夜雨聆风作者：盛振中 新为数智研究院首席智能官
长话短说
1、技术可行不等于业务可行
AI 工具本身技术先进，但在星巴克11,000 多家门店的复杂运营环境中，识别准确率和效率难以完全兑现，技术失败并非主要原因。
2、组织吸收能力决定落地效果
员工必须理解、信任并能顺利使用 AI 工具。库存盘点工具增加了复核和调整负担，导致组织吸收不足，是撤回的关键因素。
3、供应链与治理环境影响价值释放
单一 AI 工具无法解决供应商分散、后仓空间限制、包装不标准、易腐品管理和旧系统问题。治理机制和前置容错、撤回策略直接影响 AI 项目能否稳定释放经营价值。
01
时间线：发生了什么？
2025 年 9 月，星巴克在北美大规模推出由 NomadGo 提供的 AI 库存自动盘点工具，计划覆盖超过 11,000 家门店。
该工具结合计算机视觉、3D 空间智能和增强现实，员工用手机或平板扫描货架、冷藏柜或陈列柜，系统即可自动识别并计数库存。NomadGo宣称，其盘点速度最高可达人工的 8 倍，准确率可达 99%。
但到 2026 年 1 月，该工具在实际运行中出现误计数和误标识，例如混淆相似牛奶类型、漏识别货架商品。更深层的问题是，这些故障并非孤立技术问题，而是与供应商分散、包装不标准、门店后仓空间有限、食品和奶制品易腐、旧IT 系统仍在运行等因素叠加。
2026 年 1 月 29 日，星巴克官网阐述其 AI 原则：AI应支持伙伴、改善门店节奏、强化顾客连接，而不是替代咖啡馆中的人际关系。虽然文章没有直接承认库存 AI 失败，但提出了一个重要标准：如果 AI 能帮助门店运营，就扩大；如果不能，就调整或放弃。
2026 年 5 月，星巴克在北美停止使用 Automated Counting 项目，称此举是为了统一门店库存盘点方式，并继续推进每日补货和供应链改善。Restaurant Dive 随后报道称，该系统被员工认为“不可靠”，星巴克转向更传统、一致化的库存盘点方式。
从上线到撤回，大约 9 个月。
这个案例真正值得高管关注的，不只是“AI 为什么识别不准”，而是“为什么一个看似合理的AI 工具，没能在复杂运营网络中稳定产生价值”。
02
机制：问题不只是技术
第一，战略目标真实，但工具承载过重。星巴克希望通过 AI 减少缺货、提升产品可得性、改善顾客体验，这些目标都很重要。尤其在北美利润率承压、星巴克CEO Brian Niccol 推动 “Back to Starbucks” 转型的背景下，库存准确性确实具有战略意义。
但 AI 盘点主要解决“看见库存”，并不能自动解决“补上库存”。需求预测、供应商协同、配送频率、后仓空间、易腐品损耗和门店执行，仍然需要系统改造。
第二，场景是真痛点，但复杂度被低估。库存盘点不是伪需求。对门店来说，缺货、盘点耗时、后仓混乱，都会影响员工和顾客体验。
但星巴克门店不是标准化仓库。货架、冷藏柜、解冻架、后仓、陈列柜，每个空间都可能不同；牛奶、糖浆、食品包装相似，识别难度并不低。如果把场景简化为“员工一扫，系统一数，库存就准了”，就低估了现场复杂性。
第三，数据基础不只是“有没有数据”，而是“是否足够标准、可信、可行动”。AI 盘点依赖商品主数据、包装识别特征、货架位置、门店库存记录、供应商包装标准和旧系统接口。Reuters 提到的旧 IT 系统、供应商分散、包装不标准、后仓空间有限，说明 AI 工具并不是接在一个干净、统一的数据底座上。
它面对的是一个由历史系统、供应商系统和门店现场共同构成的复杂数据环境。
第四，员工是否真正受益，决定组织能否吸收 AI。星巴克官方强调 AI 是为了支持伙伴。如果 AI 扫描准确，员工可以少花时间盘点；但如果误识别频繁，员工就要复核、重扫、调整货架、纠正错误。这样一来，“减负工具”可能变成新的工作负担。
很多 AI 项目从总部看是自动化，从一线看却可能是多了一套需要照顾和纠错的系统。
第五，治理不能只靠事后撤回。星巴克最终撤回工具，说明组织保留了纠偏能力。但高管更需要追问：在部署到 11,000 多家门店之前，是否已经充分验证不同门店类型、商品类别、供应商包装和后仓环境？是否设置了清晰误差阈值？是否设计了局部暂停、局部回滚、按品类降级使用的机制？
如果前置治理不足，企业就容易从“小范围技术验证”跳到“大范围组织承压”。
第六，AI 失败常常是网络扩散，而不是单点故障。AI 自动盘点工具连接了星巴克战略、NomadGo 技术、员工扫描流程、库存数据、供应链可靠性、产品可得性、顾客体验和撤回事件。“误计数 / 误标识”一端连接技术识别能力，另一端连接库存数据污染、员工复核负担、补货判断失真和项目撤回。
一个局部技术误差，可能沿组织网络扩散成数据问题、流程问题、员工体验问题和治理问题。
03
启示：带来哪些借鉴？
第一，AI 项目要从经营价值出发，但不能让单一工具承担过长的价值链。高管需要拆清楚：AI 具体改善哪一个环节？它改善之后，下游流程是否接得住？
第二，真实业务痛点也需要分层验证。越是真实、高频、重要的场景，越不能只看试点演示效果。门店类型、区域差异、商品品类、员工熟练度、供应商包装、后仓空间，都会影响 AI 稳定性。
第三，数据标准化是 AI 运营项目的隐性前提。商品主数据、包装标准、供应商信息、旧系统接口、门店陈列规则如果没有足够统一，AI 可能只是把现场混乱数字化、自动化，甚至放大化。
第四，员工体验不是软指标，而是 AI 落地的核心指标。如果 AI 让员工更轻松、更准确、更有节奏，就容易被组织吸收；如果增加复核、纠错和额外操作，就会变成组织摩擦。
第五，治理不只是合规审查，还包括扩展节奏、退出机制和责任边界。企业需要提前明确：谁维护知识库？谁负责错误输出？谁决定暂停？什么条件下回滚？
第六，撤回不一定是失败终点，也可能是组织学习的开始。星巴克撤回库存 AI 工具，并不意味着放弃 AI。星巴克仍在推进需求预测、智能排班、员工辅助等 AI 项目。成熟的组织不是不犯错，而是能及时识别不适配、调整路径，并把经验反馈到下一轮 AI 治理中。
结语
星巴克案例提醒我们保持谦卑：即便是全球领先企业，面对真实业务痛点、明确战略目标和先进技术方案，AI 项目一旦进入复杂运营系统，仍可能遭遇难以预料的摩擦。
技术可行，不等于组织可用；库存可见，不等于供应链可靠；上线成功，不等于经营价值成立。
对 CEO 和高管来说，AI 转型真正困难的地方，可能不在于是否“用了 AI”，而在于是否有能力让 AI 与场景、数据、流程、员工、供应链和治理机制形成健康关系。
方法说明：
本文基于新为数智研究院原创“六钻模型”展开分析。
六钻模型以“经营价值”为核心主轴，以智能战略、应用场景、数据基础、技术能力、组织吸收和治理机制六个维度为支撑，用于系统研究企业数字化、智能化战略及其落地过程。
其中，“经营价值”是判断数字化、智能化项目是否真正成立的根本标准。换言之，AI项目的真正试金石，不是用了多先进的技术，而是它最终为企业创造了什么价值：是降低成本、提升效率、增加收入、控制风险，还是推动创新、增强组织能力？
只有当技术能力真正转化为可感知、可衡量、可持续的经营价值时，智能化才不只是工具部署，而是企业能力的升级。
