Nick Shiftan, CTO hos Bazaarvoice – Intervju-serie

Nick Shiftan, CTO hos Bazaarvoice, er en erfaren teknologileder og iværksætter, hvis karriere spænder over to årtier med opbygning og skaleringsforskning af virksomhedssoftware og handelsplatforme. Han er bedst kendt som medstifter og CTO af Curalate, en pionerende sociale handelsvirksomhed, som han hjalp med at vokse over næsten et årti til mere end 20 millioner dollars i årlig omsætning, før det blev opkøbt af Bazaarvoice i 2020. Tidligere i sin karriere grundlagde og ledede han produktudvikling hos Parkio, hvor han leverede virksomhedssoftware til transport- og parkeringssystemer, og begyndte sin professionelle rejse hos Microsoft (MSFT ), hvor han arbejdede på Outlook Mobile til Windows Mobile. Efter opkøbet udviklede det, som oprindeligt var tiltænkt som en kort overgang, sig til en langsigtede rolle, da han fortsatte med at bygge på stor skala, hvilket kulminerede i hans udnævnelse til CTO, hvor hans fokus er på at fremme AI-drevet produktfindning baseret på tillid og ægte forbrugerdata.

Bazaarvoice er en brancheledende SaaS-platform, der giver mulighed for virksomheder og detailhandlere for at indsamle, administrere og aktivere ægte bruger-genereret indhold, såsom vurderinger, anmeldelser, billeder og videoer på tværs af hele den digitale indkøbsrejse. Ved at fungere på globalt plan hjælper virksomheden mere end en milliard shopbere hver måned med at træffe informerede købsbeslutninger ved at syndikere troværdigt indhold på tværs af et stort netværk af mærker og detailhandelsdestinationer, hvilket placerer gennemsigtighed, troværdighed og datadrevet handel i centrum af online-oplevelser.

Hvordan anvender du generativ-AI og LLM-baserede teknikker til at styrke anmeldelsesægthed, moderation og tillids-signaler uden at gå på kompromis med ydeevnen under tung belastning?

Vi bruger AI til at fremme signaler og mønstre, ikke til at erstatte menneskelig dømmekraft. LLM’er hjælper med at flagge anomalt aktivitet eller potentielt uægte indhold hurtigt, men målet er altid at bevare tillid. Ved at integrere disse modeller i offline-valideringsrørledninger og frakoble dem fra realtidsanmodningsveje opretholder vi ydeevnen, selv når indsendelsesvolumenerne stiger. Resultatet er moderation og ægthedstjek, der er både intelligente og skalerbare.

Mange detailhandlere investerer kraftigt i checkout-pålidelighed, men overser ofte kompleksiteten ved at opretholde et troværdigt anmeldelsesøkosystem. Hvad er de skjulte risici i anmeldelse og vurderings-infrastrukturer, som fortjener den samme strategiske gennemgang som betalinger?

Vurderinger og anmeldelser har altid været afgørende infrastruktur, men dette er særligt sandt i en verden med AI-understøttet shopping. AI-agenter vil læne tungt på tillids-signaler – især i form af vurderinger og anmeldelser – når de giver shopping-anbefalinger. Forsinkelser, manglende data eller åbenlyst uægthed vil direkte påvirke forbruger-tillid. Disse systemer er komplekse; det er essentiel at behandle dem med samme rigor som checkout-systemer for at undgå tabt omsætning og langsigtede tillids-erosion.

Hvordan tilpasser du overvågnings- og incident-svar-strategier, når AI-systemer – såsom sentiment-analyse eller svig-systemer – sidder direkte i realtidsdata-vejen?

Vi behandler AI-modeller som ethvert andet kritisk service: overvågning af ydeevne og nøjagtighed i realtid. Dette inkluderer latency, fejlrate og adfærds-afvigelse. Vi implementerer sikkerhedsforanstaltninger, så modeller kan degraderes smukt eller omgå ikke-kritiske veje under belastning. Dashboards, automatiserede varsler og kørebøger sikrer, at AI-problemer bliver fremhævet og løst, før de påvirker shopbere.

Når du opererer på Bazaarvoices globale skala, hvordan sikrer du, at forbruger-genereret indhold flyder gennem dine AI-drevne systemer på en måde, der opretholder gennemsigtighed, transparens og realtids-respons?

Det kommer ned til end-to-end-overvågning og pipeline-segmentering. Hvert stykke indhold spores gennem dets livscyklus, fra indtagelse til visning. AI-modeller giver anbefalinger eller moderationsflag, men alle beslutninger logges, er gennemsigtige og kan spores. Kombineret med kapacitetsbuffere og dynamisk skaleringsmuligheder sikrer dette, at responsiviteten opretholdes, selv under toppunktbelastning, samtidig med at gennemsigtigheden opretholdes.

Settende fremad, hvilke opkomne AI-drevne risici eller adfærds-mønstre tror du vil definere den næste generation af retail-system-design, og hvordan bør IT-ledere forberede sig på dem nu?

For mig er den vigtigste spørgsmål for retail IT-ledere ikke, om AI-shopping vil ske – men hvordan deres shopper-oplevelse vil ændre sig, når det sker. Hvis AI-shopping bliver lige så almindeligt i morgen, som online-shopping er i dag:

• Hvor vil kunderne opdage mine produkter, på min side eller via ChatGPT?
• Hvordan vil de lære om mine produkter, gennem Claude eller min egen shopping-assistent?
• Hvordan vil de afslutte købet, på min checkout-side eller direkte gennem en AI-grænseflade?

Frontier-modeller vil sandsynligvis vide alt om dine produkter. Men det virkelige spørgsmål er: Vil de levere den samme kundeoplevelse, du kan i dag? Hvis svaret er nej, er det ikke nok at vente på AI-drevne ordrer, der dukker op. Du skal investere i AI-assistenter og indgangspunkter, der gør dem en del af din mærkes unikke shopping-oplevelse.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Bazaarvoice.