Himanshu Jain, Mitbegründer und Leiter der Produktabteilung bei CommerceIQ – Interviewreihe

Himanshu Jain, Mitbegründer und Leiter der Produktabteilung bei CommerceIQ, leitet die Produktstrategie und -entwicklung mit dem Fokus auf den Aufbau von KI‑Agenten, die komplexe Einzelhandels‑ und E‑Commerce‑Arbeitsabläufe automatisieren. Seit der Mitgründung von CommerceIQ im Jahr 2017 hat er die Unternehmensstrategie zur Anwendung von Daten, Automatisierung und KI im digitalen Handel mitgeprägt. Vor CommerceIQ hatte Jain Leitungspositionen in den Bereichen Produktstrategie, Business Development und Customer Success bei Boomerang Commerce inne, wo er mit großen Einzelhändlern an Preisgestaltung, Sortiment und Wachstumsstrategien im E‑Commerce arbeitete. Früher in seiner Laufbahn war er Managementberater bei A.T. Kearney und verbrachte fast fünf Jahre bei Capital One UK in den Bereichen Produktmanagement, Kreditrisiko, Marketingstrategie, Analytik und statistische Modellierung. Außerdem beriet er Start‑ups bei Go‑to‑Market‑Strategien und verfasste Artikel über Amazon und E‑Commerce für Marketing Land.

CommerceIQ ist eine KI‑gestützte Einzelhandels‑Commerce‑Plattform, die Verbraucher­marken dabei unterstützt, ihre Leistung über E‑Commerce‑Kanäle zu verwalten und zu optimieren. Die Plattform vereint Verkauf, Retail‑Media, Digital Shelf, Inhalte, Inventar und Wettbewerbsdaten und bietet Teams einen einheitlichen Überblick über die Leistung von mehr als 1.500 Einzelhändlern in 85 Ländern. CommerceIQ hat sich zunehmend auf agentenbasierte KI über seine AllyAI‑Technologie konzentriert, mit spezialisierten Agenten, die Einzelhandelssignale analysieren, Aktionen empfehlen, Berichte automatisieren, Werbegebote und Budgets optimieren und ausgewählte E‑Commerce‑Arbeitsabläufe innerhalb definierter Kontrollen ausführen. Das Unternehmen positioniert diesen Ansatz als einen Wandel von dashboard‑gesteuerter Einzelhandelsverwaltung hin zu kontinuierlicher, KI‑unterstützter Ausführung über Verkauf, Media, Inhalte und den Digital Shelf.

Sie haben mehr als ein Jahrzehnt in den Bereichen Produktmanagement, Customer Success, Business Development und weiteren Funktionen gearbeitet, bevor Sie CommerceIQ mitgegründet haben. Was hat Sie dazu gebracht, sich dem agentenbasierten Einzelhandel zu widmen, und welche Lehren aus den vorherigen Technologietransitionen haben Ihre Sichtweise auf diese geprägt?

Die meisten Softwarelösungen vor der agentenbasierten KI wurden entwickelt, um die Arbeit eines Menschen zu beschleunigen. Excel hilft Ihnen, ein Modell schneller zu erstellen. Ein Dashboard hilft Ihnen, schneller Entscheidungen zu treffen. Was sich beim agentenbasierten Einzelhandel geändert hat, ist, dass Software die Arbeit jetzt selbst erledigen kann, anstatt nur zu beschleunigen, wie ein Mensch sie ausführt. Ein Agent kann Ihre Umgebung lernen, wie es ein neuer Mitarbeiter tun würde. Ihre Prozesse, Ihre internen Richtlinien, wie Sie tatsächlich Entscheidungen treffen und dann end‑to‑end auf ein Ziel hinarbeiten, wobei ein Mensch Kontext liefert und die Ergebnisse prüft, anstatt jeden Schritt auszuführen. Das ist eine völlig andere Softwarekategorie als alles, womit ich zuvor im Produktmanagement oder Customer Success gearbeitet habe, und deshalb halte ich dies für die grundlegendste technologische Veränderung, die ich erlebt habe, nicht für eine inkrementelle. Das Tempo ist ebenfalls beispiellos. Smartphones brauchten Jahre, um allgegenwärtig zu werden. Agentenbasierte KI hat die Arbeitsweise ganzer Branchen verändert und verlangsamt sich nicht. Die wichtigste Lehre aus früheren Übergängen ist für mich, dass Menschen, die aus der Vergangenheit projizieren, hier falsche Entscheidungen treffen. Der Ansatz, der für mich am besten funktioniert, ist, offen zu bleiben, selbst Hand anzulegen und aus dem zu lernen, was gerade tatsächlich geschieht, anstatt aus dem, was im letzten Zyklus passiert ist.

Sie haben einen Unterschied zwischen „agentenbasiertem Handel“, bei dem Verbraucher KI‑Agenten nutzen, um Produkte zu entdecken und zu kaufen, und „agentenbasiertem Einzelhandel“, bei dem Marken Agenten einsetzen, um zu steuern, wie sie verkaufen, gezogen. Da beide Seiten immer stärker automatisiert werden, wie sehen Sie die Veränderung der Beziehung zwischen Verbrauchern, Marken und Einzelhändlern?

Die Produktsuche im Einzelhandel hat mehrere echte Wendepunkte erlebt. In den 80er‑ und 90er‑Jahren waren es Prospekte per Post, ein Laden, der entscheidet, was hervorgehoben wird, und ein Mensch, der daraus auswählt. Amazon schuf das unendliche Regal. Jede Stichwortsuche wurde zu einem eigenen unbegrenzten Regal, doch ein Mensch las weiterhin Titel, überflog Bewertungen und traf die Entscheidung allein. Was sich jetzt ändert, ist, dass Menschen und Agenten gemeinsam einkaufen. Sie äußern eine Absicht; ein Agent kann jedes Produkt auf der Seite vollständig lesen, jede Behauptung, jede Bewertung, jeden Aufzählungspunkt, eine Intent‑Analyse anhand Ihrer tatsächlichen Bedürfnisse durchführen und Ihnen vier bis fünf Empfehlungen präsentieren. Sie wählen weiterhin eines aus, aber der Agent hat bereits die Vergleichsarbeit erledigt, die ein Mensch früher durch Überfliegen geleistet hat. Auf der Marken­seite optimieren Agenten den PDP‑Inhalt basierend darauf, wonach Verbraucher und deren Agenten suchen, entscheiden, für welche Produkte geboten wird, und unterstützen das Merchandising. Der Einzelhändler befindet sich in der Mitte dieses Kreislaufs und steuert, wie viel Signal zwischen den beiden Seiten fließt und was wem und unter welcher Promotion angezeigt wird. Diese Daten‑ und Entscheidungs­schicht wird für den Einzelhändler zunehmend proprietär.

Die Produktsuche entwickelt sich von traditionellen Stichwortsuchen hin zu KI‑Assistenten, die Produkte vergleichen, Optionen zusammenfassen und Empfehlungen aussprechen. Wie sollten Marken ihre Produktinhalte und Digital‑Shelf‑Strategie neu denken, wenn sie zunehmend versuchen, eine Empfehlung von einem KI‑Agenten zu erhalten, anstatt lediglich in den Suchergebnissen hoch zu ranken?

Ein Mensch überfliegt eine Seite, liest eine Zusammenfassung einer Bewertung und schaut sich ein paar Bilder an. Ein Agent kann jedes Pixel lesen. Selbst in einem Shopping‑Agenten wird Ihre Frage in Schlüsselwörter zerlegt, diese Schlüsselwörter werden gesucht, die Ergebnisse extrahiert, jedes Produkt vollständig gelesen und dann ein Intent‑Algorithmus die Shortlist, die Ihnen angezeigt wird, rankt. Das bedeutet, dass Inhalte sowohl für die traditionelle Suche als auch für das pixelgenaue Lesen gleichzeitig funktionieren müssen, nicht das eine oder das andere. Es kommt außerdem darauf an, für welchen Agententyp Sie optimieren. Shopping‑Agenten wie Rufus, Sparky und Alexa Shopping sind dort, wo tatsächliche Käufe abgeschlossen werden, und was dort den Unterschied macht, ist die Produktseite selbst sowie jedes Attribut und jede Behauptung darauf. Allgemeine Agenten wie ChatGPT oder Perplexity verhalten sich eher wie Top‑of‑Funnel‑Recherche, und was Ihnen dort eine Erwähnung einbringt, ist eher verdiente Medienpräsenz, Zitate, Blog‑Posts und Drittanbieter‑Berichte. Marken, die diese beiden Probleme als identisch behandeln, optimieren letztlich für die falsche Oberfläche.

Der Begriff „agentic AI“ wird inzwischen auf ein breites Spektrum von Produkten angewendet. Im Einzelhandel speziell: Was unterscheidet einen echten KI‑Agenten von traditioneller regelbasierter Automatisierung oder einer Analyseplattform mit einer generativen KI‑Schnittstelle, die darübergelegt ist?

Regelbasierte Automatisierung bedeutet: Wenn X passiert, dann Y tun. Sie besitzt keine Intelligenz und kann nichts verarbeiten, das nicht explizit programmiert wurde. Eine generative Oberfläche über einem Dashboard macht dieselbe statische Erkenntnis lediglich leichter lesbar. Ein echter Agent kann denken, planen, ausführen und dann kontinuierlich bewerten und anpassen, wie ein von Ihnen geschulter Junior‑Analyst. Sie geben ihm Kontext, Ihre Prozesse, Ihre Richtlinien und die Entscheidungen, die Sie zuvor getroffen haben, und er beginnt, gegen ein Ziel zu arbeiten, anstatt auf die nächste Regel zu warten. Das ist der Test, den ich tatsächlich verwende: Kann er so operieren, wie es eine von Ihnen geschulte Person tun würde, oder ist er nur eine schnellere Version von etwas, das immer statisch war?

Commerce‑Teams haben traditionell Personen, die Inventar, Preisgestaltung, Produktseiten, Retail‑Media, Suchperformance und Wettbewerbsaktivitäten über tausende Produkte hinweg überwachen. Welche dieser operativen Lücken eignen sich heute am besten für autonome KI‑Agenten, und wo bleibt menschliches Urteilsvermögen schwer zu ersetzen?

Ich betrachte das als ein 2‑x‑2‑Modell, das den erforderlichen Urteilsgrad einer Entscheidung und deren Auswirkungen abbildet. Arbeiten mit geringem Urteilsbedarf werden dem Agenten sofort übergeben. Arbeiten mit hohem Urteilsbedarf oder hoher Auswirkung behalten einen Menschen, der strategische Vorgaben macht und das Ergebnis prüft. In der Praxis bedeutet das, mit Ihren Long‑Tail‑SKUs und Long‑Tail‑Händlern zu beginnen, also jenen, die ein Jahr lang niemand berührt hat, und diese zuerst auf Autopilot zu setzen, da das Fehlerrisiko gering ist. Ihre Top‑SKUs und Top‑Händler behalten eine menschliche Ebene, und diese Ebene dient nicht nur der Prüfung; sie ist das Mittel, mit dem Sie den Agenten trainieren. Wenn Sie einen Fehler entdecken, sagen Sie ihm, was er hätte tun sollen und warum, und dieses Feedback macht ihn im Laufe der Zeit besser, anstatt ihn nur konstant mittelmäßig zu halten.

Spezialisierte Agenten können potenziell eigene Probleme erzeugen, wenn sie für isolierte Ziele optimieren. Ein Media‑Agent könnte die Werbung für ein Produkt erhöhen, das gerade ausverkauft ist, während ein Pricing‑Agent die Konversion steigern könnte, jedoch zulasten der Marge. Wie stellen Sie sicher, dass mehrere Agenten auf die übergeordneten kommerziellen Ziele der Marke hinarbeiten, anstatt lediglich ihre einzelnen Kennzahlen zu optimieren?

Genau aus diesem Grund haben wir einen Orchestrator gebaut statt eines Sets unabhängiger Agenten. Unserer heißt Ally und sein Ziel ist Umsatzwachstum, nicht die Kennzahl eines einzelnen Kanals. Er ermittelt, wo Chancen und Risiken liegen, arbeitet die Trade‑offs durch und weist dann den Worker‑Agenten – Media, Content und Pricing – spezifische Aufgaben zu, wobei dieselben Informationen allen Agenten zur Verfügung gestellt werden, sodass niemand isoliert optimiert. Ohne diese Ebene erhalten Sie exakt das im Frage‑Stellung beschriebene Versagen: ein Media‑Agent gibt Geld für ein Produkt aus, das kurz davor ist, ausverkauft zu sein, weil er keine Sicht auf das Inventar hat.

Retail‑Daten sind häufig über Händler‑Portale, Werbeplattformen, Inventarsysteme, Produktinformationssysteme und interne Analyse‑Tools fragmentiert. Wie wichtig sind Datenqualität und Datenvereinheitlichung für ein erfolgreiches agentisches Retail, und macht mehr Autonomie der KI‑Agenten schlechte oder unvollständige Daten gefährlicher?

Daten in die richtige Form zu bringen, mit echter semantischer Struktur und einer passenden Ontologie, nicht nur rohe Feeds nebeneinander, ist hier die eigentliche Arbeit. Viele Teams denken, man könne etwas in ChatGPT hochladen oder einen Agenten auf bereits bestehenden Systemen aufsetzen, und das Ergebnis sei inkonsistent; manchmal funktioniert es, manchmal halluziniert es, ohne dass man sich darauf verlassen kann. Autonomie verschlimmert das, nicht verbessert es, weil ein Mensch mit schlechten Daten den Fehler meist vor der Ausführung erkennt. Ein Agent mit schlechten Daten handelt sofort und in großem Umfang, bevor jemand den Fehler bemerkt.

Wenn Marken mit KI‑Agenten vertrauter werden, wie sollten sie entscheiden, welche Aktionen autonom ausgeführt werden können und welche weiterhin menschliche Genehmigung benötigen? Wie sieht der Übergang von „KI empfiehlt“ zu „KI handelt“ in der Praxis aus?

Es sollte schrittweise vorangehen, nicht in einem Sprung. Die meisten Teams beginnen bei etwa 10 % automatisiert und 90 % mit Genehmigungsbedarf. Während der Feedback‑Loop läuft, Menschen den Agenten korrigieren und der Agent diese Korrektur einbezieht, wächst das Vertrauen und dieses Verhältnis verschiebt sich auf 20 % zu 80 %, dann weiter, sowohl beim Umfang der Aktionen als auch beim Wert dessen, was automatisiert wird. Der Ausgangspunkt für diesen Fortschritt ist die Arbeit mit geringem Wirkungsradius, Long‑Tail‑SKUs und Einzelhändlern, die Sie ohnehin nicht aktiv verwalten, und er erstreckt sich erst auf Entscheidungen mit höherer Wirkung und höherem Urteil, sobald die Erfolgsbilanz tatsächlich vorhanden ist.

Retail Media war traditionell stark auf Kennzahlen wie Return on Ad Spend ausgerichtet, doch es gibt ein wachsendes Interesse daran, zu bestimmen, ob Werbung tatsächlich inkrementelle Verkäufe erzeugt. Wie kann KI Marken dabei unterstützen, bessere Entscheidungen hinsichtlich Inkrementalität, Rentabilität und der Verteilung von Werbebudgets zu treffen?

Marken können zu sehr von Messungen begeistert sein. Eine tiefgehende Inkrementalitätsstudie für ein Quartal durchzuführen klingt rigoros, doch der Markt hat sich in der Regel bereits weiterentwickelt, wenn die Studie abgeschlossen ist. Ich würde lieber sehen, dass Teams ein Set praktischer Heuristiken entwickeln und schneller danach handeln: Wenn Sie organisch bereits hoch ranken, bieten Sie nicht mehr; Sie zahlen für einen Verkauf, den Sie ohnehin erhalten hätten. Wenn Sie organisch niedrig ranken, ist das der Moment, in dem das Werbebudget tatsächlich seine Berechtigung hat. Gibt es ein Marktpublikum, das Ihr Produkt nicht kennt, investieren Sie dort, um es zu informieren. Über zu streiten, ob ein Dollar inkrementell 1.48 $ oder 1.68 $ zurückgebracht hat, ist Zeit, die nicht zum Handeln genutzt wird. Schneller zum Handeln zu kommen und zu akzeptieren, dass die Zahl eher richtungsweisend als perfekt präzise sein wird, ist das, was tatsächlich den Umsatz steigert.

Wenn KI‑Agenten auf Kundenseite zunehmend Discovery, Vergleich und Kauf abwickeln, während Agenten auf Marken­seite Inhalte, Preise, Werbung und Inventar verwalten, könnten wir schließlich Maschinen haben, die beide Seiten einer Transaktion beeinflussen. Wie stellen Sie sich den E‑Commerce in diesem Umfeld vor, und was wird letztlich die Marken, die erfolgreich sind, von denen unterscheiden, die für diese KI‑gesteuerten Einkaufssysteme unsichtbar werden?

Ich glaube nicht, dass wir in naher Zukunft zu Agenten kommen, die autonom miteinander transagieren. Stattdessen sehe ich Menschen und Agenten, die auf beiden Seiten gemeinsam einkaufen, Agenten, die den Vergleichs‑ und Empfehlungsteil übernehmen, während Menschen nach wie vor die endgültige Entscheidung treffen, und dasselbe Muster auf der Marken­seite, wobei Agenten ausführen, während Menschen die Strategie festlegen und die wichtigen Entscheidungen genehmigen. In dieser Welt muss das physische Produkt weiterhin gut sein; keine Optimierung rettet ein schlechtes Produkt. Darüber hinaus ist Kontext das Trennmerkmal: Wie viel Kontext ein Agent über Ihr Unternehmen hat, wie viel er gelernt hat und wie viel Feedback ihm gegeben wurde. Das unterscheidet einen Agenten, der dumme Fehler macht, von einem, der Ihre Markenstimme und Strategie gut genug versteht, um mit echten Entscheidungen betraut zu werden. Die Marken, die gewinnen, sind jene, die das Bereitstellen von gutem Kontext und einer funktionierenden Feedback‑Schleife für Agenten als Kernaufgabe ansehen, nicht als Nebenprojekt, und die, die diesen Schritt überspringen, werden unsichtbar.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten CommerceIQ besuchen.