La cadena de café más grande del mundo retiró en toda Norteamérica su herramienta de IA para inventarios, apenas nueve meses después de implementarla. Un caso que revela los límites reales de la automatización en operaciones de alto ritmo.
Todo empezó con una promesa razonable. Starbucks llevaba meses enfrentando un problema que sus propios directivos reconocían en público: el desabasto en tienda estaba afectando las ventas. Productos agotados, pedidos incompletos, faltantes que la cadena no lograba anticipar. La solución que llegó con Brian Niccol a la dirección general fue apoyarse en inteligencia artificial para automatizar el conteo de inventarios y detectar faltantes en tiempo real.
El sistema se desplegó en miles de tiendas de Norteamérica. Nueve meses después, la compañía lo retiró por completo.
¿Qué salió mal? La herramienta tenía una función aparentemente sencilla: ayudar a los empleados a registrar productos como distintos tipos de leche, bebidas y suministros para mantener un mejor control del inventario diario. Pero el sistema comenzó a fallar en lo más básico. Confundía variedades de leche con empaques similares. Omitía productos del registro por completo. Lo que parecía un detalle técnico terminó afectando directamente el funcionamiento de las cafeterías en uno de los mercados más exigentes de la compañía.
En febrero, Starbucks todavía defendía el proyecto. Declaró públicamente que la adopción de la herramienta había mejorado la disponibilidad de productos en tienda, una de las principales métricas operativas de Niccol. Tres meses más tarde, confirmó su fin.
En el comunicado enviado a Reuters, la empresa explicó que la decisión responde a un proceso para estandarizar la forma en que se contabiliza el inventario en las cafeterías, mientras continúa enfocándose en mejorar la consistencia operativa a gran escala. La narrativa oficial es ordenada. La realidad detrás es más incómoda: una herramienta tecnológica diseñada para reducir errores terminó creando nuevos errores que antes no existían.
El caso también visibiliza una paradoja que aparece cada vez con más frecuencia en el retail de alta frecuencia. Para un algoritmo, distinguir entre dos tipos de leche de empaque similar sigue siendo más complejo de lo que muchas empresas anticipan al momento de automatizar. Y cuando el sistema falla, no solo genera inexactitudes en el inventario: obliga a los trabajadores a supervisar, corregir y validar decisiones del algoritmo que antes simplemente hacían solos. La promesa de eficiencia puede convertirse, en la práctica, en una operación más lenta.
Starbucks no abandona la inteligencia artificial. La compañía sigue invirtiendo en tecnología para distintas áreas de su negocio. Pero este episodio deja una huella: incluso las marcas más grandes pueden descubrir que algunas decisiones aún funcionan mejor cuando hay personas detrás del proceso.
El panel de especialistas de next+ identifica en este caso un patrón que se repite con preocupante frecuencia en la adopción corporativa de IA: la brecha entre lo que un sistema demuestra en condiciones controladas y lo que realmente ocurre dentro de entornos operativos dinámicos. Automatizar tareas aparentemente simples exige que la tecnología interprete contexto, variabilidad y ambigüedad visual que para un trabajador es trivial, pero que para un modelo sigue representando un problema no resuelto.
La velocidad de adopción no puede superar la validez operativa de la tecnología. Implementar IA bajo presión competitiva, sin pilotos rigurosos en entornos reales, genera exactamente el problema que se busca eliminar: fricción, costos ocultos de supervisión y pérdida de confianza interna en la herramienta. La pregunta que todo ejecutivo debería hacerse antes de escalar no es si automatizar, sino si la madurez del sistema justifica el riesgo. En operaciones de alta frecuencia, esa validación no es opcional.