Nick Shiftan, CTO at Bazaarvoice – Rozhovorová série

Nick Shiftan, CTO at Bazaarvoice, je zkušený technologický líder a podnikatel, jehož kariéra zahrnuje dvě desetiletí budování a rozšiřování podnikového softwaru a obchodních platforem. Je nejznámější jako spoluzakladatel a CTO společnosti Curalate, průkopnické společnosti pro sociální obchod, kterou pomohl vyrost do více než 20 milionů dolarů v ARR před jejím odkupem společností Bazaarvoice v roce 2020. Na počátku své kariéry založil a vedl vývoj produktu ve společnosti Parkio, kde dodával podnikový software pro dopravní a parkovací systémy, a svou profesionální cestu začal ve společnosti Microsoft (MSFT ), kde pracoval na Outlook Mobile pro Windows Mobile. Po odkupu se původně očekávaná krátká přechodová doba vyvinula v dlouhodobou roli, kdy pokračoval ve stavbě v měřítku, která vyvrcholila jeho jmenováním do funkce CTO, kde se zaměřuje na rozvoj produktů založených na AI, založených na důvěře a autentických spotřebitelských datech.

Bazaarvoice je průmyslově vedoucí SaaS platforma, která umožňuje značek a maloobchodníkům shromažďovat, spravovat a aktivovat autentické uživatelsky generované obsahy, jako jsou hodnocení, recenze, fotografie a videa, napříč celou digitální nákupní cestou. Provozující se na globální úrovni, společnost pomáhá více než jedné miliardě zákazníků každý měsíc, aby učili informovaná nákupní rozhodnutí, syndikující důvěryhodný obsah napříč rozsáhlou sítí značek a maloobchodních destinací, umisťující transparentnost, důvěryhodnost a datově řízený obchod do centra online zážitků.

Jak aplikujete generativní AI a techniky založené na LLM, aby posílily autenticitu recenzí, moderaci a signály důvěry bez ohrožení výkonu pod těžkou zátěží?

Používáme AI k vyhledávání signálů a vzorců, ne k nahrazování lidského úsudku. LLM pomáhají rychle označit anomální aktivity nebo potenciálně neautentické obsahy, ale cílem je vždy zachovat důvěru. Integrací těchto modelů do offline validačních kanálů a jejich oddělením od reálných požadavkových cest zachováváme výkon i v případě, kdy objemy odesílání skokově vzrostou. Výsledkem jsou moderace a autenticita, které jsou inteligentní a škálovatelné.

Mnozí maloobchodníci investují značné prostředky do spolehlivosti při závěrečné fázi nákupu, ale často přehlížejí složitost udržení důvěryhodného recenzního ekosystému. Jaké skryté riziko v infrastrukturách recenzí a hodnocení si zaslouží stejnou strategickou pozornost jako platby?

Hodnocení a recenze vždy byly rozhodující infrastrukturou, ale toto je zvláště pravdivé ve světě nákupů podporovaných AI. Agenti AI budou silně spoléhat na signály důvěry – zejména ve formě hodnocení a recenzí – při vytváření nákupních doporučení. Zpoždění, chybějící data nebo zjevná neautenticita budou přímo ovlivňovat spotřebitelskou důvěru. Tyto systémy jsou složité; je třeba je zacházet se stejnou přísností jako systémy pro platby, aby se zabránilo ztrátě konverze a dlouhodobé erozi důvěry.

Jako někdo, kdo vedl inženýrství napříč několika velkými obchodními platformami, jak přizpůsobujete strategie pozorovatelnosti a reakce na incidenty, když systémy AI – jako analýza sentimentu nebo modely detekce podvodů – sedí přímo v reálné datové cestě?

Zacházíme s modely AI jako s jakýmkoli jiným kritickým službám: monitorujeme jejich výkon a přesnost v reálném čase. To zahrnuje latenci, chybové sazby a behaviorální posun. Implementujeme bezpečnostní mechanismy, aby modely mohly degradovat elegantně nebo obcházet nekritické cesty pod zátěží. Kontrolní panely, automatická upozornění a runbooky zajišťují, že problémy s AI jsou vyřešeny, než ovlivní zákazníky.

Při provozu na globální úrovni, jak zajišťujete, aby spotřebitelsky generovaný obsah procházel vašimi systémy AI tak, aby zachovávaly auditovatelnost, transparentnost a reálnou odezvu?

Závisí to na koncové pozorovatelnosti a segmentaci kanálů. Každý kus obsahu je sledován po celou dobu jeho životního cyklu, od ingestování po zobrazení. Modely AI poskytují doporučení nebo moderátorské značky, ale všechny rozhodnutí jsou zaznamenaná, auditovatelná a stopovatelná. V kombinaci s kapacitními vyrovnávacími paměťmi a dynamickým škálováním zajišťujeme, že i v případě špičkové zátěže zůstává systém reaktivní, zatímco zachovává transparentnost.

Pohledem do budoucna, které nově se objevující AI poháněné rizika nebo behaviorální vzorce si myslíte, že budou definovat další generaci návrhu obchodních systémů, a jak by se na ně měli IT lídři připravit?

Pro mě je klíčová otázka pro lídry IT v maloobchodě, zda se AI nákupní stane zítřejší realitou, podobně jako je online nákup dnes. Pokud se AI nákupní stane tak běžnou zítřejší realitou:

• Kde zákazníci objeví mé produkty, na mé stránce nebo prostřednictvím ChatGPT?
• Jak se dozvědí o mých produktech, prostřednictvím Claude nebo mého vlastního nákupního asistenta?
• Jak provedou nákup, na mé stránce pro dokončení objednávky nebo přímo prostřednictvím rozhraní AI?

Modely na hranici budou pravděpodobně znát vše o vašich produktech. Ale skutečná otázka je: Poskytnou stejnou zákaznickou zkušenost, jakou můžete nabídnout dnes? Pokud je odpověď ne, nestačí čekat na objednávky poháněné AI. Budete muset investovat do asistentů AI a vstupních bodů, které je učiní součástí vaší jedinečné nákupní zkušenosti.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí dozvědět se více, by měli navštívit Bazaarvoice.