Nick Shiftan, CTO hos Bazaarvoice – Interviewserie

Nick Shiftan, CTO hos Bazaarvoice, er en erfaren teknologileder og iværksætter, hvis karriere spænder over to årtier med opbygning og skalaering af enterprise software og handelsplatforme. Han er bedst kendt som medstifter og CTO af Curalate, et pionerfirma inden for social handel, 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 stiftede og ledede han produktudvikling i Parkio, hvor han leverede enterprise software til transport- og parkeringssystemer, og begyndte sin professionelle rejse hos Microsoft, hvor han arbejdede på Outlook Mobile til Windows Mobile. Efter opkøbet udviklede det, som oprindeligt var forventet til at være en kort overgang, sig til en langvarig 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, at mærker og detailhandlere kan indsamle, administrere og aktivere ægte brugergenereret indhold, såsom vurderinger, anmeldelser, billeder og videoer på tværs af hele den digitale indkøbsrejse. Ved at operere på global skala hjælper virksomheden mere end en milliard shopbere hver måned med at træffe informerede købsbeslutninger ved at syndikere tillidt indhold på tværs af et stort netværk af mærker og detailhandelsdestinationer, hvilket placerer gennemsigtighed, troværdighed og data-dreven handel i centrum af online-oplevelser.

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

Vi bruger AI til at fremhæve signaler og mønstre, ikke til at erstatte menneskelig dømmekraft. LLM’er hjælper med at markere usædvanlig aktivitet eller potentielt uægte indhold hurtigt, men målet er altid at bevare tillid. Ved at integrere disse modeller i offline-valideringsrørledninger og afkoble 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. Hvilke skjulte risici i anmeldelses- og vurderingsinfrastrukturer mener du 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 tillidssignaler – navnlig i form af vurderinger og anmeldelser – når de giver shoppinganbefalinger. Forsinkelser, manglende data eller åbenlyst uægthed vil direkte påvirke forbrugerens tillid. Disse systemer er komplekse; det er essentiel at behandle dem med samme rigor som checkout-systemer for at undgå tab af konvertering og langvarig tillidserosion.

Da du har ledet ingeniørarbejde på tværs af flere store handelsplatforme, hvordan tilpasser du overvågnings- og reaktionsstrategier, når AI-systemer – såsom sentimentanalyse eller svigsystemer – sidder direkte i realtidsdatavejen?

Vi behandler AI-modeller som ethvert andet kritisk service: overvåge ydeevne og nøjagtighed i realtid. Det inkluderer latency, fejlrate og adfærdsdrift. Vi implementerer sikkerhedsforanstaltninger, så modeller kan degraderes elegant eller omgå ikke-kritiske veje under belastning. Dashboards, automatiske varsler og køremanualer sikrer, at AI-problemer bliver fremhævet og løst, før de påvirker shopbere.

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

Det kommer an på gennemgående overvågnings- og rørledningssegmentering. Hvert enkelt stykke indhold spores gennem dens livscyklus, fra indtagelse til visning. AI-modeller giver anbefalinger eller moderationsflag, men alle beslutninger bliver logget, gennemgangsbar og sporbar. Kombineret med kapacitetsbuffere og dynamisk skalaering sikrer dette responsivitet, selv under toppen af belastning, mens gennemsigtighed opretholdes.

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

For mig er den nøglequestion for retail IT-ledere ikke, om AI-shopping vil ske – det er, hvordan deres shopperrejse 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 shoppingassistent?
• Hvordan vil de checke ud, på min checkout-side eller direkte gennem en AI-grænseflade?

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

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