げない判断だったと言えます。


この事例から学べること

  • 「精度99%」は数字ではなく条件で読む。どんな環境・どんなサンプルで測ったかが本体です

  • AIの効果は引き算で測る。実質効果 =(削減できた時間)−(AIの誤りを直す時間)−(AIに合わせる作業時間)

  • AIが止まる原因は、モデルよりWi-Fi・端末・既存システムなど周辺環境にあることが多い

  • 現場がAIに合わせる作業(棚の並べ替えなど)は、導入コストに計上されないまま人に転嫁されやすい

  • 全拠点への一斉展開は、成功したときの効果より失敗したときの傷のほうが大きい

  • 撤退は失敗ではなく判断。「いつやめるか」を決めていない導入こそが失敗になる


今日から実践できる対策

  • ベンダーの「精度○%」は、測定条件・サンプル数・失敗例を文書でもらう

  • 自社の実環境で最低1カ月パイロットを行う。場所は「一番条件の悪い拠点」を選ぶ

  • 「AIの出力を人が修正した件数・時間」を週次で記録するKPIを置く

  • 現場が不具合を匿名で上げられる窓口を作り、経営が毎週目を通す

  • 導入前に撤退ラインを数値で決める(例:修正率が◯%を超えたら停止)

  • 季節商品やパッケージ変更など「見た目が変わる」運用は、更新手順と所要日数を事前に握る


まとめ

スターバックスのAI在庫ツールは、性能が低かったから消えたのではありません。実験室では正しく動き、店舗では人の手間を増やしました。差を生んだのは、光の反射、Wi-Fi、棚の乱れといった、資料に書かれない現実です。AI導入の成否は、モデルの精度ではなく「現場で誰が尻拭いをするか」で決まります。導入前に測るべき数字は、削減できる時間ではなく、AIの誤りを直すのにかかる時間。そしてもう一つ、やめる基準を先に決めておくことです。


関連キーワード

スターバックス, NomadGo, Automated Counting, AI在庫管理, コンピュータビジョン, 画像認識AI, AI導入失敗, PoC, パイロット導入, 精度99%, 現場運用, DX推進, 業務効率化, 小売DX, AIガバナンス, 撤退基準, ベンダー選定, 人手不足対策, 生成AIリテラシー, Back to Starbucks
#AI失敗事例 #スターバックス #AI導入 #DX #業務効率化 #AIリテラシー #小売 #ビジネス #AI活用


いいなと思ったら応援しよう！

この記事は noteマネー にピックアップされました

noteマネーのバナー