Himanshu Jain, mede-oprichter en hoofd van Producten bij CommerceIQ – Interviewserie

Himanshu Jain, mede-oprichter en hoofd van Producten bij CommerceIQ, leidt de productstrategie en -ontwikkeling met een focus op het bouwen van AI‑agenten die complexe retail‑ en e‑commerce‑werkstromen automatiseren. Sinds hij CommerceIQ in 2017 mede-oprichtte, heeft hij de aanpak van het bedrijf vormgegeven om data, automatisering en AI toe te passen op digitale handel. Voor CommerceIQ bekleedde Jain leidinggevende functies op het gebied van productstrategie, business development en klantensucces bij Boomerang Commerce, waar hij samenwerkte met grote retailers op het gebied van prijsstelling, assortiment en groeistrategieën voor e‑commerce. Eerder in zijn loopbaan was hij managementconsultant bij A.T. Kearney en werkte hij bijna vijf jaar bij Capital One UK in productmanagement, kredietrisico, marketingstrategie, analytics en statistische modellering. Hij heeft ook startups geadviseerd over go‑to‑market‑strategieën en artikelen bijgedragen over Amazon en e‑commerce aan Marketing Land.

CommerceIQ is een AI‑aangedreven retail‑commerceplatform dat consumentenmerken helpt hun prestaties te beheren en te optimaliseren over e‑commercekanalen. Het platform brengt verkoop, retailmedia, digitale schappen, content, voorraad en concurrentiegegevens samen, waardoor teams een eenduidig overzicht krijgen van prestaties over meer dan 1.500 retailers en 85 landen. CommerceIQ heeft zich steeds meer gericht op agent‑AI via zijn AllyAI‑technologie, met gespecialiseerde agenten die retail‑signalen kunnen analyseren, acties kunnen aanbevelen, rapportage kunnen automatiseren, advertentiebiedingen en -budgetten kunnen optimaliseren, en geselecteerde e‑commerce‑werkstromen kunnen uitvoeren binnen gedefinieerde controles. Het bedrijf positioneert deze benadering als een verschuiving van dashboard‑gedreven retailmanagement naar continue, AI‑ondersteunde uitvoering over verkoop, media, content en de digitale schappen.

U heeft meer dan een decennium gewerkt in productmanagement, klantensucces, business development en meer voordat u CommerceIQ mede-oprichtte. Wat bracht u ertoe om aan agent‑retail te gaan werken, en welke lessen uit die eerdere technologische transities hebben uw kijk hierop gevormd?

De meeste software vóór agent‑AI was ontworpen om het werk van een mens sneller te maken. Excel helpt je sneller een model te bouwen. Een dashboard helpt je sneller een beslissing te nemen. Wat er veranderde met agent‑retail is dat software nu het werk zelf kan uitvoeren, niet alleen versnellen hoe een mens het doet. Een agent kan jouw omgeving leren kennen op dezelfde manier als een nieuwe medewerker. Je processen, je interne richtlijnen, hoe je daadwerkelijk beslissingen neemt, en vervolgens end‑to‑end naar een doel handelt, met een mens die context biedt en de output controleert in plaats van elke stap uit te voeren. Dat is een volledig andere categorie software dan alles waarmee ik eerder werkte in productmanagement of klantensucces, en daarom vind ik dit de meest fundamentele technologische verschuiving die ik heb gezien, geen incrementele. Het tempo is ook ongeëvenaard. Smartphones hebben jaren nodig gehad om alomtegenwoordig te worden. Agent‑AI heeft de manier waarop hele industrieën werken veranderd en vertraagt niet. De les uit eerdere transities die ik het meest serieus neem, is dat mensen die vanuit het verleden projecteren hier de verkeerde keuzes maken. De aanpak die ik het beste vind, is een open geest houden, zelf de handen uit de mouwen steken en leren van wat er nu daadwerkelijk gebeurt in plaats van van wat er in de vorige cyclus gebeurde.

U heeft een onderscheid gemaakt tussen “agent‑commerce”, waarbij consumenten AI‑agenten gebruiken om producten te ontdekken en aan te schaffen, en “agent‑retail”, waarbij merken agenten inzetten om te beheren hoe ze verkopen. Naarmate beide kanten steeds meer geautomatiseerd worden, hoe ziet u de relatie tussen consumenten, merken en retailers veranderen?

Retail‑ontdekking heeft een paar echte verschuivingen doorgemaakt. In de jaren ’80 en ’90 waren het circularen per post, een winkel die beslist wat te belichten, en een mens die daaruit kiest. Amazon creëerde de eindeloze gangpad. Elke zoekopdracht op een trefwoord werd een eigen onbeperkte schap, maar een mens las nog steeds titels, bladerde door beoordelingen en maakte de keuze alleen. Wat nu verandert, is dat mensen en agenten samen kopen. Je geeft een intentie aan; een agent kan elk product op de pagina volledig lezen, elke claim, elke beoordeling, elk bullet‑point, een intentie‑analyse uitvoeren op wat je echt nodig hebt, en je vier of vijf aanbevelingen geven. Je kiest er nog steeds één, maar de agent heeft al het vergelijkingswerk gedaan dat een mens vroeger deed door te bladeren. Aan de merkzijde optimaliseren agenten PDP‑content op basis van wat consumenten en hun agenten zoeken, bepalen welke producten geboden worden, en helpen bij het beheren van merchandising. De retailer zit in het midden van die lus en bepaalt hoeveel signaal tussen de twee kanten stroomt en wat aan wie en onder welke promotie wordt getoond. Die data‑ en besluitvormingslaag wordt steeds meer eigendom van de retailer.

Productontdekking gaat verder dan traditionele trefwoordzoekopdrachten naar AI‑assistenten die producten vergelijken, opties samenvatten en aanbevelingen doen. Hoe moeten merken hun productinhoud en digitale schap‑strategie heroverwegen wanneer ze steeds meer proberen een aanbeveling van een AI‑agent te verdienen in plaats van simpelweg hoog te scoren in een zoekresultaat?

Een mens bladert snel door een pagina, leest een samenvatting van een recensie en bekijkt een paar afbeeldingen. Een agent kan elke pixel lezen. Zelfs binnen een winkelagent wordt je vraag opgesplitst in trefwoorden, die trefwoorden worden gezocht, de resultaten worden geëxtraheerd, elk product wordt volledig gelezen, en vervolgens rangschikt een intentie‑algoritme de shortlist die aan je wordt getoond. Dat betekent dat content zowel voor traditionele zoekopdrachten als voor dat pixel‑niveau lezen moet werken, niet het een of het ander. Het maakt ook uit voor welk type agent je optimaliseert. Winkelagents zoals Rufus, Sparky en Alexa Shopping zijn waar daadwerkelijke aankopen worden afgerond, en wat daar de doorslag geeft, is de productpagina zelf en elk attribuut en elke claim daarop. Algemene agents zoals ChatGPT of Perplexity gedragen zich meer als onderzoek aan de bovenkant van de trechter, en wat je daar een vermelding oplevert, is meer vergelijkbaar met verdiende media, citaten, blogposts en externe beschrijvingen. Merken die die twee als hetzelfde probleem beschouwen, eindigen met optimaliseren voor het verkeerde oppervlak.

De term “agentic AI” wordt nu toegepast op een breed scala aan producten. In de detailhandel specifiek, wat onderscheidt een echte AI‑agent van traditionele regelgebaseerde automatisering of een analytics‑platform met een generatieve AI‑interface er bovenop?

Regelgebaseerde automatisering is: als X gebeurt, doe Y. Het heeft geen intelligentie en kan niets afhandelen waarvoor je het niet expliciet geprogrammeerd hebt. Een generatieve interface bovenop een dashboard maakt dezelfde statische inzichten alleen makkelijker leesbaar. Een echte agent kan denken, plannen, uitvoeren en vervolgens continu beoordelen en aanpassen, zoals een junior‑analist die je hebt getraind. Je geeft het context, je processen, je richtlijnen en de beslissingen die je eerder hebt genomen, en het begint uit te voeren tegen een doel in plaats van te wachten tot de volgende regel wordt geactiveerd. Dat is de test die ik daadwerkelijk gebruik: kan het opereren zoals een persoon die je hebt getraind, of is het slechts een snellere versie van iets dat altijd statisch was?

Commerce‑teams hebben traditioneel mensen die voorraad, prijzen, productpagina’s, retail‑media, zoekprestaties en concurrentie‑activiteit over duizenden producten monitoren. Welke van deze operationele hiaten zijn vandaag het best geschikt voor autonome AI‑agents, en waar blijft menselijk oordeel moeilijk te vervangen?

Ik zie dit als een 2×2 van hoeveel oordeel een beslissing vereist en hoeveel impact die heeft. Werk met weinig oordeel wordt rechtstreeks aan de agent overgedragen. Werk met veel oordeel of hoge impact behoudt een mens die strategische begeleiding biedt en de uitkomst controleert. In de praktijk betekent dat dat je begint met je long‑tail SKU’s en long‑tail retailers, de producten die al een jaar niemand heeft aangeraakt, en die eerst op autopilot zet, omdat de impact van een fout klein is. Je top‑SKU’s en top‑retailers behouden een menselijke laag, en die laag is niet alleen voor audit; het is hoe je de agent traint. Wanneer je iets oppikt, vertel je de agent wat het had moeten doen en waarom, en die feedback maakt hem na verloop van tijd beter in plaats van consequent middelmatig.

Gespecialiseerde agents kunnen potentieel hun eigen problemen creëren als ze optimaliseren voor geïsoleerde doelstellingen. Een media‑agent zou de reclame voor een product kunnen verhogen dat bijna uitverkocht is, terwijl een prijs‑agent de conversie kan verbeteren ten koste van de marge. Hoe zorg je ervoor dat meerdere agents werken aan de bredere commerciële doelen van het merk in plaats van alleen hun individuele metrics te optimaliseren?

Dit is precies waarom we een orchestrator hebben gebouwd in plaats van een reeks onafhankelijke agents. De onze heet Ally, en het doel is omzetgroei, niet de metric van één enkel kanaal. Het bepaalt waar de kansen en risico’s liggen, werkt de afwegingen uit, en wijst vervolgens specifieke taken toe aan de werk‑agents, media, content en prijs, waarbij dezelfde informatie over alle agents wordt gedeeld zodat niemand in isolatie optimaliseert. Zonder die laag krijg je precies de faalmodus die in de vraag wordt beschreven: een media‑agent die uitgeeft aan een product dat bijna uitverkocht is omdat hij geen zicht heeft op de voorraad.

Retail‑data is vaak gefragmenteerd over retailer‑portalen, advertentieplatformen, voorraadsystemen, product‑informatiesystemen en interne analytics‑tools. Hoe belangrijk is datakwaliteit en data‑unificatie voor succesvolle agentic retail, en maakt het geven van meer autonomie aan AI‑agents slechte of onvolledige data gevaarlijker?

Data in de juiste vorm krijgen, met echte semantische structuur en een correcte ontologie, niet alleen ruwe feeds die naast elkaar staan, is het grootste deel van het werk hier. Veel teams denken dat je iets kunt uploaden naar ChatGPT of een agent kunt koppelen aan bestaande systemen, en dat je dan inconsistente resultaten krijgt; soms werkt het, soms hallucineert het, zonder dat je erop kunt vertrouwen. Autonomie maakt dat erger, niet beter, omdat een mens met slechte data meestal de fout opmerkt voordat hij erop handelt. Een agent met slechte data handelt er meteen op, op schaal, voordat iemand het merkt.

Naarmate merken zich meer op hun gemak voelen met AI‑agents, hoe moeten ze bepalen welke acties autonoom kunnen worden uitgevoerd en welke nog steeds menselijke goedkeuring vereisen? Hoe ziet de voortgang van “AI beveelt aan” naar “AI handelt” er in de praktijk uit?

Het moet geleidelijk verlopen, niet in één sprong. De meeste teams beginnen met ongeveer 10 procent geautomatiseerd en 90 procent dat goedkeuring vereist. Naarmate de feedbacklus draait, terwijl mensen de agent corrigeren en de agent die correctie opneemt, groeit het vertrouwen en verschuift die verhouding naar 20 procent en 80 procent, en daarna verder, zowel in het volume van acties als in de waarde van wat geautomatiseerd wordt. Het startpunt voor die voortgang is het werk met een lage impact, long‑tail‑SKU’s en retailers die je toch niet actief beheerde, en het reikt alleen uit naar beslissingen met hogere impact en meer oordeel zodra het trackrecord er daadwerkelijk is.

Retail media is traditioneel sterk gericht op meetwaarden zoals return on ad spend, maar er is groeiende belangstelling om te bepalen of reclame daadwerkelijk incrementele verkopen genereert. Hoe kan AI merken helpen betere beslissingen te nemen over incrementaliteit, winstgevendheid en waar advertentiebudgetten moeten worden toegewezen?

Merken kunnen te verliefd worden op meten. Het uitvoeren van een diepgaande incrementaliteitsstudie voor een kwartaal klinkt grondig, maar de markt is meestal al verder gegaan tegen de tijd dat de studie klaar is. Ik zie liever dat teams een reeks praktische heuristieken opstellen en er sneller op handelen: als je organisch al hoog scoort, bied dan niet meer; je betaalt voor een verkoop die je toch al zou hebben gekregen. Als je organisch laag scoort, is dat het moment waarop de advertentie-uitgaven hun nut bewijzen. Als er een doelgroep in de markt is die niet weet dat je product bestaat, besteed dan daar om hen te onderwijzen. Discussies over of een dollar 1.48 of 1.68 dollar incrementeel oplevert, is tijd die niet wordt besteed aan actie. Sneller tot actie komen en accepteren dat het getal richtinggevend juist is in plaats van perfect precies, is wat de verkoop echt beweegt.

Als AI‑agents aan de kant van de shopper steeds meer ontdekking, vergelijking en aankoop afhandelen, terwijl agents aan de kant van het merk content, prijzen, reclame en voorraad beheren, zouden we uiteindelijk machines kunnen hebben die beide zijden van een transactie beïnvloeden. Hoe denk je dat e‑commerce eruitziet in die omgeving, en wat zal uiteindelijk de merken die winnen scheiden van diegenen die onzichtbaar worden voor deze AI‑gedreven aankoop‑systemen?

Ik denk niet dat we binnenkort agents zien die autonoom onderling transacties uitvoeren. Wat ik in plaats daarvan zie, is dat mensen en agents samen kopen aan beide kanten, agents die het vergelijkings‑ en aanbevelingswerk doen, mensen die nog steeds de uiteindelijke beslissing nemen, en hetzelfde patroon aan de merkzijde, agents die uitvoeren terwijl mensen de strategie bepalen en de belangrijke beslissingen goedkeuren. In die wereld moet het fysieke product nog steeds goed zijn; geen enkele optimalisatie redt een slecht product. Daarbuiten is de scheidslijn context: hoeveel context een agent heeft over jouw bedrijf, hoeveel hij heeft geleerd en hoeveel feedback hij heeft ontvangen. Dat is wat een agent die domme fouten maakt scheidt van een agent die je merkstem en -strategie echt voldoende begrijpt om te worden vertrouwd met echte beslissingen. De merken die winnen, zijn diegenen die het geven van goede context aan agents en een werkende feedbacklus als kernwerk beschouwen, niet als een nevenproject, en de merken die die stap overslaan, worden onzichtbaar.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op CommerceIQ.