Himanshu Jain, spoluzakladatel a vedoucí produktů ve společnosti CommerceIQ – série rozhovorů

Himanshu Jain, spoluzakladatel a vedoucí produktů ve společnosti CommerceIQ, řídí produktovou strategii a vývoj se zaměřením na vytváření AI agentů, kteří automatizují složité procesy v maloobchodě a e‑commerce. Od založení CommerceIQ v roce 2017 pomohl formovat přístup společnosti k využívání dat, automatizace a AI v digitálním obchodě. Před CommerceIQ zastával Jain vedoucí pozice v oblasti produktové strategie, rozvoje podnikání a úspěchu zákazníků ve společnosti Boomerang Commerce, kde spolupracoval s předními maloobchodníky na cenotvorbě, sortimentu a strategiích růstu e‑commerce. Dříve ve své kariéře byl management konzultantem ve společnosti A.T. Kearney a téměř pět let působil v Capital One UK v oblastech produktového managementu, úvěrového rizika, marketingové strategie, analytiky a statistického modelování. Také radil startupům v oblasti go‑to‑market strategie a přispíval články o Amazonu a e‑commerce pro Marketing Land.

CommerceIQ je platforma pro maloobchodní obchodování poháněná AI, navržená tak, aby pomáhala spotřebitelským značkám spravovat a optimalizovat jejich výkonnost napříč kanály e‑commerce. Její platforma spojuje prodeje, maloobchodní média, digitální regál, obsah, zásoby a konkurenční data, což týmům poskytuje jednotný přehled o výkonnosti u více než 1 500 maloobchodníků a ve 85 zemích. CommerceIQ se stále více zaměřuje na agentní AI prostřednictvím technologie AllyAI, s specializovanými agenty, kteří dokážou analyzovat maloobchodní signály, doporučovat akce, automatizovat reportování, optimalizovat nabídky a rozpočty reklamy a provádět vybrané e‑commerce workflowy v rámci definovaných kontrol. Společnost tento přístup prezentuje jako posun od řízení maloobchodu založeného na dashboardech k nepřetržitému, AI‑asistovanému provádění napříč prodejem, médii, obsahem a digitálním regálem.

Strávil jste více než deset let prací v produktovém managementu, úspěchu zákazníků, rozvoji podnikání a dalších oblastech před založením CommerceIQ. Co vás přimělo vstoupit do agentního maloobchodu a jaké lekce z těch předchozích technologických přechodů formovaly váš pohled na tento?

Většina softwaru před agentní AI byla navržena tak, aby člověku práci zrychlila. Excel vám pomáhá rychleji vytvořit model. Dashboard vám pomáhá rychleji učinit rozhodnutí. Co se změnilo s agentním maloobchodem, je to, že software nyní může práci vykonávat sám, nikoli jen urychlit, jak ji provádí člověk. Agent se může naučit vaše prostředí stejně jako nový zaměstnanec. Vaše procesy, interní směrnice, způsob, jakým skutečně rozhodujete, a pak jednáte směrem k cíli od začátku do konce, přičemž člověk poskytuje kontext a kontroluje výstup místo toho, aby prováděl každý krok. To je naprosto jiná kategorie softwaru než cokoli, s čím jsem se setkal dříve v produktovém managementu nebo v oblasti úspěchu zákazníků, a proto si myslím, že se jedná o nejzákladnější technologický posun, který jsem viděl, nikoli o inkrementální změnu. Rychlost je také bezprecedentní. Smartphone potřebovaly roky, aby se staly všudypřítomnými. Agentní AI změnila způsob, jakým fungují celé odvětví, a nezpomalí. Lekce z předchozích přechodů, kterou beru nejvážněji, je, že lidé, kteří vycházejí z minulosti, dělají špatné předpovědi. Přístup, který jsem zjistil, že funguje nejlépe, je zachovat otevřenou mysl, zapojit se do praxe a učit se z toho, co se právě děje, místo toho, co se stalo v posledním cyklu.

Rozlišujete mezi „agentním obchodem“, kde spotřebitelé používají AI agenty k objevování a nákupu produktů, a „agentním maloobchodem“, kde značky používají agenty k řízení toho, jak prodávají. Jak se podle vás mění vztah mezi spotřebiteli, značkami a maloobchodníky, když se obě strany stále více automatizují?

Objevování v maloobchodě prošlo několika skutečnými posuny. V 80. a 90. letech to byly katalogy v poště, obchod, který rozhodoval, co zvýrazní, a člověk, který si z toho vybíral. Amazon vytvořil nekonečnou uličku. Každé vyhledávání klíčových slov se stalo vlastním neomezeným regálem, ale člověk stále četl názvy, prohlížel recenze a sám rozhodoval. Co se nyní mění, je to, že lidé a agenti nakupují společně. Vy vyjádříte záměr; agent může přečíst každý produkt na stránce v plném rozsahu, každé tvrzení, každou recenzi, každý bod, provést analýzu záměru vůči tomu, co skutečně potřebujete, a předložit vám čtyři nebo pět doporučení. Stále si jedno vyberete, ale agent již vykonal srovnávací práci, kterou dříve člověk prováděl při prohlížení. Na straně značky agenti optimalizují obsah PDP na základě toho, co spotřebitelé a jejich agenti hledají, rozhodují, na které produkty se má sázet, a pomáhají řídit merchandising. Maloobchodník se nachází uprostřed tohoto cyklu a řídí, kolik signálu proudí mezi oběma stranami a co se komu a za jakou propagaci zobrazí. Tento datový a rozhodovací vrstva se stává stále více proprietární pro maloobchodníka.

Objevování produktů se posouvá od tradičního vyhledávání klíčových slov k AI asistentům, kteří porovnávají produkty, shrnují možnosti a poskytují doporučení. Jak by měly značky přehodnotit obsah produktů a strategii digitálního regálu, když se stále více snaží získat doporučení od AI agenta místo pouhého vysokého umístění ve výsledcích vyhledávání?

Člověk rychle projde stránku, přečte si souhrn recenze a podívá se na několik obrázků. Agent dokáže přečíst každý pixel. Dokonce i v nákupním agentovi se vaše otázka rozdělí na klíčová slova, tato klíčová slova se vyhledají, výsledky se extrahují, každý produkt se přečte v plném rozsahu a poté algoritmus úmyslu seřadí zkrácený seznam, který vám zobrazí. To znamená, že obsah musí fungovat jak pro tradiční vyhledávání, tak pro čtení na úrovni pixelu současně, ne jen pro jedno nebo druhé. Záleží také na tom, pro jaký typ agenta optimalizujete. Nákupní agenti jako Rufus, Sparky a Alexa Shopping jsou místy, kde dochází k skutečným nákupům, a to, co zde posouvá výsledek, je samotná stránka produktu a každá její vlastnost a tvrzení. Obecní agenti jako ChatGPT nebo Perplexity se chovají spíše jako výzkum na vrcholu trychtýře a to, co vám zde zajistí zmínku, je spíše získaná média, citace, blogové příspěvky a externí články. Značky, které tyto problémy považují za totéž, nakonec optimalizují špatnou plochu.

Termín „agentní AI“ se nyní používá pro širokou škálu produktů. V maloobchodě konkrétně, co odlišuje pravého AI agenta od tradiční automatizace založené na pravidlech nebo analytické platformy s generativním AI rozhraním navršeným navrchu?

Automatizace založená na pravidlech funguje tak, že pokud nastane X, udělá se Y. Nemá žádnou inteligenci a nedokáže zvládnout nic, co jste explicitně neprogramovali. Generativní rozhraní navrchu dashboardu jen usnadňuje čtení stejného statického poznatku. Pravý agent dokáže myslet, plánovat, vykonávat a pak neustále hodnotit a přizpůsobovat se, podobně jako junior analytik, kterého jste vyškolili. Poskytnete mu kontext, své procesy, směrnice a rozhodnutí, která jste učinili dříve, a on začne jednat směrem k cíli místo toho, aby čekal na další spuštění pravidla. To je test, který skutečně používám: dokáže fungovat tak, jak by to udělal člověk, kterého jste vyškolili, nebo je to jen rychlejší verze něčeho, co bylo vždy statické?

Obchodní týmy tradičně monitorují zásoby, ceny, produktové stránky, retail media, výkonnost vyhledávání a konkurenční aktivitu u tisíců produktů. Které z těchto provozních mezer jsou dnes nejlépe vhodné pro autonomní AI agenty a kde zůstává lidský úsudek obtížně nahraditelný?

Přemýšlím o tom jako o 2×2, kde se hodnotí, kolik úsudku rozhodnutí vyžaduje a jaký má dopad. Práce s nízkým úsudkem se předává agentovi přímo. Práce s vysokým úsudkem nebo vysokým dopadem si zachovává lidský strategický dohled a audit výsledků. V praxi to znamená začít s vašimi dlouhým ocasem SKU a dlouhým ocasem retailerů, tedy těmi, které nikdo během roku nezasáhl, a nejprve je přepnout do autopilotu, protože riziko chyby je nízké. Vaše hlavní SKU a hlavní retaileri si zachovávají lidskou vrstvu, a tato vrstva není jen pro audit; je to způsob, jak trénujete agenta. Když něco zachytíte, řeknete mu, co měl udělat a proč, a tato zpětná vazba ho časem zlepšuje, místo aby byl jen trvale průměrný.

Specializovaní agenti mohou potenciálně vytvářet vlastní problémy, pokud optimalizují pro izolované cíle. Mediální agent může zvýšit reklamu na produkt, který dochází zásoby, zatímco cenový agent může zlepšit konverzi na úkor marže. Jak zajistit, aby více agentů pracovalo směrem k širším obchodním cílům značky, místo aby jen optimalizovalo své individuální metriky?

Právě proto jsme vytvořili orchestrátor místo sady nezávislých agentů. Náš se jmenuje Ally a jeho cílem je růst prodeje, ne metrika jakéhokoli jednotlivého kanálu. Zjišťuje, kde jsou příležitosti a rizika, pracuje s kompromisy a pak přiřazuje konkrétní úkoly pracovním agentům – mediálnímu, obsahovému a cenovému – a sdílí mezi nimi stejné informace, takže nikdo neoptimalizuje izolovaně. Bez této vrstvy získáte přesně ten selhávající scénář, který je v otázce: mediální agent utrácí na produkt, který má brzy dojít do vyčerpání, protože nemá přehled o zásobách.

Retailová data jsou často roztříštěná napříč portály retailerů, reklamními platformami, systémy zásob, systémy produktových informací a interními analytickými nástroji. Jak důležitá je kvalita dat a jejich sjednocení pro úspěšný agentní retail a zda dává větší autonomii AI agentům nebezpečnější šanci na špatná nebo neúplná data?

Získání dat do správného tvaru, s reálnou sémantickou strukturou a vhodnou ontologií, nejen surových toků ležících vedle sebe, je zde většina skutečné práce. Mnoho týmů si myslí, že můžete nahrát něco do ChatGPT nebo nasadit agenta na existující systémy a získáte konzistentní výstup; ve skutečnosti je to nevyrovnané, někdy to funguje a někdy to halucinuje, bez možnosti spolehlivosti. Autonomie to zhoršuje, ne zlepšuje, protože člověk se špatnými daty obvykle chybu zachytí před tím, než na ni reaguje. Agent se špatnými daty jedná okamžitě, ve velkém měřítku, dříve než si to někdo všimne.

Jak se značky stávají pohodlnějšími s AI agenty, jak by měly rozhodovat, které akce mohou být prováděny autonomně a které by měly i nadále vyžadovat lidské schválení? Jak v praxi vypadá postup od „AI doporučuje“ k „AI jedná“?

Mělo by to probíhat postupně, ne najednou. Většina týmů začíná zhruba s 10 % automatizace a 90 % vyžadujícím schválení. Jakmile se uzavřená smyčka zpětné vazby rozběhne, lidé opravují agenta a agent tyto opravy začleňuje, důvěra roste a poměr se posouvá na 20 % a 80 %, pak dále, jak v objemu akcí, tak v hodnotě toho, co se automatizuje. Výchozím bodem tohoto vývoje je práce s nízkým dopadem, dlouhým seznamem SKU a prodejci, které jste přece jen neaktivně řídili, a rozšiřuje se až na rozhodnutí s vyšším dopadem a vyšším úsudkem, jakmile se vytvoří dostatečná historie úspěchů.

Retail media byla tradičně silně zaměřena na metriky jako návratnost investic do reklamy, ale roste zájem o to, zda reklama skutečně vytváří přírůstkové prodeje. Jak může AI pomoci značkám činit lepší rozhodnutí o přírůstkovosti, ziskovosti a o tom, kam by měly být reklamní peníze alokovány?

Značky se mohou příliš zamilovat do měření. Provedení hluboké studie přírůstkovosti po čtvrtletí zní důkladně, ale trh se obvykle posune dál, než je studie dokončena. Raději bych viděl týmy, které si vytvoří sadu praktických heuristik a budou na nich rychle jednat: pokud už organicky dosahujete vysokých pozic, neplatíte více; platíte za prodej, který byste stejně získali. Pokud organicky dosahujete nízkých pozic, právě tehdy reklama skutečně vydělává. Pokud existuje cílové publikum, které neví o vašem produktu, investujte tam do vzdělávání. Hádat se, zda dolar přinesl 1,48 $ nebo 1,68 $ přírůstkově, je čas strávený nečinností. Dostat se k akci rychleji a přijmout, že číslo bude spíše orientační než naprosto přesné, je to, co skutečně posouvá prodeje.

Pokud AI agenti na straně zákazníka stále častěji zajišťují objevování, srovnávání a nákup, zatímco agenti na straně značky spravují obsah, ceny, reklamu a zásoby, mohli bychom nakonec mít stroje ovlivňující obě strany transakce. Jak si představujete e‑commerce v takovém prostředí a co nakonec oddělí značky, které uspějí, od těch, které se stanou neviditelnými pro tyto AI‑řízené nákupní systémy?

Nemyslím si, že se brzy dostaneme k tomu, že by agenti mezi sebou autonomně transakčně spolupracovali. Co vidím místo toho, je spolupráce lidí a agentů na obou stranách – agenti provádějí srovnání a doporučení, lidé stále činí konečné rozhodnutí, a totéž se opakuje i na straně značky, kde agenti vykonávají akce, zatímco lidé stanovují strategii a schvalují klíčová rozhodnutí. V tomto světě musí být fyzický produkt stále dobrý; žádná optimalizace nezachrání špatný produkt. Dále je rozhodujícím faktorem kontext: kolik kontextu má agent o vašem podnikání, kolik se naučil a jakou zpětnou vazbu dostal. To odděluje agenta, který dělá hloupé chyby, od toho, který skutečně rozumí hlasu a strategii vaší značky natolik, že mu lze důvěřovat při reálných rozhodnutích. Značky, které vyhrávají, jsou ty, které považují poskytování dobrého kontextu agentům a fungující zpětnou smyčku za základní práci, nikoli za vedlejší projekt; a ty, které tento krok přeskočí, se stanou neviditelnými.

Děkujeme za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit CommerceIQ.