Voordat er meer modellen zijn, heeft AI in commerce een infrastructuurrevolutie nodig

De implementatie van kunstmatige intelligentie in commerce verloopt in een opmerkelijk tempo. De investeringen in AI in de detailhandel nemen snel toe, met een markt die naar verwachting zal groeien van $11,6 miljard in 2024 tot meer dan $40 miljard in 2030.

Evenzo worden nieuwe modellen in snel tempo uitgebracht, leveranciers breiden hun mogelijkheden uit en retailers staan onder toenemende druk van raden van bestuur en investeerders om aan te tonen dat ze AI actief integreren in hun operaties.

Aan de oppervlakte ontstaat hierdoor de indruk van een sector die een snelle en beslissende transformatie ondergaat. Toch zijn de meeste van deze initiatieven gebaseerd op systemen die nooit zijn ontworpen om ze te ondersteunen.

De beperking ligt niet in de beschikbaarheid of kwaliteit van modellen. Het is de toestand van de infrastructuur eronder.

Bij de implementatie van AI zou het eerste budget niet moeten gaan naar AI zelf. Het zou moeten gaan naar wat we “data trust” noemen, wat data-infrastructuur is. Dit zijn verbindingen tussen systemen, gegevensdeduplicatie en real-time updates.

Als dit niet gebeurt, is dat de reden waarom AI in commerce faalt en waarom zoveel inspanningen beginnen met momentum, maar moeite hebben om dit om te zetten in duurzame resultaten. Om AI succesvol te implementeren, moeten we beginnen met de infrastructuur.

Daarentegen begint het gesprek in commerce zelf meestal een laag te hoog, met een focus op het kiezen van modellen of het identificeren van gebruikscases met een hoog potentieel. Wat veel minder aandacht krijgt, is of de onderliggende data-architectuur deze beslissingen op een zinvolle manier kan ondersteunen.

Als de onderliggende gegevens gefragmenteerd zijn, zal AI alleen maar outputs genereren die schadelijk of misleidend kunnen zijn.

Bij grotere organisaties wordt deze neiging versterkt door de behoefte om vooruitgang te signaleren. “Iets doen met AI” wordt een doel op zich, en het introduceren van een model is vaak de meest directe manier om dit te bereiken, ongeacht of het meetbare resultaten oplevert.

Op het niveau van de raad van bestuur nemen de verwachtingen rondom AI toe in de vorm van betere personalisatie en meetbare verbeteringen in efficiëntie en marge. Op systeemniveau houdt de gereedheid hiermee geen gelijke tred. Hoe langer deze kloof bestaat, hoe duurder het wordt om dit te corrigeren, omdat lagen technologie worden toegevoegd bovenop fundamenten die ongewijzigd blijven.

Wat “niet klaar voor AI” in de praktijk betekent

Een belangrijk probleem is het gebrek aan coherentie tussen systemen. Een enkele klant kan bijvoorbeeld tegelijkertijd bestaan in een ERP-platform, een e-commerce-omgeving en een offline- of loyaliteitssysteem, waarbij elke instantie verschillende geschiedenissen en aannamen heeft.

Productgegevens zijn, hoewel technisch compleet, beperkt in termen van het bieden van context die een model zou kunnen interpreteren of redeneren. Slechte gegevenskwaliteit alleen al wordt geschat op ongeveer $13 miljoen per jaar voor organisaties, wat aangeeft hoe fundamenteel deze beperkingen zijn geworden.

Mensen leren deze inconsistenties over tijd heen navigeren, informele bruggen bouwen tussen systemen. Een model daarentegen werkt strikt binnen de structuur die het krijgt, en de outputs die het genereert zijn dienovereenkomstig beperkt.

Als AI in deze omgeving wordt geïntroduceerd, is het resultaat niet een gebrek aan output, maar een geleidelijke achteruitgang in de kwaliteit ervan.

Een model kan gegevens verwerken en outputs produceren, maar het zal systemen niet zelf verbinden.

In de praktijk kan dit zich uiten als een personalisatiemotor die specifieke productaanbevelingen begint te doen die een klant categoriseren op manieren die niet overeenkomen met hun werkelijke voorkeuren of intenties.

In AI-gedreven systemen worden klantervaringen vaak preciezer, maar minder relevant.

Deze verschuiving van algemene relevantie naar specifieke irrelevantie kan schadelijker zijn dan het lijkt, omdat het de manier verandert waarop klanten de merk zelf waarnemen. In de ergste gevallen functioneren deze systemen niet alleen onder de maat, maar verlagen ze actief de klantervaring.

Waarom de meeste AI-piloten stilvallen en wat het kost

Deze dynamiek is een van de belangrijkste redenen waarom een groot deel van de AI-piloten in commerce niet verder komen dan experimenten. Branchecijfers geven aan dat slechts ongeveer de helft van de AI-initiatieven van pilot naar productie gaat, waardoor een aanzienlijk deel stilvalt op het experimentele stadium.

Het probleem is zelden het ontbreken van investeringen of intentie. De beperking ontstaat wanneer de outputs die door deze systemen worden gegenereerd, de schaal niet rechtvaardigen.

Op dat moment staan organisaties voor een keuze tussen het voortzetten van investeringen in optimalisatie of het initiatief helemaal opgeven. In veel gevallen kiezen ze voor het laatste, omdat de omgeving waarin het wordt geïmplementeerd, geen consistente resultaten kan ondersteunen.

Branchewijd worden dezelfde infrastructuurgaten herhaald. Klantgegevens blijven gefragmenteerd in plaats van geünificeerd. Productinformatie bestaat, maar ontbeert de diepgang die nodig is voor interpretatie. Systemen functioneren parallel in plaats van als een enkele, coherente stroom van informatie. Wanneer modellen in deze omgeving worden geïntroduceerd, schalen ze deze problemen.

De kosten van deze aanpak gaan verder dan directe uitgaven. Het manifesteert zich als een systeembrede opeenstapeling van aanbevelingen die niet converteren, personalisatie die inconsistent aanvoelt en automatisering die bestaande fouten versterkt.

Na verloop van tijd creëert dit een subtiele maar significante erosie van vertrouwen binnen de organisatie. Teams beginnen de betrouwbaarheid van de systemen die ze bouwen, in twijfel te trekken, en worden extra lagen technologie geïntroduceerd in een poging om te compenseren. Het resultaat is een vertraging in het bereiken van de duidelijkheid die nodig is om systemen te bouwen die werken.

De reden waarom veel bedrijven AI-piloten bouwen, maar nooit verder komen, is dat ze deze piloten bouwen op zwakke fundamenten, wat het koken met slechte ingrediënten is.

Je kunt een recept van Gordon Ramsay hebben en uitstekende apparatuur, maar als de ingrediënten slecht zijn, is het resultaat nog steeds negatief.

Het verschil tussen startups en grote ondernemingen

Kleinere organisaties, met name die in het middenmarktsegment, tonen vaak een grotere capaciteit om AI effectief te implementeren. Dit komt doordat hun systemen minder gefragmenteerd zijn en hun besluitvormingsprocessen directer zijn.

Bij grotere organisaties introduceert de structuur zelf potentiële hindernissen. Initiatieven worden vaak gedreven door de behoefte om te reageren op externe verwachtingen, en AI wordt een categorie die moet worden aangepakt in plaats van een capaciteit die zorgvuldig wordt geïntegreerd.

Zeggen “we willen AI implementeren” is als het aanzetten van elektriciteit in een fabriek zonder machines. De lichten gaan aan, maar de productie verbetert niet, omdat je hebt geïnvesteerd in technologie zonder te weten wat het eigenlijk doet.

De verschuiving van modellen naar infrastructuur

Een alternatieve aanpak begint vorm te krijgen onder organisaties die deze beperkingen rechtstreeks hebben ondervonden.

In plaats van het toewijzen van initiële budgetten aan AI-modellen, investeren ze in wat kan worden omschreven als “data trust”, wat de creatie is van een fundament waarin gegevens consistent, verbonden en continu bijgewerkt zijn. Het doel is om ervoor te zorgen dat de gegevens die worden gebruikt, zinvolle beslissingen kunnen ondersteunen.

Gegevensvoorbereiding kan tot 80% van de tijd in beslag nemen die wordt besteed aan machine learning-projecten, wat aangeeft hoeveel van het werk in de onderliggende datalaag zit en niet in de modellen zelf.

Dit proces begint meestal met een gedetailleerde kaart van bestaande systemen en de identificatie van gaten in gegevensstroom en -integriteit. De eerste 30 tot 60 dagen worden vaak besteed aan het begrijpen van hoe informatie zich verplaatst of niet verplaatst over de organisatie. Dit wordt gevolgd door een periode van integratie en standaardisatie, waarin gegevens worden schoongemaakt, gedupliceerd en uitgelijnd over platforms.

Over de volgende drie tot zes maanden richten bedrijven zich op het bouwen van betrouwbare gegevenspijpleidingen en het verbinden van hoogwaardige systemen op manieren die reële gebruikscases ondersteunen. Pas als dit fundament is gelegd, wordt het mogelijk om AI in workflows te introduceren die consistente, meetbare resultaten kunnen produceren.

Binnen een horizon van zes tot negen maanden beginnen organisaties die deze aanpak volgen, meestal significante resultaten te zien in de vorm van AI-gedreven processen die invloed hebben op metrics zoals conversie, retentie en margeverbetering. Op dat moment stoppen modellen met experimenteren en worden ze onderdeel van de operaties. Hun prestaties stabiliseren en hun outputs worden actiegericht tot het punt waarop teams erop kunnen vertrouwen.

De versnelling van AI-investeringen in commerce zal naar verwachting niet vertragen in de nabije toekomst. Wat onzeker blijft, is of de infrastructuurreadiness hiermee gelijke tred zal houden en het zal kunnen ondersteunen. De groeiende kloof tussen wat organisaties van AI verwachten en wat hun systemen kunnen ondersteunen, is al zichtbaar in het groeiende aantal piloten dat niet tot productie komt. Het aanpakken van deze kloof vereist een verschuiving in focus naar het bouwen van deze kritieke infrastructuur.

Het verplaatsen van het gesprek van modellen naar infrastructuur heeft niet dezelfde urgentie of zichtbaarheid. Maar het is waar veel van de huidige beperkingen zich bevinden. En het is hier waar de volgende fase van significante vooruitgang in AI-gedreven commerce waarschijnlijk zal ontstaan.

Er is een verschuiving in focus nodig naar het bouwen van deze kritieke infrastructuur. Het verplaatsen van het gesprek van modellen naar infrastructuur heeft niet dezelfde urgentie of zichtbaarheid. Maar het is waar veel van de huidige beperkingen zich bevinden. En het is hier waar de volgende fase van significante vooruitgang in AI-gedreven commerce waarschijnlijk zal ontstaan.