스타벅스는 왜 Computer Vision 재고 관리를 포기했을까
language
kor
date
Jun 9, 2026
slug
starbucks-computer-vision-inventory-failure
author
status
Public
tags
Computer Vision
Machine Vision
Inventory Management
Edge AI
Retail Tech
Starbucks
AI Failure Case
summary
스타벅스가 NomadGo의 Computer Vision 기반 재고 관리 시스템을 도입 9개월 만에 철수했다. 이 사례를 통해 99% 정확도라는 마케팅 수치의 한계, FOV와 on-device AI의 제약, 그리고 기존 매장 운영 시스템에 비전 기술만 덧붙이는 방식의 어려움을 살펴본다.
type
Post
thumbnail
category
Computer VIsion
updatedAt
Jun 9, 2026 08:25 PM
Computer Vision 관련 뉴스를 보다가 의외의 이름을 발견했다. Starbucks였다. 커피 체인점과 Computer Vision은 전혀 관련없어 보이지만, 실제로 스타벅스는 매장 재고 관리를 위해 Computer Vision 기반 재고 관리 시스템을 도입했다가 9개월 만에 철수했다.
Starbucks CEO 브라이언 니콜(Brian Niccol)의 ‘Back to Starbucks’ 전략 일환으로, 우유 등 주요 원재료의 품절 문제 해결과 공급망 가시성 확보를 위해 2025년 9월, 컴퓨터 비전 기반 재고 관리 시스템을 배포했었다. 그리고 9개월 만에 해당 시스템을 철수하기로 결정한 것이다. (실패 사례에 서비스 공급 회사 이름을 공개해도 되는지 모르지만(한국에서는 왠지 안될 가능성이 높아 보인다.)) 해당 시스템을 제공한 업체는 NomadGo(https://www.nomad-go.com/) 라는 업체로 카메라와 LiDAR가 탑재된 태블릿을 이용해 이미지를 취득하고 이를 on device AI를 이용해 제품 재고를 인식하는 방식이다. on device AI를 통해 매장 내 offline이 발생할 경우에도 대응이 가능하고, 빠른 인식 및 처리 속도를 구현했다고 홍보하고 있다.
NomadGo의 대부분 페이지에 있는 핵심 문구는 ‘8~10x 빠른 작업 99% 정확도’이다. 일반적으로는 크게 문제 없어 보이지만 여러 함정이 있어보인다. 속도와 정확도 둘 다 좋은 수치가 맞을까? 먼저 정확도 측면에서 computer vision이나 industrial machine vision에서 99% 정확도는 너무 막연한 수치다. 100개를 스캔하면 1개를 놓친다거나 100번 수행했는데 1번이 실패나 잘못된 결과를 내는 거라면 오류율이 너무 높다. Barcode나 OCR 인식도도 99.xxx % 와 같이 소수점 정밀도를 내세워야 하는데 NomadGo에서는 현실적인 숫자로 홍보를 할 수 밖에 없었던 것으로 보인다. 아래와 같은 이슈로 정확도에 영향을 줬을 가능성이 있다.
- 카메라와 LiDAR의 정밀도 문제
- 3D spatial vision 알고리즘의 문제
- On device AI를 사용하면서 생긴 모델 제약/정밀도 부족 문제
매장에서 이 정확도는 재고 데이터와 직결되기 때문에, 오류는 곧 비용이 된다. 오인식/미인식 등으로 인한 결과가 재고 주문 또는 미주문으로 인한 매장 운영 장애는 숫자로 알아채기도 어렵다.
속도 측면에서도 실제 사용 시에는 한계점을 엿볼 수 있다. 스타벅스에서는 소모적인 업무를 AI로 처리해 인적 효율화를 목표로 삼았던 것으로 보인다. 북미 스타벅스 직영 매장 전체(11,000개 이상)에 대규모 배포할 정도니 초기 demo에서 인상적인 활약을 보여준 것으로 보인다. Starbucks에서도 유튜브 일부 공개 영상으로 어떻게 NomadGo의 제품을 활용하고 있는지 공개한 적이 있다.(곧 영상이 사라질 수도 있다.)
실제 사용 영상을 보면 카메라의 FOV(Field of View)가 너무 좁아 사실상 사람이 하나하나 세는 것과 다름 없는 속도로 직원이 태블릿 카메라로 찍어야해서 생산성 측면에서 결과가 정말 NomadGo에서 주장하는 대로 8~10x 빨라지는지 의문이다.
첫 번째 링크의 원문 기사에 따르면 스타벅스는 해당 컴퓨터 비전 기반 재고 관리 시스템은 실제 운영에서 유사한 우유 종류를 혼동하거나 일부 제품을 인식하지 못하는 등 오류가 빈번했다고 한다. 시도는 좋았으나 결과는 실제 매장 운영 적용에는 최종 실패로 남았다. 기술이 문제였을까? 적용하려던 시장과 안 맞았을까? 예를 들어 신발 매장이었다면 1% 오류로 인한 재고 관리 오류는 큰 비용이 되지 않았을 수도 있다.(아닐 수도 있지만) 하지만 유제품 같은 유통기한이 짧은 신선 제품이 있는 매장에서는 오류는 바로 비용과 직결된다. 개인적으로는 이미 있는 시스템을 컴퓨터 비전 시스템으로 카메라 센서만 달아서 효율화하려는 시도는 상당히 난이도가 높고 부정적인 결과를 얻기가 쉬워보인다. 처음 매장을 세울 때 매장 레이아웃부터 창고 랙 높이에 따른 촬영 동선(카메라 배치 및 센서 위치) 등을 고려해야한다. H.W단 이후에도 재고 관리 시스템까지 모두 AI 기반 재고 관리 시스템을 사용한다는 계획 아래 통합적인 전략만이 살아남을 가능성이 높아 보인다.
Related posts
월드컵에 쓰인 컴퓨터 비전: 골라인 판정에서 반자동 오프사이드까지
Jul 5, 2026
월드컵 판정 기술은 단순한 비디오 판독을 넘어 경기장을 실시간 데이터 공간으로 바꾸고 있다. 골라인 기술, 반자동 오프사이드, 연결된 공과 광학 추적 시스템을 통해 컴퓨터 비전이 어떻게 공정성과 경기 흐름을 함께 개선하는지 정리한다.
InGaAs와 Si 사이: SWIR 센서 공급망 리스크와 NIR CMOS의 현실적 대안
Jun 20, 2026
InP와 InGaAs 계열 소재의 공급망 리스크가 커지는 가운데, 모든 SWIR 응용이 반드시 InGaAs 센서를 필요로 하는 것은 아니다. 1,100nm 이하 영역에서는 Si 기반 BSI CMOS가 비용과 공급 안정성 측면에서 현실적인 대안이 될 수 있으며, 이 글은 InGaAs와 Si 사이의 기술적 경계를 살펴본다.
상하이 Vision China와 Semicon China 2026에서 본 중국 제조업의 속도
Jun 2, 2026
상하이 Vision China와 Semicon China 2026 참관 후기. 중국 업체들의 edge device 전환, Semicon China의 압도적 규모, 소부장 내재화를 통해 중국 제조업의 속도와 위기감을 체감했다.