스타벅스 AI 재고관리 중단이 남긴 신호: 현장형 AI는 정확도와 업무 설계가 관건

스타벅스가 북미 매장에서 쓰던 AI 기반 재고 자동 집계 도구 ‘Automated Counting’을 도입 약 9개월 만에 종료했다. 직원이 태블릿으로 선반을 비추면 카메라와 라이다(LiDAR) 데이터로 우유, 시럽 등 재고를 세는 방식이었지만, 실제 매장에서는 비슷한 제품을 혼동하거나 일부 품목을 빠뜨리는 문제가 반복됐다는 보도가 나왔다. 이번 결정은 AI 도입 자체의 후퇴라기보다, 매장·병원·물류·연구실처럼 변수가 많은 현장형 AI에서 정확도와 업무 설계가 얼마나 중요한지를 보여준다.

Reuters는 5월 21일 스타벅스가 Automated Counting 프로그램을 북미 매장에서 종료했다고 보도했다. 이 도구는 2025년 9월 북미 매장에 배포됐고, 직원이 태블릿을 들고 재고 선반을 스캔하면 카메라와 라이다 데이터를 활용해 제품을 인식하고 수량을 세는 방식이었다. 목적은 매장 내 제품 부족을 줄이고, 본사와 공급망이 재고 상황을 더 빨리 파악하도록 하는 데 있었다.

문제는 실제 운영 환경에서의 일관성이었다. Reuters 보도에 따르면 이 앱은 비슷한 우유 종류를 혼동하거나 일부 품목을 아예 인식하지 못하는 등 재고 집계 오류를 냈다. 스타벅스는 Reuters에 재고 집계 방식을 매장 전반에서 표준화하고, 대규모 운영의 일관성과 실행력을 높이기 위한 결정이라고 설명했다. 회사는 더 잦은 일일 보충과 공급망 개선도 함께 추진하고 있다고 밝혔다.

이 도구를 공급한 NomadGo는 2025년 9월 발표에서 자사 Inventory AI가 북미 1만1,000개 이상 스타벅스 매장에 적용되며, 수작업보다 최대 8배 빠르고 99% 정확도를 낼 수 있다고 홍보했다. 컴퓨터비전은 카메라 이미지로 물체를 식별하는 기술이고, 라이다는 빛을 이용해 거리와 공간 형태를 측정하는 센서 기술이다. 두 기술 모두 재고 자동화에 유용할 수 있지만, 매장 조명, 제품 포장, 진열 위치, 직원의 스캔 방식, 갑작스러운 품절이나 대체 진열 같은 변수를 모두 안정적으로 처리해야 실제 생산성으로 이어진다.

중요한 점은 스타벅스가 AI 활용 자체를 접은 것은 아니라는 점이다. 스타벅스는 올해 주주 질의응답 자료에서 AI를 사람의 연결을 대체하기보다 강화하는 도구로 설명했고, 직원에게 레시피와 서비스 기준을 실시간으로 알려주는 Green Dot Assist, 카페·드라이브스루·모바일·배달 주문 흐름을 조정하는 Smart Queue 같은 디지털 도구를 언급했다. 이번 사례는 특정 현장 자동화 기능이 운영 기준을 충분히 만족하지 못했을 때 기업이 도입 속도를 조정한 사례로 보는 편이 적절하다.

보스턴권 독자에게 이 뉴스가 의미 있는 이유도 여기에 있다. 매사추세츠는 FY2026~FY2030 자본계획에서 Applied AI Hub에 총 6,863만8,995달러 규모의 투자를 잡고 있으며, 생명과학, 헬스케어, 클라이밋테크 같은 적용 산업을 강조하고 있다. 보스턴 지역의 AI 기회는 단순 챗봇보다 병원, 연구소, 제조 현장, 로보틱스, 에너지, 공공서비스처럼 실제 업무 현장에 들어가는 형태가 많다. 따라서 채용시장에서도 모델을 잘 다루는 능력뿐 아니라, 데이터 품질을 점검하고 현장 오류를 줄이며 사람이 개입해야 할 지점을 설계하는 역량이 더 중요해질 수 있다.

유학생과 취업 준비생 입장에서는 ‘AI가 직무를 대체한다’는 단순한 구도보다 ‘AI 프로젝트가 현장에서 작동하도록 만드는 역할’을 봐야 한다. AI 제품 매니저, 데이터 품질 담당자, 머신러닝 엔지니어, 컴퓨터비전 엔지니어, 운영 분석가, QA·평가 엔지니어, 공급망 분석가, 현장 도입 컨설턴트 같은 직무는 기술과 운영 사이를 연결한다. 특히 병원, 연구실, 물류창고, 리테일 매장처럼 예외 상황이 많은 환경에서는 모델 정확도뿐 아니라 오류가 났을 때 누가 확인하고, 어떤 기준으로 성과를 판단하며, 기존 업무 절차와 어떻게 연결할지가 중요하다.

현직 직장인에게는 AI 도입 프로젝트를 볼 때 확인해야 할 기준이 조금 더 분명해졌다. 자동화하려는 업무가 반복적이더라도 입력 데이터가 안정적인지, 오류가 났을 때 고객 경험과 비용에 어떤 영향을 주는지, 현장 사용자가 도구를 신뢰할 수 있는지 봐야 한다. 재고 AI가 제품을 잘못 세면 단순한 숫자 오류에 그치지 않고 발주, 고객 대기, 직원 재작업, 공급망 판단까지 영향을 줄 수 있다. 직원이 계속 결과를 수정해야 한다면 자동화는 생산성 개선보다 추가 업무에 가까워질 수 있다.

이직 준비자와 비자 스폰서십이 필요한 지원자에게도 참고할 부분이 있다. 개인의 비자 판단은 회사와 직무, 고용 조건에 따라 달라질 수 있어 일반화하기 어렵지만, 채용 공고를 볼 때 해당 AI 직무가 실험적 파일럿에 가까운지, 실제 운영·매출·규제 대응과 연결된 핵심 직무인지 구분해 보는 것은 도움이 된다. 기업이 AI 프로젝트를 줄인다는 뜻이 아니라, 검증 가능한 성과와 운영 안정성을 요구하는 방향으로 기준이 높아지고 있기 때문이다.

창업 관심자에게는 고객과 투자자가 보는 질문도 달라지고 있다는 점이 중요하다. ‘AI를 붙였다’는 설명만으로는 충분하지 않다. 파일럿에서 어떤 오류가 발생했는지, 실제 사용자가 얼마나 자주 개입해야 하는지, 기존 업무 대비 시간이 얼마나 줄었는지, 실패했을 때 수동 전환 절차가 있는지까지 보여줘야 한다. 특히 보스턴의 헬스케어·바이오·로보틱스 분야에서는 안전성, 검증 데이터, 규제 대응, 현장 교육이 제품 경쟁력의 일부로 평가될 수 있다.

이번 스타벅스 사례는 AI 도입 속도가 일방적으로 느려진다는 신호라기보다, 기업들이 보여주기식 자동화에서 운영 가능한 자동화로 기준을 옮기고 있다는 신호에 가깝다. 앞으로 보스턴 테크·비즈 시장에서 주목할 지점은 AI를 얼마나 크게 말하느냐가 아니라, 실제 업무에서 오류를 줄이고 사람의 판단과 자연스럽게 결합시키는 능력이다. AI와 함께 늘어나는 역할은 기술 자체를 만드는 일뿐 아니라, 기술이 현장에서 안정적으로 작동하도록 설계하고 검증하는 일에서 더 뚜렷하게 보일 가능성이 있다.