Himanshu Jain, cofundador y jefe de productos en CommerceIQ – Serie de entrevistas

Himanshu Jain, cofundador y jefe de productos en CommerceIQ, lidera la estrategia y el desarrollo de productos con un enfoque en la creación de agentes de IA que automatizan flujos de trabajo complejos de venta minorista y comercio electrónico. Desde que cofundó CommerceIQ en 2017, ha ayudado a definir el enfoque de la empresa para aplicar datos, automatización e IA al comercio digital. Antes de CommerceIQ, Jain ocupó cargos de liderazgo en estrategia de producto, desarrollo de negocio y éxito del cliente en Boomerang Commerce, donde trabajó con grandes minoristas en precios, surtido y estrategias de crecimiento del comercio electrónico. En etapas anteriores de su carrera, fue consultor de gestión en A.T. Kearney y pasó casi cinco años en Capital One UK en gestión de productos, riesgo crediticio, estrategia de marketing, análisis y modelado estadístico. También ha asesorado a startups en estrategia de salida al mercado y ha contribuido con artículos sobre Amazon y comercio electrónico a Marketing Land.

CommerceIQ es una plataforma de comercio minorista impulsada por IA diseñada para ayudar a las marcas de consumo a gestionar y optimizar su rendimiento en los canales de comercio electrónico. Su plataforma reúne ventas, medios minoristas, estantería digital, contenido, inventario y datos competitivos, ofreciendo a los equipos una visión unificada del rendimiento en más de 1.500 minoristas y 85 países. CommerceIQ se ha centrado cada vez más en la IA agente mediante su tecnología AllyAI, con agentes especializados que pueden analizar señales minoristas, recomendar acciones, automatizar informes, optimizar pujas y presupuestos publicitarios, y ejecutar flujos de trabajo de comercio electrónico seleccionados dentro de controles definidos. La empresa presenta este enfoque como un cambio de la gestión minorista basada en paneles de control hacia una ejecución continua asistida por IA en ventas, medios, contenido y la estantería digital.

Has trabajado más de una década en gestión de productos, éxito del cliente, desarrollo de negocio y más antes de cofundar CommerceIQ. ¿Qué te llevó a adentrarte en el comercio minorista agente y qué lecciones de esas transiciones tecnológicas anteriores han moldeado tu visión de esta?

La mayoría del software antes de la IA agente estaba diseñado para hacer el trabajo humano más rápido. Excel te ayuda a construir un modelo más rápido. Un panel de control te ayuda a tomar una decisión más rápido. Lo que cambió con el comercio minorista agente es que el software ahora puede hacer el trabajo por sí mismo, no solo acelerar cómo lo hace un humano. Un agente puede aprender tu entorno como lo haría una nueva contratación. Tus procesos, tus directrices internas, cómo tomas decisiones y luego actúas hacia un objetivo de principio a fin, con un humano proporcionando contexto y auditando el resultado en lugar de realizar cada paso. Esa es una categoría de software completamente diferente a cualquier cosa con la que trabajé antes en gestión de productos o éxito del cliente, y es la razón por la que creo que este es el cambio tecnológico más fundamental que he visto, no uno incremental. El ritmo también es incomparable con cualquier cosa anterior. Los teléfonos inteligentes tardaron años en volverse omnipresentes. La IA agente ha cambiado la forma en que operan industrias enteras y no está desacelerándose. La lección de transiciones anteriores que más me tomo en serio es que las personas que proyectan desde el pasado toman decisiones equivocadas aquí. El enfoque que he encontrado que funciona mejor es mantener la mente abierta, ensuciarse las manos y aprender de lo que está sucediendo realmente ahora, en lugar de lo que ocurrió en el último ciclo.

Has trazado una distinción entre \”comercio agente\”, donde los consumidores utilizan agentes de IA para descubrir y comprar productos, y \”comercio minorista agente\”, donde las marcas usan agentes para gestionar cómo venden. A medida que ambos lados se automatizan cada vez más, ¿cómo ves que cambia la relación entre consumidores, marcas y minoristas?

El descubrimiento minorista ha experimentado algunos cambios reales. En los años 80 y 90, consistía en circulares por correo, una tienda decidiendo qué destacar y un humano eligiendo a partir de eso. Amazon creó el pasillo infinito. Cada búsqueda por palabra clave se convirtió en su propia estantería ilimitada, pero un humano seguía leyendo títulos, hojeando reseñas y tomando la decisión solo. Lo que está cambiando ahora es que humanos y agentes compran juntos. Expresas una intención; un agente puede leer cada producto en la página en su totalidad, cada afirmación, cada reseña, cada viñeta, ejecutar un análisis de intención contra lo que realmente necesitas y entregarte cuatro o cinco recomendaciones. Tú sigues eligiendo una, pero el agente ya ha realizado el trabajo de comparación que antes hacía un humano al hojear. Por parte de la marca, los agentes están optimizando el contenido de la página de producto (PDP) según lo que los consumidores y sus agentes buscan, decidiendo en qué productos pujar y ayudando a gestionar el merchandising. El minorista se sitúa en el centro de ese bucle y controla cuánta señal fluye entre ambas partes y qué se muestra a quién y bajo qué promoción. Esa capa de datos y toma de decisiones se está volviendo cada vez más propietaria del minorista.

El descubrimiento de productos está evolucionando más allá de las búsquedas tradicionales por palabras clave hacia asistentes de IA que comparan productos, resumen opciones y hacen recomendaciones. ¿Cómo deberían las marcas replantear el contenido de los productos y la estrategia de la estantería digital cuando cada vez más intentan obtener una recomendación de un agente de IA en lugar de simplemente posicionarse alto en un resultado de búsqueda?

Una persona hojea una página, lee un resumen de reseña y mira un par de imágenes. Un agente puede leer cada píxel. Incluso dentro de un agente de compras, tu pregunta se descompone en palabras clave, esas palabras clave se buscan, los resultados se extraen, cada producto se lee en su totalidad y luego un algoritmo de intención clasifica la lista corta que te muestra. Eso significa que el contenido debe funcionar tanto para la búsqueda tradicional como para esa lectura a nivel de píxel al mismo tiempo, no uno u otro. También importa qué tipo de agente estás optimizando. Los agentes de compras como Rufus, Sparky y Alexa Shopping son donde se cierran las compras reales, y lo que mueve la aguja allí es la propia página del producto y cada atributo y afirmación que contiene. Los agentes de propósito general como ChatGPT o Perplexity se comportan más como investigación de parte superior del embudo, y lo que te gana una mención allí se asemeja más a medios ganados, citas, publicaciones de blog y reseñas de terceros. Las marcas que tratan esos casos como el mismo problema terminan optimizando para la superficie equivocada.

El término “agentic AI” ahora se aplica a una amplia gama de productos. En el comercio minorista, específicamente, ¿qué separa a un verdadero agente de IA de la automatización basada en reglas tradicional o de una plataforma analítica con una interfaz de IA generativa superpuesta?

La automatización basada en reglas es: si ocurre X, haz Y. No tiene inteligencia y no puede manejar nada que no hayas programado explícitamente. Una interfaz generativa sobre un panel solo hace que la misma información estática sea más fácil de leer. Un agente real puede pensar, planificar, ejecutar y luego evaluar y adaptarse continuamente, como un analista junior que has entrenado. Le das contexto, tus procesos, tus directrices y las decisiones que has tomado antes, y comienza a ejecutar contra un objetivo en lugar de esperar a que se dispare la siguiente regla. Esa es la prueba que realmente utilizo: ¿puede operar como lo haría una persona que entrenaste, o es solo una versión más rápida de algo que siempre fue estático?

Los equipos de comercio tradicionalmente han tenido personas monitoreando inventario, precios, páginas de productos, medios minoristas, rendimiento de búsqueda y actividad competitiva en miles de productos. ¿Cuáles de estas brechas operativas son más adecuadas para agentes de IA autónomos hoy en día, y dónde el juicio humano sigue siendo difícil de reemplazar?

Lo pienso como una matriz 2×2 de cuánto juicio requiere una decisión y cuánto impacto tiene. El trabajo de bajo juicio se entrega al agente directamente. El trabajo de alto juicio o alto impacto mantiene a un humano proporcionando orientación estratégica y auditando el resultado. En la práctica, eso significa comenzar con tus SKU de cola larga y minoristas de cola larga, los que nadie ha tocado en un año, y ponerlos en piloto automático primero, ya que el radio de explosión de un error es bajo. Tus SKU principales y minoristas principales conservan una capa humana, y esa capa no es solo para auditoría; es cómo entrenas al agente. Cuando detectas algo, le dices qué debería haber hecho y por qué, y esa retroalimentación es lo que lo mejora con el tiempo en lugar de permanecer consistentemente mediocre.

Los agentes especializados pueden potencialmente crear sus propios problemas si optimizan objetivos aislados. Un agente de medios podría aumentar la publicidad de un producto que se está agotando, mientras que un agente de precios podría mejorar la conversión a costa del margen. ¿Cómo aseguras que múltiples agentes trabajen hacia los objetivos comerciales más amplios de la marca en lugar de simplemente optimizar sus métricas individuales?

Esto es exactamente por lo que construimos un orquestador en lugar de un conjunto de agentes independientes. El nuestro se llama Ally, y su objetivo es el crecimiento de ventas, no la métrica de ningún canal individual. Determina dónde están las oportunidades y los riesgos, trabaja los compromisos y luego asigna tareas específicas a los agentes operativos, de medios, de contenido y de precios, compartiendo la misma información entre todos ellos para que nadie optimice en aislamiento. Sin esa capa, obtienes exactamente el modo de falla descrito en la pregunta: un agente de medios gastando contra un producto que está a punto de agotarse porque no tiene visibilidad del inventario.

Los datos minoristas a menudo están fragmentados entre portales de minoristas, plataformas publicitarias, sistemas de inventario, sistemas de información de productos y herramientas analíticas internas. ¿Qué tan importante es la calidad y unificación de datos para un comercio minorista basado en agentes, y hace que dar mayor autonomía a los agentes de IA los datos pobres o incompletos sean más peligrosos?

Poner los datos en la forma correcta, con una estructura semántica real y una ontología adecuada, no solo con flujos crudos al lado, es la mayor parte del trabajo real aquí. Muchos equipos piensan que pueden subir algo a ChatGPT o conectar un agente sobre los sistemas que ya existen, y lo que obtienen es inconsistente; a veces funciona y a veces alucina, sin forma de depender de ello. La autonomía empeora eso, no lo mejora, porque un humano con datos malos suele detectar el error antes de actuar. Un agente con datos malos actúa de inmediato, a escala, antes de que alguien lo note.

A medida que las marcas se sienten más cómodas con los agentes de IA, ¿cómo deben decidir qué acciones pueden ejecutarse de forma autónoma y cuáles deben seguir requiriendo aprobación humana? ¿Cómo se ve en la práctica la progresión de “IA recomienda” a “IA actúa”?

Debe avanzar gradualmente, no en un solo salto. La mayoría de los equipos comienzan con alrededor del 10 % automatizado y el 90 % requiriendo aprobación. A medida que el bucle de retroalimentación funciona, a medida que los humanos corrigen al agente y el agente incorpora esa corrección, la confianza se genera y esa proporción se desplaza al 20 % y 80 %, y luego más, tanto en el volumen de acciones como en el valor de lo que se está automatizando. El punto de partida de esa progresión es el trabajo de bajo radio de explosión, los SKU de cola larga y los minoristas que no gestionabas activamente de todos modos, y solo se extiende a decisiones de mayor impacto y mayor juicio una vez que el historial realmente está allí.

Los medios minoristas tradicionalmente se han centrado intensamente en métricas como el retorno de la inversión publicitaria, pero hay un interés creciente en determinar si la publicidad está generando realmente ventas incrementales. ¿Cómo puede la IA ayudar a las marcas a tomar mejores decisiones sobre la incrementalidad, la rentabilidad y dónde deberían asignarse los dólares publicitarios?

Las marcas pueden enamorarse demasiado de la medición. Realizar un estudio profundo de incrementalidad durante un trimestre suena riguroso, pero el mercado suele haber avanzado para cuando el estudio termina. Prefiero ver a los equipos construir un conjunto de heurísticas prácticas y actuar sobre ellas más rápido: si ya estás posicionándote alto de forma orgánica, no pujes más; estás pagando por una venta que habrías obtenido de todos modos. Si te posicionas bajo de forma orgánica, es entonces cuando el gasto publicitario realmente se justifica. Si hay una audiencia en el mercado que no conoce tu producto, invierte allí para educarla. Discutir si un dólar devolvió 1,48 o 1,68 dólares de forma incremental es tiempo invertido sin actuar. Llegar a la acción más rápido y aceptar que el número será direccionalmente correcto en lugar de perfectamente preciso es lo que realmente impulsa las ventas.

Si los agentes de IA del lado del comprador manejan cada vez más el descubrimiento, la comparación y la compra mientras los agentes del lado de la marca gestionan contenido, precios, publicidad e inventario, podríamos acabar con máquinas influyendo en ambos lados de una transacción. ¿Qué crees que será el comercio electrónico en ese entorno, y qué separará finalmente a las marcas que ganen de aquellas que se vuelvan invisibles para estos sistemas de compra impulsados por IA?

No creo que nos dirijamos pronto a que los agentes realicen transacciones entre sí de forma autónoma. Lo que veo, en cambio, es a humanos y agentes comprando juntos en ambos lados, los agentes realizando el trabajo de comparación y recomendación, los humanos todavía tomando la decisión final, y el mismo patrón en el lado de la marca, agentes ejecutando mientras los humanos establecen la estrategia y aprueban las decisiones que importan. En ese mundo, el producto físico aún debe ser bueno; ninguna cantidad de optimización salva un producto deficiente. Más allá de eso, lo que separa es el contexto: cuánto contexto tiene un agente sobre tu negocio, cuánto ha aprendido y cuánta retroalimentación ha recibido. Eso es lo que diferencia a un agente que comete errores tontos de uno que realmente entiende la voz y la estrategia de tu marca lo suficiente como para confiar en decisiones reales. Las marcas que ganan son aquellas que tratan proporcionar a los agentes un buen contexto y un bucle de retroalimentación funcional como trabajo central, no como un proyecto secundario, y las que omiten ese paso son las que se vuelven invisibles.

Gracias por la excelente entrevista, los lectores que deseen obtener más información deberían visitar CommerceIQ.