Himanshu Jain, Co-fondatore e Responsabile dei Prodotti presso CommerceIQ – Serie di Interviste

Himanshu Jain, co-fondatore e responsabile dei prodotti presso CommerceIQ, guida la strategia e lo sviluppo del prodotto con un focus sulla creazione di agenti IA che automatizzano flussi di lavoro complessi nel retail e nell’e‑commerce. Dal momento della fondazione di CommerceIQ nel 2017, ha contribuito a definire l’approccio dell’azienda all’applicazione di dati, automazione e IA al commercio digitale. Prima di CommerceIQ, Jain ha ricoperto ruoli di leadership nella strategia di prodotto, sviluppo commerciale e successo cliente presso Boomerang Commerce, dove ha collaborato con importanti rivenditori su strategie di prezzo, assortimento e crescita dell’e‑commerce. All’inizio della sua carriera è stato consulente manageriale presso A.T. Kearney e ha trascorso quasi cinque anni in Capital One UK, occupandosi di gestione del prodotto, rischio creditizio, strategia di marketing, analisi e modellazione statistica. Ha inoltre consigliato startup sulla strategia go‑to‑market e ha contribuito con articoli su Amazon e l’e‑commerce per Marketing Land.

CommerceIQ è una piattaforma di commercio al dettaglio potenziata dall’IA, progettata per aiutare i brand consumer a gestire e ottimizzare le loro performance su canali e‑commerce. La sua piattaforma aggrega dati di vendite, media retail, scaffale digitale, contenuti, inventario e concorrenza, offrendo ai team una visione unificata delle performance su più di 1.500 rivenditori in 85 paesi. CommerceIQ si è sempre più focalizzata sull’IA agentica tramite la tecnologia AllyAI, con agenti specializzati che possono analizzare segnali retail, raccomandare azioni, automatizzare report, ottimizzare offerte pubblicitarie e budget, ed eseguire workflow e‑commerce selezionati entro controlli definiti. L’azienda presenta questo approccio come una transizione dalla gestione retail basata su dashboard a un’esecuzione continua assistita dall’IA su vendite, media, contenuti e scaffale digitale.

Hai trascorso più di un decennio lavorando in gestione prodotto, successo cliente, sviluppo commerciale e altro prima di co-fondare CommerceIQ. Cosa ti ha spinto a entrare nel retail agentico e quali lezioni dalle precedenti transizioni tecnologiche hanno influenzato il tuo modo di vedere questa?

La maggior parte del software prima dell’IA agentica era progettata per rendere più veloce il lavoro umano. Excel ti aiuta a costruire un modello più rapidamente. Un cruscotto ti aiuta a prendere una decisione più velocemente. Ciò che è cambiato con il retail agentico è che il software può ora svolgere il lavoro da solo, non solo accelerare il modo in cui lo fa un umano. Un agente può apprendere il tuo ambiente come farebbe una nuova assunzione. I tuoi processi, le tue linee guida interne, il modo in cui prendi decisioni e poi agisci verso un obiettivo end‑to‑end, con un umano che fornisce contesto e verifica l’output anziché eseguire ogni passaggio. Questa è una categoria di software completamente diversa da tutto ciò con cui ho lavorato in precedenza nella gestione prodotto o nel successo cliente, ed è per questo che ritengo che questo sia il cambiamento tecnologico più fondamentale che abbia visto, non un miglioramento incrementale. Il ritmo è anche senza precedenti. Gli smartphone hanno impiegato anni per diventare ubiqui. L’IA agentica ha cambiato il funzionamento di interi settori e non sta rallentando. La lezione più importante dalle transizioni precedenti è che chi proietta dal passato prende decisioni sbagliate qui. L’approccio che ho trovato più efficace è mantenere una mente aperta, sporcarsi le mani e imparare da ciò che sta realmente accadendo ora, piuttosto che da ciò che è accaduto nell’ultimo ciclo.

Hai tracciato una distinzione tra “commerce agentico”, dove i consumatori usano agenti IA per scoprire e acquistare prodotti, e “retail agentico”, dove i brand usano agenti per gestire come vendono. Man mano che entrambi i lati diventano sempre più automatizzati, come vedi evolversi la relazione tra consumatori, brand e rivenditori?

La scoperta nel retail ha attraversato alcune vere trasformazioni. Negli anni ’80 e ’90, si trattava di cataloghi cartacei, di un negozio che decideva cosa mettere in evidenza e di un umano che sceglieva da quello. Amazon ha creato il corridoio infinito. Ogni ricerca per parola chiave è diventata una scaffalatura illimitata, ma un umano leggeva ancora i titoli, sfogliava le recensioni e prendeva la decisione da solo. Quello che sta cambiando ora è che umani e agenti acquistano insieme. Tu esprimi un’intenzione; un agente può leggere ogni prodotto sulla pagina nella sua interezza, ogni affermazione, ogni recensione, ogni punto elenco, eseguire un’analisi di intenti rispetto a ciò di cui hai realmente bisogno e offrirti quattro o cinque raccomandazioni. Tu scegli ancora una, ma l’agente ha già svolto il lavoro di comparazione che un umano faceva sfogliando. Dal lato del brand, gli agenti ottimizzano i contenuti delle pagine prodotto (PDP) in base a ciò che i consumatori e i loro agenti cercano, decidono su quali prodotti fare offerte e aiutano a gestire il merchandising. Il rivenditore si colloca al centro di questo ciclo e controlla quanta segnalazione fluisce tra le due parti e cosa viene mostrato a chi e sotto quale promozione. Quel livello di dati e decisioni sta diventando sempre più proprietario del rivenditore.

La scoperta dei prodotti sta passando dalle tradizionali ricerche per parole chiave agli assistenti IA che confrontano i prodotti, sintetizzano le opzioni e forniscono raccomandazioni. Come dovrebbero i brand ripensare i contenuti dei prodotti e la strategia dello scaffale digitale quando cercano sempre più di ottenere una raccomandazione da un agente IA piuttosto che limitarsi a posizionarsi in alto nei risultati di ricerca?

Un essere umano sfoglia una pagina, legge un riepilogo della recensione e guarda un paio di immagini. Un agente può leggere ogni pixel. Anche all’interno di un agente di shopping, la tua domanda viene suddivisa in parole chiave, quelle parole chiave vengono cercate, i risultati vengono estratti, ogni prodotto viene letto per intero e poi un algoritmo di intenti classifica la lista ristretta che ti mostra. Ciò significa che il contenuto deve funzionare sia per la ricerca tradizionale sia per quella lettura a livello di pixel contemporaneamente, non uno o l’altro. È anche importante a quale tipo di agente si sta ottimizzando. Gli agenti di shopping come Rufus, Sparky e Alexa Shopping sono quelli in cui si chiudono gli acquisti reali, e ciò che fa la differenza è la pagina prodotto stessa e ogni attributo e affermazione presenti. Gli agenti di uso generale come ChatGPT o Perplexity si comportano più come ricerche nella parte alta del funnel, e ciò che ti garantisce una menzione lì è più vicino ai media guadagnati, citazioni, post di blog e articoli di terze parti. I brand che trattano questi come lo stesso problema finiscono per ottimizzare la superficie sbagliata.

Il termine “agentic AI” viene ora applicato a una vasta gamma di prodotti. Nel retail, in particolare, cosa distingue un vero agente IA dall’automazione tradizionale basata su regole o da una piattaforma di analytics con un’interfaccia generativa IA sovrapposta?

L’automazione basata su regole è: se X accade, fai Y. Non ha intelligenza e non può gestire nulla che non sia stato programmato esplicitamente. Un’interfaccia generativa sopra un cruscotto rende semplicemente più facile leggere la stessa intuizione statica. Un vero agente può pensare, pianificare, eseguire e poi valutare e adattarsi continuamente, come un analista junior che hai formato. Gli fornisci contesto, i tuoi processi, le tue linee guida e le decisioni che hai preso in precedenza, e inizia a operare verso un obiettivo invece di attendere che scatti la prossima regola. Questo è il test che utilizzo realmente: può operare come farebbe una persona che hai addestrato, o è solo una versione più veloce di qualcosa che è sempre stato statico?

I team di commercio hanno tradizionalmente monitorato inventario, prezzi, pagine prodotto, media al dettaglio, performance di ricerca e attività competitiva su migliaia di prodotti. Quali di queste lacune operative sono oggi più adatte ad agenti IA autonomi e dove il giudizio umano rimane difficile da sostituire?

Lo penso come una matrice 2×2 che valuta quanto giudizio richiede una decisione e quanto impatto ha. I compiti a basso giudizio vengono affidati direttamente all’agente. I compiti ad alto giudizio o ad alto impatto mantengono un intervento umano che fornisce indicazioni strategiche e verifica il risultato. In pratica, ciò significa iniziare con i tuoi SKU a coda lunga e i retailer a coda lunga, quelli che nessuno ha toccato da un anno, e metterli in modalità autopilota prima, poiché il raggio d’azione di un errore è ridotto. I tuoi SKU principali e i retailer principali mantengono uno strato umano, e questo strato non serve solo per la verifica; è il modo in cui addestri l’agente. Quando individui qualcosa, gli spieghi cosa avrebbe dovuto fare e perché, e quel feedback è ciò che lo rende migliore nel tempo anziché semplicemente mediocri in modo costante.

Gli agenti specializzati possono potenzialmente creare i propri problemi se ottimizzano obiettivi isolati. Un agente media potrebbe aumentare la pubblicità per un prodotto che sta per esaurirsi, mentre un agente di pricing potrebbe migliorare la conversione a scapito del margine. Come garantire che più agenti lavorino verso gli obiettivi commerciali più ampi del brand anziché ottimizzare semplicemente le loro metriche individuali?

Questo è esattamente il motivo per cui abbiamo costruito un orchestratore anziché un insieme di agenti indipendenti. Il nostro si chiama Ally e il suo obiettivo è la crescita delle vendite, non la metrica di un singolo canale. Individua dove sono le opportunità e i rischi, valuta i compromessi e poi assegna compiti specifici agli agenti operativi – media, contenuti e pricing – condividendo le stesse informazioni tra tutti, così nessuno ottimizza in isolamento. Senza quel livello, si ottiene esattamente il caso di fallimento descritto nella domanda: un agente media spende per un prodotto che sta per esaurirsi perché non ha visibilità sull’inventario.

I dati retail sono spesso frammentati tra portali dei retailer, piattaforme pubblicitarie, sistemi di inventario, sistemi di informazioni prodotto e strumenti di analytics interni. Quanto è importante la qualità e l’unificazione dei dati per un retail agentico di successo, e dare maggiore autonomia agli agenti IA rende i dati scadenti o incompleti più pericolosi?

Mettere i dati nella forma corretta, con una struttura semantica reale e un’ontologia adeguata, non solo flussi grezzi affiancati, è la maggior parte del lavoro reale qui. Molti team pensano di poter caricare qualcosa su ChatGPT o collegare un agente sopra i sistemi esistenti, e quello che ottengono è incoerenza; a volte funziona, a volte allude a informazioni inesistenti, senza alcuna affidabilità. L’autonomia peggiora la situazione, non la migliora, perché un umano con dati errati di solito intercetta l’errore prima di agire. Un agente con dati errati agisce immediatamente, su larga scala, prima che qualcuno se ne accorga.

Man mano che i brand diventano più a loro agio con gli agenti IA, come dovrebbero decidere quali azioni possono essere eseguite autonomamente e quali dovrebbero continuare a richiedere l’approvazione umana? Come appare nella pratica la progressione da “AI consiglia” a “AI agisce”?

Dovrebbe avvenire gradualmente, non in un unico salto. La maggior parte dei team inizia con circa il 10 % automatizzato e il 90 % che richiede approvazione. Man mano che il ciclo di feedback si svolge, gli esseri umani correggono l’agente e l’agente incorpora tale correzione, la fiducia cresce e quella percentuale si sposta al 20 % e 80 %, poi oltre, sia per il volume delle azioni sia per il valore di ciò che viene automatizzato. Il punto di partenza per questa evoluzione è il lavoro a basso impatto, i SKU a coda lunga e i rivenditori che non gestivi attivamente comunque, e si estende solo a decisioni di maggiore impatto e giudizio una volta che il track record è effettivamente presente.

Il retail media è tradizionalmente stato fortemente incentrato su metriche come il ritorno sulla spesa pubblicitaria, ma cresce l’interesse nel determinare se la pubblicità sta effettivamente generando vendite incrementali. In che modo l’IA può aiutare i brand a prendere decisioni migliori sull’incrementalità, sulla redditività e su dove destinare i budget pubblicitari?

Le aziende possono innamorarsi troppo della misurazione. Condurre uno studio approfondito sull’incrementalità per un trimestre sembra rigoroso, ma il mercato di solito è già passato al termine dello studio. Preferirei vedere i team costruire un insieme di euristiche pratiche e agire su di esse più rapidamente: se sei già posizionato in alto organicamente, non fare offerte più alte; stai pagando per una vendita che avresti ottenuto comunque. Se sei posizionato in basso organicamente, è allora che la spesa pubblicitaria guadagna davvero il suo valore. Se esiste un pubblico di mercato che non conosce il tuo prodotto, investi lì per educarlo. Discutere se un dollaro ha restituito 1,48 o 1,68 dollari in termini incrementali è tempo speso a non agire. Arrivare all’azione più rapidamente e accettare che il numero sarà indicativamente corretto piuttosto che perfettamente preciso è ciò che realmente fa crescere le vendite.

Se gli agenti IA lato acquirente gestiscono sempre più la scoperta, il confronto e l’acquisto, mentre gli agenti lato brand gestiscono contenuti, prezzi, pubblicità e inventario, potremmo alla fine avere macchine che influenzano entrambi i lati di una transazione. Come immagini l’e‑commerce in quell’ambiente e cosa separerà alla fine i brand che vincono da quelli che diventano invisibili a questi sistemi di acquisto guidati dall’IA?

Non credo che ci stiamo dirigendo verso agenti che effettuano transazioni tra loro in modo autonomo nel prossimo futuro. Ciò che vedo invece è che umani e agenti acquistano insieme su entrambi i fronti, gli agenti svolgono il lavoro di confronto e raccomandazione, gli umani prendono ancora la decisione finale, e lo stesso schema si verifica dal lato del brand, con gli agenti che eseguono mentre gli umani definiscono la strategia e approvano le decisioni importanti. In quel contesto, il prodotto fisico deve comunque essere di buona qualità; nessuna ottimizzazione può salvare un prodotto scadente. Al di là di ciò, il fattore discriminante è il contesto: quanta conoscenza ha l’agente sul tuo business, quanto ha imparato e quante retroazioni ha ricevuto. Questo è ciò che distingue un agente che commette errori stupidi da uno che comprende realmente la voce e la strategia del tuo brand abbastanza da poter essere affidato a decisioni concrete. I brand che vincono sono quelli che considerano fornire agli agenti un buon contesto e un ciclo di feedback funzionante come lavoro fondamentale, non come progetto secondario, mentre chi salta questo passo è destinato a diventare invisibile.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare CommerceIQ.