Himanshu Jain, Medstifter og produktchef hos CommerceIQ – Interviewserie

Himanshu Jain, medstifter og produktchef hos CommerceIQ, leder produktstrategi og -udvikling med fokus på at bygge AI‑agenter, der automatiserer komplekse detail‑ og e‑commerce‑arbejdsprocesser. Siden medstiftelsen af CommerceIQ i 2017 har han været med til at forme virksomhedens tilgang til at anvende data, automatisering og AI i digital handel. Før CommerceIQ havde Jain ledelsesroller inden for produktstrategi, forretningsudvikling og kundesucces hos Boomerang Commerce, hvor han arbejdede med store detailhandlere om prisfastsættelse, sortiment og vækststrategier for e‑commerce. Tidligere i sin karriere var han managementkonsulent hos A.T. Kearney og tilbragte næsten fem år hos Capital One UK inden for produktledelse, kreditrisiko, marketingstrategi, analyse og statistisk modellering. Han har også rådgivet startups om go‑to‑market‑strategi og bidraget med artikler om Amazon og e‑commerce til Marketing Land.

CommerceIQ er en AI‑drevet detailhandelsplatform designet til at hjælpe forbrugerbrands med at styre og optimere deres præstation på tværs af e‑commerce‑kanaler. Platformen samler salg, detailmedier, digital hylde, indhold, lager og konkurrentdata, så teams får et samlet overblik over præstation på mere end 1.500 forhandlere og i 85 lande. CommerceIQ har i stigende grad fokuseret på agentisk AI gennem sin AllyAI‑teknologi, med specialiserede agenter, der kan analysere detail‑signaler, anbefale handlinger, automatisere rapportering, optimere annonceringsbud og -budgetter samt udføre udvalgte e‑commerce‑arbejdsprocesser inden for definerede kontroller. Virksomheden positionerer denne tilgang som et skift fra dashboard‑drevet detailstyring til kontinuerlig, AI‑assisteret udførelse på tværs af salg, medier, indhold og den digitale hylde.

Du har arbejdet i mere end et årti inden for produktledelse, kundesucces, forretningsudvikling og mere, før du medstiftede CommerceIQ. Hvad fik dig til at gå ind i agentisk detailhandel, og hvilke lærdomme fra de tidligere teknologiovergange har formet din opfattelse af denne?

Den fleste softwareprogrammer før agentisk AI var designet til at gøre en menneskers arbejde hurtigere. Excel hjælper dig med at bygge en model hurtigere. Et dashboard hjælper dig med at træffe en beslutning hurtigere. Det, der ændrede sig med agentisk detailhandel, er, at softwaren nu kan udføre arbejdet selv, ikke blot accelerere hvordan et menneske gør det. En agent kan lære dit miljø på samme måde som en nyansat ville. Dine processer, dine interne retningslinjer, hvordan du faktisk træffer beslutninger, og derefter handler mod et mål fra start til slut, med et menneske der giver kontekst og reviderer resultatet i stedet for at udføre hvert trin. Det er en helt anden softwarekategori end noget, jeg tidligere har arbejdet med inden for produktledelse eller kundesucces, og det er derfor, jeg mener, at dette er den mest grundlæggende teknologiske forandring, jeg har set, ikke blot en inkrementel én. Tempoet er også uden sidestykke. Smartphones tog år at blive udbredte. Agentisk AI har ændret, hvordan hele brancher fungerer, og det bremser ikke. Den vigtigste lærdom fra tidligere overgange er, at folk der projicerer fra fortiden træffer de forkerte beslutninger her. Den tilgang, jeg har fundet fungerer bedst, er at holde et åbent sind, få hænderne i arbejdet og lære af, hvad der faktisk sker lige nu i stedet for, hvad der skete i den sidste cyklus.

Du har skabt en sondring mellem \”agentisk handel,\” hvor forbrugere bruger AI‑agenter til at opdage og købe produkter, og \”agentisk detailhandel,\” hvor brands bruger agenter til at styre, hvordan de sælger. Efterhånden som begge sider bliver mere og mere automatiserede, hvordan ser du forholdet mellem forbrugere, brands og forhandlere udvikle sig?

Detailopdagelse har gennemgået flere reelle skift. I 80’erne og 90’erne var det kataloger i posten, en butik der besluttede, hvad der skulle fremhæves, og et menneske der valgte ud fra det. Amazon skabte den uendelige hylde. Hver søgeordssøgning blev sin egen ubegrænsede hylde, men et menneske læste stadig titler, skimmede anmeldelser og traf valget alene. Det, der ændrer sig nu, er, at mennesker og agenter køber sammen. Du udtrykker en intention; en agent kan læse hvert produkt på siden i fuld længde, hver påstand, hver anmeldelse, hvert punkt, udføre en intentionanalyse i forhold til, hvad du faktisk har brug for, og give dig fire eller fem anbefalinger. Du vælger stadig én, men agenten har allerede udført sammenligningsarbejdet, som et menneske plejede at gøre ved at skimmes. På brand‑siden optimerer agenter PDP‑indhold baseret på, hvad forbrugere og deres agenter søger, beslutter hvilke produkter der skal buddes på, og hjælper med at styre merchandising. Forhandleren sidder i midten af denne løkke og kontrollerer, hvor meget signal der flyder mellem de to sider, og hvad der vises til hvem og under hvilken promotion. Det datalags‑ og beslutningslag bliver i stigende grad proprietært for forhandleren.

Produktopdagelse bevæger sig ud over traditionelle søgeordssøgninger mod AI‑assistenter, der sammenligner produkter, opsummerer muligheder og giver anbefalinger. Hvordan bør brands gentænke produktindhold og strategi for den digitale hylde, når de i stigende grad forsøger at opnå en anbefaling fra en AI‑agent i stedet for blot at rangere højt i et søgeresultat?

Et menneske skimmes en side, læser et anmeldelsesresumé og kigger på et par billeder. En agent kan læse hver eneste pixel. Selv inden for en shopping‑agent bliver dit spørgsmål opdelt i nøgleord, disse nøgleord søges efter, resultaterne udtrækkes, hvert produkt læses i sin helhed, og derefter rangerer en intention‑algoritme den korte liste, den viser dig. Det betyder, at indhold skal fungere både for traditionel søgning og for den pixel‑niveau læsning på samme tid, ikke kun den ene eller den anden. Det er også vigtigt, hvilken type agent du optimerer for. Shopping‑agenter som Rufus, Sparky og Alexa Shopping er de steder, hvor faktiske køb afsluttes, og det, der flytter nålen der, er selve produktsiden samt alle dens attributter og påstande. Generelle agenter som ChatGPT eller Perplexity opfører sig mere som top‑of‑funnel‑research, og det, der giver dig en omtale der, svarer mere til earned media, citationer, blogindlæg og tredjeparts‑beskrivelser. Brands, der behandler dem som det samme problem, ender med at optimere for den forkerte overflade.

Udtrykket “agentisk AI” anvendes nu på et bredt udvalg af produkter. Specifikt inden for detailhandlen, hvad adskiller en ægte AI‑agent fra traditionel regelbaseret automatisering eller en analyseplatform med et generativt AI‑lag ovenpå?

Regelbaseret automatisering er hvis X sker, så gør Y. Den har ingen intelligens, og den kan ikke håndtere noget, du ikke eksplicit har programmeret for. Et generativt interface oven på et dashboard gør blot den samme statiske indsigt lettere at læse. En ægte agent kan tænke, planlægge, udføre og derefter løbende vurdere og tilpasse, som en junioranalytiker du har trænet. Du giver den kontekst, dine processer, dine retningslinjer og de beslutninger, du har truffet før, og den begynder at handle mod et mål i stedet for at vente på, at den næste regel udløses. Det er den test, jeg faktisk bruger: kan den operere på den måde, en person du har trænet ville, eller er den blot en hurtigere version af noget, der altid har været statisk?

Handelsteams har traditionelt haft folk, der overvåger lager, priser, produktsider, retail‑media, søgeperformance og konkurrenceaktivitet på tværs af tusindvis af produkter. Hvilke af disse operationelle huller er i dag bedst egnet til autonome AI‑agenter, og hvor er menneskelig dømmekraft stadig svær at erstatte?

Jeg tænker på dette som en 2×2 af, hvor meget dømmekraft en beslutning kræver, og hvor stor indflydelse den har. Arbejde med lav dømmekraft gives direkte til agenten. Arbejde med høj dømmekraft eller høj indflydelse beholder et menneske, der giver strategisk vejledning og reviderer resultatet. I praksis betyder det, at man starter med sine long‑tail‑SKU’er og long‑tail‑forhandlere, dem ingen har rørt i et år alligevel, og sætter dem på autopilot først, da konsekvensen af en fejl er lav. Dine top‑SKU’er og top‑forhandlere beholder et menneskeligt lag, og dette lag er ikke kun til revision; det er måden, du træner agenten på. Når du fanger noget, fortæller du den, hvad den skulle have gjort og hvorfor, og den feedback er det, der gør den bedre over tid i stedet for blot at forblive gennemsnitlig.

Specialiserede agenter kan potentielt skabe deres egne problemer, hvis de optimerer for isolerede mål. En medie‑agent kan øge reklame for et produkt, der er ved at løbe tør for lager, mens en pris‑agent kan forbedre konverteringen på bekostning af marginen. Hvordan sikrer du, at flere agenter arbejder mod de bredere kommercielle mål for brandet i stedet for blot at optimere deres individuelle metrics?

Dette er præcis grunden til, at vi byggede en orkestrator i stedet for et sæt uafhængige agenter. Vores hedder Ally, og dens mål er salgsvækst, ikke nogen enkelt kanals metric. Den finder ud af, hvor mulighederne og risiciene ligger, arbejder gennem afvejningerne og tildeler derefter specifikke opgaver til arbejds‑agenterne – media, indhold og pris – og deler den samme information på tværs af dem alle, så ingen optimerer i isolation. Uden dette lag får du præcis den fejlsituation, der beskrives i spørgsmålet: en medie‑agent, der bruger penge på et produkt, der er ved at løbe tør for lager, fordi den ikke har indsigt i lagerstatus.

Retail‑data er ofte fragmenteret på tværs af forhandler‑portaler, reklameplatforme, lagersystemer, produktinformationssystemer og interne analyseværktøjer. Hvor vigtigt er datakvalitet og data‑unificering for succesfuld agentisk detailhandel, og gør det at give AI‑agenter større autonomi, at dårlig eller ufuldstændig data bliver farligere?

At få data i den rette form, med reel semantisk struktur og en korrekt ontologi, ikke blot rå feeds ved siden af hinanden, udgør det meste af det faktiske arbejde her. Mange teams tror, de kan uploade noget til ChatGPT eller koble en agent oven på de systemer, der allerede findes, og så får de inkonsistente resultater; nogle gange virker det, og nogle gange hallucinerer det, uden at man kan stole på det. Autonomi forværrer dette, ikke forbedrer det, fordi et menneske med dårlige data normalt fanger fejlen, før det handler på den. En agent med dårlige data handler straks på den, i skala, før nogen bemærker det.

Når brands bliver mere komfortable med AI‑agenter, hvordan skal de beslutte, hvilke handlinger der kan udføres autonomt, og hvilke der fortsat skal kræve menneskelig godkendelse? Hvordan ser forløbet fra “AI anbefaler” til “AI handler” ud i praksis?

Det bør ske gradvist, ikke i ét spring. De fleste teams starter omkring 10 procent automatiseret og 90 procent, der kræver godkendelse. Efterhånden som feedback‑sløjfen kører, efterhånden som mennesker korrigerer agenten, og agenten inkorporerer den korrektion, opbygges tillid, og den andel skifter til 20 og 80, derefter yderligere, både med hensyn til antallet af handlinger og værdien af det, der automatiseres. Udgangspunktet for den udvikling er arbejdet med lav påvirkningsradius, long‑tail SKUs og forhandlere, som du alligevel ikke aktivt styrede, og det udvides kun til beslutninger med højere indvirkning og højere dømmekraft, når historikken faktisk er på plads.

Retail media har traditionelt været stærkt fokuseret på målinger såsom afkast på annonceudgifter, men der er en stigende interesse i at fastslå, om reklame faktisk skaber incremental salg. Hvordan kan AI hjælpe brands med at træffe bedre beslutninger om incrementalitet, rentabilitet, og hvor reklamepenge bør allokeres?

Brands kan blive for forelskede i måling. At køre en dyb incrementalitetsundersøgelse i et kvartal lyder grundigt, men markedet er som regel videre, når undersøgelsen er færdig. Jeg foretrækker, at teams bygger et sæt af praktiske heuristikker og handler på dem hurtigere: hvis du allerede rangerer højt organisk, så byd ikke mere; du betaler for et salg, du alligevel ville have fået. Hvis du rangerer lavt organisk, er det, når annonceudgifterne faktisk tjener deres plads. Hvis der er et målgruppe i markedet, som ikke kender dit produkt, så brug penge der til at uddanne dem. At diskutere, om en dollar returnerede 1.48 eller 1.68 dollars incremental, er tid brugt på at argumentere i stedet for at handle. At komme til handlingen hurtigere og acceptere, at tallet kun behøver at være retningmæssigt korrekt i stedet for perfekt præcist, er hvad der faktisk flytter salg.

Hvis shopper‑side AI‑agenter i stigende grad håndterer opdagelse, sammenligning og køb, mens brand‑side agenter styrer indhold, prisfastsættelse, reklame og lager, kunne vi på sigt få maskiner, der påvirker begge sider af en transaktion. Hvordan tror du, e‑commerce ser ud i det miljø, og hvad vil i sidste ende adskille de brands, der vinder, fra dem der bliver usynlige for disse AI‑drevne købesystemer?

Jeg tror ikke, vi er på vej mod, at agenter handler med hinanden autonomt inden længe. Hvad jeg i stedet ser, er mennesker og agenter, der køber sammen på begge sider, agenter, der udfører sammenlignings‑ og anbefalingsarbejdet, mens mennesker stadig træffer den endelige beslutning, og samme mønster på brand‑siden, hvor agenter udfører, mens mennesker fastlægger strategi og godkender de beslutninger, der betyder noget. I den verden skal det fysiske produkt stadig være godt; ingen mængde optimering redder et dårligt produkt. Derudover er konteksten forskellen: hvor meget kontekst en agent har om din forretning, hvor meget den har lært, og hvor meget feedback den har modtaget. Det er det, der adskiller en agent, der laver dumme fejl, fra en, der faktisk forstår din brand‑stemning og strategi godt nok til at blive betroet reelle beslutninger. De brands, der vinder, er dem, der betragter at give agenter god kontekst og en fungerende feedback‑sløjfe som kernearbejde, ikke som et sideprojekt, og dem der springer dette trin over, er dem, der bliver usynlige.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, bør besøge CommerceIQ.