Himanshu Jain, Co-pendiri dan Kepala Produk di CommerceIQ – Seri Wawancara

Himanshu Jain, Co-pendiri dan Kepala Produk di CommerceIQ, memimpin strategi dan pengembangan produk dengan fokus pada pembangunan agen AI yang mengotomatiskan alur kerja ritel dan e‑commerce yang kompleks. Sejak mendirikan CommerceIQ pada 2017, ia telah membantu membentuk pendekatan perusahaan dalam menerapkan data, otomatisasi, dan AI ke perdagangan digital. Sebelum bergabung dengan CommerceIQ, Jain memegang peran kepemimpinan dalam strategi produk, pengembangan bisnis, dan keberhasilan pelanggan di Boomerang Commerce, di mana ia bekerja dengan peritel besar pada penetapan harga, assortmen, dan strategi pertumbuhan e‑commerce. Pada awal kariernya, ia adalah konsultan manajemen di A.T. Kearney dan menghabiskan hampir lima tahun di Capital One UK dalam bidang manajemen produk, risiko kredit, strategi pemasaran, analitik, dan pemodelan statistik. Ia juga telah memberi nasihat kepada startup tentang strategi go‑to‑market dan menulis artikel tentang Amazon serta e‑commerce untuk Marketing Land.

CommerceIQ adalah platform perdagangan ritel berbasis AI yang dirancang untuk membantu merek konsumen mengelola dan mengoptimalkan kinerja mereka di seluruh saluran e‑commerce. Platformnya menyatukan data penjualan, media ritel, rak digital, konten, inventaris, dan data kompetitif, memberikan tim pandangan terpadu tentang kinerja di lebih dari 1.500 peritel dan 85 negara. CommerceIQ semakin memfokuskan pada AI agen melalui teknologi AllyAI, dengan agen khusus yang dapat menganalisis sinyal ritel, merekomendasikan tindakan, mengotomatiskan pelaporan, mengoptimalkan tawaran dan anggaran iklan, serta mengeksekusi alur kerja e‑commerce terpilih dalam kontrol yang ditetapkan. Perusahaan menempatkan pendekatan ini sebagai pergeseran dari manajemen ritel berbasis dasbor menuju eksekusi berkelanjutan yang dibantu AI di seluruh penjualan, media, konten, dan rak digital.

Anda telah menghabiskan lebih dari satu dekade bekerja di bidang manajemen produk, keberhasilan pelanggan, pengembangan bisnis, dan lainnya sebelum mendirikan CommerceIQ. Apa yang membuat Anda tertarik pada ritel agenik, dan pelajaran apa dari transisi teknologi sebelumnya yang membentuk cara Anda melihat yang ini?

Sebagian besar perangkat lunak sebelum AI agenik dirancang untuk mempercepat pekerjaan manusia. Excel membantu Anda membangun model lebih cepat. Dasbor membantu Anda membuat keputusan lebih cepat. Yang berubah dengan ritel agenik adalah perangkat lunak kini dapat melakukan pekerjaan itu sendiri, bukan hanya mempercepat cara manusia melakukannya. Sebuah agen dapat mempelajari lingkungan Anda seperti halnya karyawan baru. Proses Anda, pedoman internal Anda, cara Anda sebenarnya membuat keputusan, dan kemudian bertindak menuju tujuan secara menyeluruh, dengan manusia memberikan konteks dan mengaudit output alih‑alih melakukan setiap langkah. Itu merupakan kategori perangkat lunak yang sama sekali berbeda dari apa pun yang pernah saya kerjakan sebelumnya dalam manajemen produk atau keberhasilan pelanggan, dan itulah mengapa saya pikir ini adalah pergeseran teknologi paling fundamental yang pernah saya lihat, bukan perubahan bertahap. Kecepatan juga tidak seperti apa pun sebelumnya. Smartphone memerlukan bertahun‑tahun untuk menjadi umum. AI agenik telah mengubah cara seluruh industri bekerja dan tidak melambat. Pelajaran dari transisi sebelumnya yang paling saya ambil serius adalah bahwa orang yang memproyeksikan dari masa lalu membuat keputusan yang salah di sini. Pendekatan yang saya temukan paling efektif adalah tetap berpikiran terbuka, terjun langsung, dan belajar dari apa yang sebenarnya terjadi saat ini daripada apa yang terjadi pada siklus terakhir.

Anda telah membedakan antara “agentic commerce,” di mana konsumen menggunakan agen AI untuk menemukan dan membeli produk, dan “agentic retail,” di mana merek menggunakan agen untuk mengelola cara mereka menjual. Seiring kedua sisi menjadi semakin otomatis, bagaimana Anda melihat hubungan antara konsumen, merek, dan peritel berubah?

Penemuan ritel telah mengalami beberapa pergeseran nyata. Pada tahun 80-an dan 90-an, penemuan dilakukan melalui katalog pos, toko yang memutuskan apa yang akan disorot, dan manusia yang memilih dari situ. Amazon menciptakan lorong tak berujung. Setiap pencarian kata kunci menjadi rak tak terbatasnya sendiri, namun manusia masih membaca judul, menelusuri ulasan, dan membuat pilihan sendiri. Yang berubah sekarang adalah manusia dan agen berbelanja bersama. Anda menyatakan niat; seorang agen dapat membaca setiap produk di halaman secara lengkap, setiap klaim, setiap ulasan, setiap poin, melakukan analisis niat terhadap apa yang sebenarnya Anda butuhkan, dan memberikan empat atau lima rekomendasi. Anda tetap memilih satu, tetapi agen sudah melakukan pekerjaan perbandingan yang dulu dilakukan manusia dengan menelusuri. Di sisi merek, agen mengoptimalkan konten PDP berdasarkan apa yang dicari konsumen dan agen mereka, memutuskan produk mana yang akan ditawar, dan membantu mengelola merchandising. Peritel berada di tengah lingkaran itu dan mengontrol seberapa banyak sinyal yang mengalir antara kedua sisi serta apa yang ditampilkan kepada siapa dan di bawah promosi apa. Lapisan data dan pengambilan keputusan itu semakin menjadi milik eksklusif peritel.

Penemuan produk kini melampaui pencarian kata kunci tradisional menuju asisten AI yang membandingkan produk, merangkum pilihan, dan memberikan rekomendasi. Bagaimana merek harus memikirkan kembali konten produk dan strategi rak digital ketika mereka semakin berupaya memperoleh rekomendasi dari agen AI daripada sekadar menempati peringkat tinggi dalam hasil pencarian?

Seorang manusia menelusuri halaman, membaca ringkasan ulasan, dan melihat beberapa gambar. Sebuah agen dapat membaca setiap piksel. Bahkan di dalam agen belanja, pertanyaan Anda dipecah menjadi kata kunci, kata kunci tersebut dicari, hasilnya diekstrak, setiap produk dibaca secara lengkap, dan kemudian algoritma niat memberi peringkat pada daftar pendek yang ditampilkan kepada Anda. Itu berarti konten harus berfungsi untuk pencarian tradisional dan juga untuk pembacaan tingkat piksel secara bersamaan, bukan salah satunya saja. Hal ini juga tergantung pada jenis agen yang Anda optimalkan. Agen belanja seperti Rufus, Sparky, dan Alexa Shopping adalah tempat pembelian aktual terjadi, dan yang menggerakkan hasil di sana adalah halaman produk itu sendiri serta setiap atribut dan klaim di dalamnya. Agen serbaguna seperti ChatGPT atau Perplexity berperilaku lebih seperti riset di bagian atas corong, dan yang membuat Anda disebut di sana lebih mirip dengan media yang diperoleh, kutipan, posting blog, dan tulisan pihak ketiga. Merek yang memperlakukan keduanya sebagai masalah yang sama akhirnya mengoptimalkan permukaan yang salah.

Istilah “agentic AI” kini diterapkan pada berbagai produk. Khususnya dalam ritel, apa yang membedakan agen AI sejati dari otomatisasi berbasis aturan tradisional atau platform analitik dengan antarmuka AI generatif yang ditumpangkan di atasnya?

Otomatisasi berbasis aturan adalah jika X terjadi, lakukan Y. Ia tidak memiliki kecerdasan, dan tidak dapat menangani apa pun yang tidak Anda program secara eksplisit. Antarmuka generatif di atas dasbor hanya membuat wawasan statis yang sama menjadi lebih mudah dibaca. Agen sejati dapat berpikir, merencanakan, mengeksekusi, dan kemudian terus-menerus menilai serta beradaptasi, seperti analis junior yang Anda latih. Anda memberi konteks, proses, pedoman, dan keputusan yang pernah Anda buat, dan ia mulai mengeksekusi terhadap tujuan alih-alih menunggu aturan berikutnya dipicu. Itu adalah tes yang sebenarnya saya gunakan: bisakah ia beroperasi seperti orang yang Anda latih, atau hanya versi lebih cepat dari sesuatu yang selalu statis?

Tim perdagangan biasanya memiliki orang yang memantau inventaris, harga, halaman produk, media ritel, kinerja pencarian, dan aktivitas kompetitif di ribuan produk. Celah operasional mana yang paling cocok untuk agen AI otonom saat ini, dan di mana penilaian manusia masih sulit digantikan?

Saya memikirkan ini sebagai matriks 2×2 tentang seberapa banyak penilaian yang dibutuhkan keputusan dan seberapa besar dampaknya. Pekerjaan dengan penilaian rendah diserahkan langsung kepada agen. Pekerjaan dengan penilaian tinggi atau dampak tinggi tetap melibatkan manusia yang memberikan panduan strategis dan mengaudit hasilnya. Dalam praktiknya, itu berarti memulai dengan SKU ekor panjang dan retailer ekor panjang, yang tidak disentuh siapa pun selama setahun, dan menempatkannya pada autopilot terlebih dahulu karena radius dampak kesalahan rendah. SKU utama dan retailer utama Anda tetap memiliki lapisan manusia, dan lapisan itu bukan hanya untuk audit; itu cara Anda melatih agen. Ketika Anda menemukan sesuatu yang salah, Anda memberi tahu agen apa yang seharusnya dilakukan dan mengapa, dan umpan balik itu yang membuatnya menjadi lebih baik seiring waktu, bukan sekadar konsisten medioker.

Agen khusus berpotensi menimbulkan masalah sendiri jika mereka mengoptimalkan tujuan terisolasi. Agen media mungkin meningkatkan iklan untuk produk yang stoknya hampir habis, sementara agen harga dapat meningkatkan konversi dengan mengorbankan margin. Bagaimana Anda memastikan banyak agen bekerja menuju tujuan komersial merek yang lebih luas, bukan sekadar mengoptimalkan metrik individual mereka?

Inilah mengapa kami membangun sebuah orkestrator, bukan sekumpulan agen independen. Milik kami disebut Ally, dan tujuannya adalah pertumbuhan penjualan, bukan metrik satu saluran saja. Ia menentukan di mana peluang dan risiko berada, menelusuri trade‑off, lalu menugaskan tugas spesifik kepada agen‑agen pekerja, media, konten, dan harga, serta berbagi informasi yang sama di antara mereka sehingga tidak ada yang mengoptimalkan secara terisolasi. Tanpa lapisan itu, Anda akan mengalami kegagalan seperti pada pertanyaan: agen media menghabiskan anggaran pada produk yang hampir habis stoknya karena tidak memiliki visibilitas terhadap inventaris.

Data ritel sering terfragmentasi di portal retailer, platform iklan, sistem inventaris, sistem informasi produk, dan alat analitik internal. Seberapa penting kualitas data dan penyatuan data untuk keberhasilan ritel berbasis agen, dan apakah memberi agen AI otonomi lebih besar membuat data yang buruk atau tidak lengkap menjadi lebih berbahaya?

Menyiapkan data dalam bentuk yang tepat, dengan struktur semantik yang nyata dan ontologi yang tepat, bukan sekadar umpan mentah yang berdampingan, adalah sebagian besar pekerjaan sebenarnya di sini. Banyak tim berpikir bahwa Anda dapat mengunggah sesuatu ke ChatGPT atau menempelkan agen di atas sistem yang sudah ada, dan yang Anda dapatkan adalah ketidakkonsistenan; kadang berhasil, kadang berhalusinasi, tanpa cara untuk mengandalkannya. Otonomi memperburuk hal itu, bukan memperbaikinya, karena manusia dengan data buruk biasanya menangkap kesalahan sebelum bertindak. Agen dengan data buruk langsung bertindak, dalam skala, sebelum ada yang menyadarinya.

Seiring merek menjadi lebih nyaman dengan agen AI, bagaimana mereka harus memutuskan tindakan mana yang dapat dijalankan secara otonom dan mana yang harus tetap memerlukan persetujuan manusia? Seperti apa progresi dari “AI merekomendasikan” ke “AI bertindak” dalam praktik?

Ini harus bergerak secara bertahap, bukan dalam satu lompatan. Sebagian besar tim memulai dengan sekitar 10 persen otomatis dan 90 persen memerlukan persetujuan. Seiring berjalannya umpan balik, ketika manusia memperbaiki agen dan agen mengintegrasikan perbaikan tersebut, kepercayaan tumbuh dan rasio itu beralih menjadi 20 dan 80, kemudian lebih jauh, baik pada volume tindakan maupun nilai apa yang diotomatisasi. Titik awal untuk progresi tersebut adalah pekerjaan dengan dampak rendah, SKU ekor panjang, dan pengecer yang tidak Anda kelola secara aktif, dan hal ini hanya meluas ke keputusan dengan dampak lebih tinggi dan penilaian lebih besar setelah rekam jejaknya memang ada.

Media ritel secara tradisional sangat berfokus pada metrik seperti pengembalian belanja iklan, tetapi kini terdapat minat yang meningkat untuk menentukan apakah iklan benar‑benar menghasilkan penjualan tambahan. Bagaimana AI dapat membantu merek membuat keputusan yang lebih baik tentang inkrementalitas, profitabilitas, dan ke mana dana iklan harus dialokasikan?

Merek dapat menjadi terlalu terpesona dengan pengukuran. Menjalankan studi inkrementalitas mendalam selama satu kuartal terdengar ketat, tetapi pasar biasanya sudah bergerak maju saat studi selesai. Saya lebih suka melihat tim membangun seperangkat heuristik praktis dan bertindak lebih cepat: jika Anda sudah peringkat tinggi secara organik, jangan menawar lebih; Anda membayar untuk penjualan yang akan Anda dapatkan pula. Jika Anda peringkat rendah secara organik, itulah saat pengeluaran iklan benar‑benar menghasilkan hasil. Jika ada audiens di pasar yang belum mengetahui produk Anda, belanjakan di sana untuk mendidik mereka. Berdebat tentang apakah satu dolar menghasilkan 1.48 atau 1.68 dolar secara inkremental hanyalah waktu yang terbuang tanpa tindakan. Menjangkau tindakan lebih cepat dan menerima bahwa angka tersebut akan tepat secara arah meskipun tidak sempurna adalah apa yang benar‑benar meningkatkan penjualan.

Jika agen AI sisi pembeli semakin banyak menangani penemuan, perbandingan, dan pembelian sementara agen sisi merek mengelola konten, harga, iklan, dan inventaris, pada akhirnya kita dapat memiliki mesin yang memengaruhi kedua sisi transaksi. Menurut Anda, seperti apa e‑commerce dalam lingkungan tersebut, dan apa yang pada akhirnya akan memisahkan merek yang berhasil dari yang menjadi tidak terlihat oleh sistem pembelian yang digerakkan AI ini?

Saya tidak berpikir kita akan menuju agen yang bertransaksi satu sama lain secara otonom dalam waktu dekat. Yang saya lihat justru adalah manusia dan agen berbelanja bersama di kedua sisi, agen melakukan pekerjaan perbandingan dan rekomendasi, manusia masih membuat keputusan akhir, dan pola yang sama di sisi merek, agen mengeksekusi sementara manusia menetapkan strategi dan menyetujui keputusan yang penting. Dalam dunia itu, produk fisik tetap harus bagus; tidak ada optimasi yang dapat menyelamatkan produk yang buruk. Lebih dari itu, pemisahnya adalah konteks: seberapa banyak konteks yang dimiliki agen tentang bisnis Anda, seberapa banyak yang telah dipelajarinya, dan seberapa banyak umpan balik yang diberikan kepadanya. Itulah yang membedakan agen yang membuat kesalahan bodoh dari yang benar‑benar memahami suara dan strategi merek Anda cukup untuk dipercaya membuat keputusan nyata. Merek yang berhasil adalah yang memperlakukan pemberian konteks yang baik kepada agen dan umpan balik yang berfungsi sebagai pekerjaan inti, bukan proyek sampingan, dan mereka yang melewatkan langkah itu akan menjadi tidak terlihat.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin belajar lebih lanjut sebaiknya mengunjungi CommerceIQ.