Himanshu Jain, cofondateur et responsable des produits chez CommerceIQ – Série d’interviews

Himanshu Jain, cofondateur et responsable des produits chez CommerceIQ, dirige la stratégie produit et le développement en se concentrant sur la création d’agents IA qui automatisent des flux de travail complexes de commerce de détail et de commerce en ligne. Depuis la cofondation de CommerceIQ en 2017, il a contribué à façonner l’approche de l’entreprise en matière d’application des données, de l’automatisation et de l’IA au commerce numérique. Avant CommerceIQ, Jain a occupé des postes de direction en stratégie produit, développement commercial et succès client chez Boomerang Commerce, où il a travaillé avec d’importants détaillants sur la tarification, l’assortiment et les stratégies de croissance du commerce en ligne. Au début de sa carrière, il était consultant en management chez A.T. Kearney et a passé près de cinq ans chez Capital One UK dans la gestion de produits, le risque de crédit, la stratégie marketing, l’analyse et la modélisation statistique. Il a également conseillé des startups sur la stratégie de mise sur le marché et a contribué à des articles sur Amazon et le commerce en ligne pour Marketing Land.

CommerceIQ est une plateforme de commerce de détail alimentée par l’IA conçue pour aider les marques de consommation à gérer et optimiser leurs performances sur les canaux de commerce en ligne. Sa plateforme rassemble les ventes, les médias de détail, l’étagère numérique, le contenu, l’inventaire et les données concurrentielles, offrant aux équipes une vue unifiée des performances sur plus de 1 500 détaillants et 85 pays. CommerceIQ s’est de plus en plus concentré sur l’IA agentique grâce à sa technologie AllyAI, avec des agents spécialisés capables d’analyser les signaux du commerce de détail, de recommander des actions, d’automatiser les rapports, d’optimiser les enchères publicitaires et les budgets, et d’exécuter les flux de travail de commerce en ligne sélectionnés dans des contrôles définis. L’entreprise présente cette approche comme un passage d’une gestion du commerce de détail basée sur les tableaux de bord à une exécution continue, assistée par l’IA, couvrant les ventes, les médias, le contenu et l’étagère numérique.

Vous avez passé plus d’une décennie à travailler dans la gestion de produit, le succès client, le développement commercial et d’autres domaines avant de co‑fonder CommerceIQ. Qu’est‑ce qui vous a conduit à vous intéresser au commerce agentique, et quelles leçons tirées de ces précédentes transitions technologiques ont façonné votre vision de celle‑ci ?

La plupart des logiciels avant l’IA agentique étaient conçus pour accélérer le travail d’un humain. Excel vous aide à construire un modèle plus rapidement. Un tableau de bord vous aide à prendre une décision plus rapidement. Ce qui a changé avec le commerce agentique, c’est que le logiciel peut désormais effectuer le travail lui‑même, et pas seulement accélérer la façon dont un humain le fait. Un agent peut apprendre votre environnement comme le ferait une nouvelle recrue. Vos processus, vos directives internes, la manière dont vous prenez réellement des décisions, puis agissez pour atteindre un objectif de bout en bout, avec un humain qui fournit le contexte et audite le résultat plutôt que d’accomplir chaque étape. C’est une catégorie de logiciel complètement différente de tout ce avec quoi j’ai travaillé auparavant en gestion de produit ou en succès client, et c’est pourquoi je considère que c’est le changement technologique le plus fondamental que j’aie vu, et non un simple ajustement. Le rythme est également sans précédent. Les smartphones ont mis des années à devenir omniprésents. L’IA agentique a transformé le fonctionnement de toute une industrie et ne ralentit pas. La leçon tirée des transitions précédentes que je prends le plus à cœur est que les personnes qui projettent le passé font les mauvais choix ici. L’approche qui, selon moi, fonctionne le mieux consiste à garder l’esprit ouvert, à mettre les mains à la pâte et à apprendre de ce qui se passe réellement maintenant plutôt que de ce qui s’est produit lors du dernier cycle.

Vous avez établi une distinction entre le « commerce agentique », où les consommateurs utilisent des agents IA pour découvrir et acheter des produits, et le « commerce de détail agentique », où les marques utilisent des agents pour gérer leur façon de vendre. À mesure que les deux parties deviennent de plus en plus automatisées, comment voyez‑vous l’évolution de la relation entre les consommateurs, les marques et les détaillants ?

La découverte dans le commerce de détail a connu plusieurs véritables évolutions. Dans les années 80 et 90, il s’agissait de catalogues circulaires envoyés par courrier, d’un magasin décidant quoi mettre en avant, et d’un humain choisissant parmi cela. Amazon a créé l’allée infinie. Chaque recherche par mot‑clé est devenue sa propre étagère illimitée, mais un humain lisait encore les titres, parcourait les avis et prenait la décision seul. Ce qui change aujourd’hui, c’est que les humains et les agents achètent ensemble. Vous exprimez une intention ; un agent peut lire chaque produit de la page en intégralité, chaque affirmation, chaque avis, chaque puce, effectuer une analyse d’intention par rapport à ce dont vous avez réellement besoin, et vous proposer quatre ou cinq recommandations. Vous choisissez toujours l’une d’elles, mais l’agent a déjà effectué le travail de comparaison qu’un humain faisait en parcourant rapidement. Du côté des marques, les agents optimisent le contenu des pages produit (PDP) en fonction de ce que les consommateurs et leurs agents recherchent, décident sur quels produits enchérir et aident à gérer le marchandisage. Le détaillant se situe au centre de cette boucle et contrôle la quantité de signal qui circule entre les deux parties ainsi que ce qui est affiché à qui et sous quelle promotion. Cette couche de données et de prise de décision devient de plus en plus propriétaire au détaillant.

La découverte de produits évolue au‑delà des recherches par mots‑clés traditionnels vers des assistants IA qui comparent les produits, résument les options et formulent des recommandations. Comment les marques devraient‑elles repenser le contenu produit et la stratégie d’étagère numérique lorsqu’elles cherchent de plus en plus à obtenir une recommandation d’un agent IA plutôt que de simplement se classer haut dans les résultats de recherche ?

Un humain parcourt rapidement une page, lit un résumé d’avis et regarde quelques images. Un agent peut lire chaque pixel. Même à l’intérieur d’un agent d’achat, votre question est découpée en mots‑clés, ces mots‑clés sont recherchés, les résultats sont extraits, chaque produit est lu en entier, puis un algorithme d’intention classe la liste restreinte qu’il vous montre. Cela signifie que le contenu doit fonctionner à la fois pour la recherche traditionnelle et pour cette lecture au niveau du pixel, pas l’un ou l’autre. Il importe également quel type d’agent vous optimisez. Les agents d’achat comme Rufus, Sparky et Alexa Shopping sont ceux où les achats réels se concluent, et ce qui fait la différence là‑bas, c’est la page produit elle‑même ainsi que chaque attribut et chaque affirmation qui y figurent. Les agents à usage général comme ChatGPT ou Perplexity se comportent davantage comme de la recherche en haut de l’entonnoir, et ce qui vous y vaut une mention ressemble davantage à des médias gagnés, des citations, des articles de blog et des publications tierces. Les marques qui traitent ces deux cas comme le même problème finissent par optimiser la mauvaise surface.

Le terme « agentic AI » est désormais appliqué à un large éventail de produits. Dans le commerce de détail en particulier, qu’est‑ce qui distingue un véritable agent IA d’une automatisation basée sur des règles traditionnelles ou d’une plateforme d’analyse avec une interface IA générative superposée ?

L’automatisation basée sur des règles consiste à dire si X se produit, alors faire Y. Elle n’a aucune intelligence et ne peut gérer rien que vous n’avez pas explicitement programmé. Une interface générative placée au‑dessus d’un tableau de bord ne fait que rendre l’insight statique plus facile à lire. Un véritable agent peut réfléchir, planifier, exécuter, puis évaluer et s’adapter en continu, comme un analyste junior que vous avez formé. Vous lui fournissez le contexte, vos processus, vos directives et les décisions que vous avez prises auparavant, et il commence à exécuter en fonction d’un objectif plutôt que d’attendre que la prochaine règle se déclenche. C’est le test que j’utilise réellement : peut‑il fonctionner comme la personne que vous avez formée le ferait, ou n’est‑il qu’une version plus rapide de quelque chose qui était toujours statique ?

Les équipes commerce surveillaient traditionnellement les stocks, les prix, les pages produit, les médias de détail, les performances de recherche et l’activité concurrentielle sur des milliers de produits. Quels sont les écarts opérationnels les mieux adaptés aux agents IA autonomes aujourd’hui, et où le jugement humain reste‑t‑il difficile à remplacer ?

Je considère cela comme un 2 × 2 : combien de jugement une décision nécessite et quel impact elle a. Les tâches à faible jugement sont confiées directement à l’agent. Les travaux à jugement élevé ou à fort impact conservent un humain qui fournit des orientations stratégiques et audite le résultat. En pratique, cela signifie commencer par vos SKU de longue traîne et vos détaillants de longue traîne, ceux que personne n’a touchés depuis un an, et les mettre d’abord en pilote automatique, car le rayon d’impact d’une erreur est faible. Vos SKU et détaillants principaux conservent une couche humaine, et cette couche ne sert pas seulement à l’audit ; c’est ainsi que vous formez l’agent. Lorsque vous détectez une erreur, vous lui indiquez ce qu’il aurait dû faire et pourquoi, et ce retour d’information le rend meilleur avec le temps, au lieu de rester constamment médiocre.

Les agents spécialisés peuvent potentiellement créer leurs propres problèmes s’ils optimisent des objectifs isolés. Un agent média pourrait augmenter la publicité pour un produit qui est en rupture de stock, tandis qu’un agent de tarification pourrait améliorer la conversion au détriment de la marge. Comment garantir que plusieurs agents travaillent vers les objectifs commerciaux globaux de la marque plutôt que d’optimiser simplement leurs métriques individuelles ?

C’est exactement la raison pour laquelle nous avons construit un orchestrateur plutôt qu’un ensemble d’agents indépendants. Le nôtre s’appelle Ally, et son objectif est la croissance des ventes, pas la métrique d’un canal unique. Il identifie où se trouvent les opportunités et les risques, examine les compromis, puis attribue des tâches spécifiques aux agents travailleurs – média, contenu et tarification – en partageant les mêmes informations entre eux afin que personne n’optimise en isolement. Sans cette couche, on obtient exactement le mode d’échec décrit dans la question : un agent média dépensant pour un produit qui va bientôt être en rupture de stock parce qu’il n’a aucune visibilité sur les stocks.

Les données du commerce de détail sont souvent fragmentées entre les portails des détaillants, les plateformes publicitaires, les systèmes d’inventaire, les systèmes d’information produit et les outils d’analyse internes. Quelle importance ont la qualité des données et leur unification pour un commerce agentique réussi, et le fait d’accorder plus d’autonomie aux agents IA rend‑il les données pauvres ou incomplètes plus dangereuses ?

Mettre les données dans le bon format, avec une véritable structure sémantique et une ontologie appropriée, et pas seulement des flux bruts côte à côte, représente la majeure partie du travail réel ici. De nombreuses équipes pensent pouvoir télécharger quelque chose dans ChatGPT ou brancher un agent sur les systèmes existants, et ce qu’elles obtiennent est incohérent ; parfois cela fonctionne, parfois cela hallucine, sans aucune fiabilité. L’autonomie aggrave ce problème, pas l’atténue, car un humain avec de mauvaises données repère généralement l’erreur avant d’agir. Un agent avec de mauvaises données agit immédiatement, à grande échelle, avant que quiconque ne s’en rende compte.

À mesure que les marques se sentent plus à l’aise avec les agents IA, comment doivent‑elles décider quelles actions peuvent être exécutées de façon autonome et lesquelles doivent continuer à nécessiter une approbation humaine ? À quoi ressemble en pratique la progression de « l’IA recommande » à « l’IA agit » ?

Cela doit se faire progressivement, pas en un seul saut. La plupart des équipes commencent avec environ 10 % automatisé et 90 % nécessitant une approbation. Au fur et à mesure que la boucle de rétroaction fonctionne, que les humains corrigent l’agent et que l’agent intègre cette correction, la confiance se construit et ce ratio passe à 20 % et 80 %, puis davantage, tant en volume d’actions qu’en valeur de ce qui est automatisé. Le point de départ de cette progression est le travail à faible impact, les SKU à longue traîne et les détaillants que vous ne gériez pas activement de toute façon, et il ne s’étend aux décisions à plus fort impact et à plus forte exigence de jugement que lorsque le historique est réellement établi.

Le retail media a traditionnellement été fortement axé sur des métriques telles que le retour sur les dépenses publicitaires, mais l’intérêt grandit pour déterminer si la publicité génère réellement des ventes incrémentales. Comment l’IA peut‑elle aider les marques à prendre de meilleures décisions concernant l’incrémentalité, la rentabilité et l’affectation des budgets publicitaires ?

Les marques peuvent devenir trop obsédées par la mesure. Réaliser une étude approfondie d’incrémentalité pendant un trimestre semble rigoureuse, mais le marché a généralement évolué d’ici la fin de l’étude. Je préférerais que les équipes construisent un ensemble d’heuristiques pratiques et les appliquent plus rapidement : si vous êtes déjà bien classé organiquement, ne misez pas davantage ; vous payez pour une vente que vous auriez obtenue de toute façon. Si vous êtes mal classé organiquement, c’est alors que les dépenses publicitaires sont réellement justifiées. S’il existe une audience sur le marché qui ne connaît pas votre produit, investissez là‑bas pour l’éduquer. Discuter pour savoir si un dollar a généré 1,48 $ ou 1,68 $ d’incrémentalité est du temps perdu à ne pas agir. Passer à l’action plus rapidement et accepter que le chiffre soit directionnellement correct plutôt que parfaitement précis est ce qui fait réellement bouger les ventes.

Si les agents IA du côté des acheteurs prennent de plus en plus en charge la découverte, la comparaison et l’achat, tandis que les agents du côté des marques gèrent le contenu, les prix, la publicité et les stocks, nous pourrions éventuellement voir des machines influencer les deux parties d’une transaction. À quoi ressemble le commerce électronique dans cet environnement, et qu’est‑ce qui finira par distinguer les marques qui réussissent de celles qui deviennent invisibles aux systèmes d’achat pilotés par l’IA ?

Je ne pense pas que nous nous dirigions bientôt vers des agents qui transigent entre eux de façon autonome. Ce que je vois plutôt, c’est des humains et des agents qui achètent ensemble des deux côtés, les agents effectuant le travail de comparaison et de recommandation, les humains prenant toujours la décision finale, et le même schéma du côté des marques : les agents exécutent tandis que les humains définissent la stratégie et approuvent les décisions importantes. Dans ce monde, le produit physique doit toujours être de qualité ; aucune optimisation ne sauve un produit médiocre. Au‑delà, ce qui fait la différence, c’est le contexte : le degré de connaissance qu’un agent a de votre entreprise, ce qu’il a appris et le feedback qui lui a été fourni. C’est ce qui sépare un agent qui commet des erreurs stupides d’un agent qui comprend réellement la voix et la stratégie de votre marque suffisamment pour être fiable dans les décisions réelles. Les marques qui gagnent sont celles qui considèrent la fourniture d’un bon contexte aux agents et d’une boucle de rétroaction fonctionnelle comme un travail central, pas un projet annexe, et celles qui négligent cette étape sont celles qui deviennent invisibles.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter CommerceIQ.