Starbucks drog i nödbromsen – varför håller AI sällan vad det lovar utanför labbet?

När labbet möter verkligheten

Det är en historia vi hört förut, men den är värd att berätta igen. Starbucks hade investerat tungt i ett system som kombinerade kameror med so kallad lidarteknologi – laserbaserad avståndsmätning – för att i realtid övervaka lagernivåer av mjölk och andra dryckesingredienser. Ambitionen var tydlig: färre bristsituationer, effektivare leveranskedjor och mindre manuellt arbete för personalen. Systemet testades i flera år innan det i september 2025 rullade ut brett i kaféer runt om i Nordamerika. Sedan, rapporterar Reuters via Computer Sweden, kom besluteet att avveckla alltihop.

Anledningen? Systemet levererade helt enkelt för många felaktiga uppgifter i vardaglig drift.

Det är ett klassiskt mönster inom AI-implementering. En teknik presterar väl i kontrollerade testmiljöer, där datan är ren, ljusförhållandena är förutsägbara och avvikelserna är få. Men ett Starbucks-café under morgonrusningen är ingenting av det. Det är ånga, rörelse, skiftande belysning, produkter som placeras fel, förpackningar som byts ut och personal som improviserar. Lidar och kameror som kartlägger ett stilrent laboratorium är inte automatiskt rustade för det.

Förtroendet måste förtjänas – av maskiner också

Det finns en intressant parallell att dra till hur konsumenter i stort ser på AI i handelsmiljöer. En ny undersökning från PSE Consulting, som Retail Dive rapporterar om, visar att en stor majoritet av konsumenterna fortfarande kräver välkända varumärken och tillgång till kundomdömen innan de genomför köp via AI-drivna verktyg. Automatiseringen välkomnas, men inte till priset av kontroll och igenkänning.

Det är i grunden samma problematik, fast från olika håll. Konsumenten vill inte lita blint på en algoritm. Och butikskedjans verksamhet kan inte heller göra det – inte förrän tekniken faktiskt bevisat sig i skarpt läge.

Förtroendet för AI byggs inte genom att deklarera att systemet är avancerat. Det byggs genom att systemet levererar rätt, gång efter gång, när det faktiskt gäller.

Inte ett skäl att ge upp – men ett skäl att vara noggrann

Jag vill vara tydlig: det här är inte ett argument mot AI i detaljhandeln. Det är ett argument för att göra det ordentligt.

Starbucks fall illustrerar ett gap som är välbekant för alla som arbetat med systemutveckling i verkliga miljöer – gapet mellan en imponerande demonstration och en robust, driftsatt lösning. Det tar tid att stänga det gapet. Det kräver ordentlig felanalys, iterativa tester i produktionsnära miljöer och, framför allt, ödmjukhet inför hur komplex en till synes enkel uppgift som lagerhantering faktiskt är.

Det är också värt att påpeka att Starbucks inte är ensamma. Många stora kedjor har investerat tungt i automatiserade lagerlösningar med blandade resultat. Det är en bransch som fortfarande är i inlärningsfasen, och varje misslyckande – om det hanteras öppet och analytiskt – är i sig ett bidrag till den kollektiva kunskapen.

Den som drar slutsatsen att "AI fungerar inte i detaljhandeln" missar poängen. Den rätta slutsatsen är att AI-system i komplexa driftsmiljöer kräver en implementeringsprocess som matchar komplexiteten – inte en stor utrullning följd av förhoppningar.

Vad händer nu för Starbucks?

För kaffekedjan, som redan tidigare brottats med operativa utmaningar och vikande kundnöjdhet, är avvecklingen ett bakslag. Men det behöver inte vara slutet på digitaliseringsresan – snarare en omstart med bättre underlag. Frågan är om organisationen tar med sig lärdomen eller om nästa tekniksatsning görs med samma optimism och utan tillräcklig riskanalys.

Det är den frågan som avgör om ett misslyckande blir ett prejudikat för försiktighet eller en språngbräda mot något som faktiskt håller.