Derek Slager, Mitgründer und Co-CEO von Amperity – Interview-Serie

Derek Slager ist Mitgründer und Co-CEO von Amperity, wo er die künstliche Intelligenz (KI) des Unternehmens in Produkt und Betrieb führt. Er gründete Amperity, um Marketingspezialisten und Analysten vertrauenswürdige Kundendaten zu liefern und baute die patentierte Identitätsauflösung und die Architektur von Echtzeit-Profilen hinter Amperitys vertrauenswürdigem Kundekontext auf. Zuvor war er im Gründungsteam von Appature und hatte leitende Positionen in groß angelegten verteilten Systemen und Sicherheit inne.

Amperity ist eine KI-gestützte Kunden-Daten-Cloud, die Unternehmen dabei hilft, fragmentierte Kundeninformationen aus Online- und Offline-Quellen in genaue Echtzeit-Kundenprofile zu vereinen. Ihre Plattform kombiniert maschinelles Lernen, Identitätsauflösung, Datenmanagement, Analytik, Vorhersagemodelle und Aktivierungstools, um Marketing- und Datenteams zu helfen, Kundenverhalten besser zu verstehen, Erlebnisse zu personalisieren, den Umsatz zu messen und Aktionen über Kanäle hinweg zu koordinieren. Gegründet im Jahr 2016, dient Amperity über 400 Marken weltweit, darunter Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts und DICK’S Sporting Goods (DKS ).

Sie haben in fortgeschrittener Analytik, Kundeninsights, Produktmanagement, ML/MLOps und KI-Strategie gearbeitet, um grundlegende Produkte vor Amperity aufzubauen. Wie hat dieser Weg Ihre Sicht auf die Beziehung zwischen Kunden-Datenqualität und KI-Leistung geprägt?

Meine Arbeit in der Branche hat sich wirklich auf ein Problem konzentriert: Wie kann man KI-Systeme dazu bringen, korrekt über Menschen zu entscheiden, wenn die Daten, die diese Menschen beschreiben, unvollständig, inkonsistent und sich ändernd sind? Frühzeitig, in Analytics- und Produktrollen, sah ich, wie Teams immer komplexere Modelle auf Kunden-Daten aufbauten, die grundlegend unzuverlässig waren: doppelte Einträge, nicht übereinstimmende Identifikatoren, veraltete Attribute. Keine Modellkomplexität behebt das; es versteckt das Problem nur effektiver.

Diese Erkenntnis hat uns dazu geführt, Amperity aufzubauen: Identitätsauflösung ist kein Nice-to-Have-Layer auf KI, sondern die Grundlage, auf der alles andere basiert. Wenn ich auf Unternehmens-KI schaue, sehe ich das gleiche Muster in viel größerem Maßstab. Teams investieren Ressourcen in Modellauswahl und Prompt-Engineering, während sie die Kunden-Daten, die diese Modelle speisen, als gegeben behandeln. Das ist nicht der Fall. Wenn die Identitätsebene falsch ist, erbt jedes nachgelagerte KI-System diesen Fehler und verstärkt ihn.

Wir hören oft Unternehmens-KI-Diskussionen, die um Modellauswahl kreisen, aber Sie argumentieren, dass vertrauenswürdige Kunden-Identitätsdaten genauso wichtig werden. Warum verschiebt sich die Konversation von “Welches Modell ist am besten?” zu “Welche Daten kann KI wirklich vertrauen?”

Während der ersten Jahre der generativen KI-Welle waren Modellfähigkeiten wirklich der Flaschenhals, da die Werkzeuge einfach noch nicht gut genug waren. Das hat sich geändert. Führende Modelle heute sind bemerkenswert leistungsfähig, und die Lücke zwischen ihnen hat sich für die meisten Geschäftsanwendungen verringert. Was nicht nachgezogen hat, sind die Daten, die diese Modelle innerhalb des Unternehmens speisen.

Man kann das fortschrittlichste Modell vor einen Kundenservice-Agenten oder eine Personalisierungsmaschine stellen, aber wenn es über drei doppelte Profile für dieselbe Person, eine veraltete E-Mail-Adresse und eine Kaufhistorie, die nur die Hälfte der Kanäle enthält, in denen diese Person einkauft, entscheidet, ist die Ausgabe falsch. Die Konversation verschiebt sich, weil Führungskräfte diese Lücke direkt spüren. Sie haben ein großartiges Modell adoptiert und sehen dennoch nicht die erwartete Rendite. Der nächste echte Vorteil wird nicht von einem besseren Modell kommen. Es wird davon abhängen, ob eine Organisation ihren KI-Systemen etwas Vertrauenswürdiges zum Entscheiden geben kann.

Welche sind die häufigsten Wege, auf denen ungenaue oder fragmentierte Kunden-Identitätsdaten KI-Ergebnisse untergraben können, selbst wenn das zugrunde liegende Modell technisch stark ist?

Einige Muster treten ständig auf. Das grundlegendste ist die Duplizierung. Der gleiche Kunde existiert als fünf oder sechs verschiedene Einträge über Kanäle hinweg, jeder mit einem teilweisen Blick auf diese Person, so dass ein KI-System möglicherweise ein Win-Back-Angebot an jemanden sendet, dessen Abonnement unter einem anderen Eintrag aktiv ist. Dann gibt es Veraltetheit. Daten, die vor einem Jahr genau waren, aber nicht aktualisiert wurden, so dass ein Modell auf der Grundlage dessen optimiert, was ein Kunde früher war, und nicht dessen, was er jetzt ist. Es gibt auch Über-Merging, was subtiler ist: Identitätssysteme, die zu aggressiv bei der Übereinstimmung sind, kombinieren zwei verschiedene Personen zu einem Profil, und jetzt entscheidet ein KI-Agent mit großer Sicherheit im Namen von jemandem, der nicht wirklich existiert. Und schließlich gibt es einfache Lücken. Treueaktivitäten in einem System, Support-Historie in einem anderen, Browsing-Verhalten in einem dritten, mit keinem System, das das vollständige Bild hält. Individuell sieht jedes davon wie ein Datenhygieneproblem aus. Im Kontext von KI summieren sie sich, weil das Modell nicht weiß, was es nicht weiß. Es produziert einfach eine Antwort mit voller Sicherheit.

Wenn generative KI zu einer neuen Eingangstür für Produktentdeckung wird, was ändert sich für Marken, wenn Verbraucher zunehmend auf KI-Systeme angewiesen sind, um Optionen zu vergleichen, Treue zu bewerten und Kaufentscheidungen zu treffen?

Normalerweise kontrollierten Marken die Eingangstür. Sie bauten eine Website, optimierten für die Suche, verfeinerten ihren Trichter und Kunden kamen direkt oder über Ergebnisse, die sie beeinflussen konnten. Jetzt ist diese Eingangstür ein Gespräch mit einem KI-Assistenten, den eine Marke nicht kontrollieren und nicht vollständig einsehen kann.

Jemand fragt ein KI-Tool, Treueprogramme zu vergleichen oder ein Hotel zu empfehlen, und die Aufgabe der Marke ist es jetzt, lesbar und vertrauenswürdig genug zu sein, um in diesem Moment die Antwort des KI-Systems zu sein. Das ist eine echte Verschiebung dessen, wofür Marketing optimieren muss. Es bedeutet, dass die Qualität, Struktur und Genauigkeit der eigenen Daten und Inhalte einer Marke wichtiger sind, da KI-Systeme aus jedem Signal synthetisieren, das sie finden können.

Die Forschung von Amperity legt nahe, dass nur eine Minderheit der Verbraucher jetzt direkt zu vertrauten Marken geht, ohne vorher KI-Empfehlungen zu berücksichtigen. Was bedeutet dies für Markentreue, Personalisierung und die traditionelle Kundenreise?

Wir befragten 1.000 US-Verbraucher Anfang dieses Jahres, und eine Zahl fiel mir auf: weniger als ein Viertel sagte, sie gingen direkt zu einer Marke, die sie bereits kannten, ohne vorher eine KI-Empfehlung zu berücksichtigen, und 60 % sagten, KI habe sie bereits zu einer Marke geführt, die sie zuvor nicht in Betracht gezogen hatten. Das untergräbt den Standardvorteil, den etablierte Marken einst hatten. Treue ist nicht verschwunden, aber der Trichter über dieser Entscheidung hat sich geändert. Marken werden von Systemen bewertet und shortlistet, die sie nicht kontrollieren, basierend auf den verfügbaren Daten über sie.

Die Identitätsauflösung hat als Datenproblem seit Jahren existiert. Was macht sie jetzt dringlicher, da KI-Systeme, Co-Piloten und generative KI-Schnittstellen Teil des täglichen Unternehmens-Workflows werden?

Die Identitätsauflösung hat immer für Dinge wie die Verhinderung von doppelten Posten oder die Gewährleistung, dass ein Treueprogramm-Mitglied den richtigen Kredit für einen Kauf erhält, eine Rolle gespielt. Das sind reale Probleme, aber relativ verzeihbare, bei denen ein Mensch normalerweise den Fehler auffängt. KI-Systeme entfernen diese Sicherheitsnetze.

Wenn ein KI-System befugt ist, tatsächlich zu handeln, sei es durch die Ausstellung einer Rückerstattung, die Anwendung eines Rabatts, die Empfehlung eines nächsten Angebots oder die Aktualisierung einer Präferenz, tut es dies auf der Grundlage der Identitätsauflösung, die es erhalten hat, mit Maschinengeschwindigkeit und oft ohne menschliche Intervention. Wenn die Identität falsch ist, feuert das System nicht nur einmal daneben. Es kann systematisch und sofort auf große Scale fehlschlagen, bevor jemand es bemerkt. Das ist es, was diesen Moment dringlicher macht als zuvor.

Wie sollten Unternehmen über Kunden-Identität als Teil ihrer umfassenderen KI-Regierungsstrategie nachdenken, neben Datenschutz, Sicherheit, Modellüberwachung und Compliance?

Ich würde Kunden-Identität direkt neben diese anderen Säulen stellen, nicht unter ihnen. Die meisten KI-Regierungs-Gespräche konzentrieren sich auf das Modell: Ist es voreingenommen, sicher, konform und wird es überwacht? Das sind notwendige Aspekte, aber sie gehen davon aus, dass die Eingabedaten, über die das Modell entscheidet, solide sind. Wenn die Identitätsebene falsch ist, kann man ein perfekt regiertes Modell haben, das Entscheidungen über die falsche Person trifft, oder ein Modell, das voreingenommen erscheint, wenn das eigentliche Problem darin besteht, dass seine Daten fragmentiert waren und bestimmte Kundensegmente benachteiligten.

Viele Organisationen investieren stark in KI-Pilotprojekte, aber ihre Kunden-Daten bleiben über Marketing, Commerce, Support, Treue und Offline-Systeme hinweg fragmentiert. Welche praktischen Schritte sollten Führungskräfte unternehmen, bevor sie KI in operative Entscheidungsfindung skalieren?

Das Muster, das ich am häufigsten sehe, ist, dass eine Organisation mehrere vielversprechende KI-Pilotprojekte durchführt – ein Chatbot hier, ein Personalisierungsexperiment dort -, jedes an die Daten angeschlossen, die für das jeweilige Team am nächsten liegen. Es funktioniert gut genug, um finanziert zu werden, dann trifft es auf eine Wand, wenn jemand versucht, es in eine tatsächliche operative Entscheidung zu skalieren, weil die Daten des Pilotprojekts nie den vollen Kunden widerspiegelten.

Der erste praktische Schritt ist eine ehrliche Bestandsaufnahme: wissen, wo jede Quelle der Kundenwahrheit lebt (Marketing, Commerce, Support, Treue, Offline). Wie sehr überschneiden sie sich? Wo nicht? Zweitens investieren Sie in Identitätsauflösung, bevor Sie in weitere Pilotprojekte investieren. Das ist es, was es jedem zukünftigen KI-Initiative ermöglicht, die gleiche vertrauenswürdige Grundlage wiederzuverwenden, anstatt dass jedes Team eine teilweise aufbaut. Drittens bauen Sie eine kleine Anzahl von cross-funktionalen Eigentümern für diese vereinheitlichten Kunden-Daten auf, anstatt die Eigentümerschaft dem Team zu überlassen, das sie gerade für ihr aktuelles Pilotprojekt benötigt. Organisationen, die diese Sequenz falsch anstellen, enden mit einem Portfolio von KI-Pilotprojekten, die nie die Pilotphase verlassen, weil keine davon mit einer echten Entscheidung vertrauenswürdig ist.

Wo ziehen Sie die Grenze zwischen Personalisierung, die nützlich erscheint, und Personalisierung, die als aufdringlich empfunden wird, besonders wenn KI-Systeme mehr aus vereinheitlichten Kunden-Profilen ableiten können?

Die Grenze ist weniger darin, wie viel eine Marke weiß, und mehr darin, ob das, was sie mit diesem Wissen tut, in dem Moment als verdient und relevant erscheint. Eine Empfehlung, die auf der tatsächlichen Kaufhistorie einer Person basiert, fühlt sich hilfreich an. Eine Empfehlung, die eine Schlussfolgerung offenbart, die der Kunde nie explizit geteilt hat, fühlt sich aufdringlich an, selbst wenn sie genau ist, weil sie zeigt, wie viel geteilt wird.

Unser Bericht fand heraus, dass eine große Mehrheit der Verbraucher sagt, sie seien eher bereit, sich mit Personalisierung auseinanderzusetzen, wenn sie dem vertrauen, wie ihre Daten verwendet werden, und eine Mehrheit sagt, Personalisierung, die als aufdringlich empfunden wird, mache sie weniger wahrscheinlich, eine Marke zu wählen. Mein Faustregel für Teams, die auf KI-gesteuerter Schlussfolgerung aufbauen, ist einfach: wenn Sie nicht erklären möchten, warum das System weiß, was es weiß, handeln Sie noch nicht. Personalisierung sollte sich wie Anerkennung und nicht wie Überwachung anfühlen.

Aufblickend, was wird Unternehmen trennen, die echten Wert aus KI ziehen, von denen, die im Experimentier-Modus stecken bleiben: bessere Modelle, bessere Daten-Infrastruktur, stärkere Regierung oder ein völlig neues Betriebsmodell?

Modellqualität war nie der nachhaltige Differenzierer. Sie entwickelt sich zu schnell, und die meisten Unternehmen haben Zugang zu etwa den gleichen Modellen. Regierungsführung ist wichtig, aber sie ist eine Einschränkung, nicht eine Quelle von Wert an sich. Die beiden Dinge, die ich wirklich denke, trennen die Unternehmen, die vorankommen, sind Daten-Infrastruktur und Betriebsmodell, die miteinander verbunden sind.

Die Unternehmen, die echten Wert aus KI ziehen, sind die, die bereits in eine einzige, vertrauenswürdige und kontinuierlich aktualisierte Sicht auf den Kunden investiert haben, so dass jede neue KI-Fähigkeit auf diese Grundlage angesetzt werden kann, anstatt ihre eigene zu nähen. Aber das funktioniert nur, wenn das Betriebsmodell sich auch ändert: wenn KI-Initiativen immer noch teamweise besessen werden, wobei jedes Team seine eigene Version des Kunden definiert, werden die gleichen Datenqualitätsprobleme immer wieder eingeführt. Die Organisationen, die aus dem Experimentier-Modus ausbrechen, sind die, die vertrauenswürdige Kunden-Daten als gemeinsame Infrastruktur behandeln und ihr KI-Betriebsmodell um diese Annahme herum aufbauen.

Vielen Dank an Derek für das aufschlussreiche Interview. Leser können mehr über Amperity erfahren und Dereks neueste Einblicke auf seiner Unite.AI-Autorenseite erkunden.