Jim Rowan, Amerikaans hoofd AI bij Deloitte – interviewreeks

Jim Rowan is hoofd AI voor de VS bij Deloitte en principal bij Deloitte Consulting LLP. Hij helpt organisaties hun ambities op het gebied van AI om te zetten in bedrijfsresultaten. Zijn loopbaan omvat bedrijfstechnologie, analytics, data en digitale transformatie. Hij heeft ervaring in de life sciences, de gezondheidszorg en de telecommunicatie. Hij heeft leidinggevende functies bekleed binnen Deloitte’s Strategy & Analytics- en AI & Data-praktijken. Ook houdt hij zich bezig met de ontwikkeling van het talent en de capaciteiten die organisaties nodig hebben om AI toe te passen.

Deloitte is een organisatie voor professionele dienstverlening die consultancy, audit- en assurancediensten, belastingdiensten en adviesdiensten aanbiedt. In het AI-werk brengt Deloitte strategie, data, technologie, talent en governance samen om bedrijven te helpen AI in hun bedrijfsvoering toe te passen en op te schalen. In de digitale handel omvat dat onder meer het geschikt maken van productinformatie en bedrijfssystemen voor AI-agenten, het verbinden van klantervaringen via verschillende kanalen en het invoeren van de benodigde identiteits-, autorisatie- en vertrouwenscontroles voor geautomatiseerde interacties en transacties.

Je werkt al meer dan twintig jaar bij Deloitte op het gebied van bedrijfstechnologie, analytics en data, en nu ook AI. Wanneer werd het vanuit jouw perspectief duidelijk dat AI-agenten niet alleen de interne bedrijfsvoering zouden veranderen, maar ook een tussenpersoon zouden worden tussen bedrijven en hun klanten?

De afgelopen jaren heb ik de vooruitgang van AI van dichtbij meegemaakt, terwijl ik organisaties hielp bedrijfsdoelen om te zetten in meetbare resultaten die ooit onvoorstelbaar leken. Mijn achtergrond in data, processen en technologie vormt de basis van mijn inzicht in AI. Ik ben begonnen met het opbouwen van Deloitte’s capaciteiten rond het talent dat nodig is om succesvol met AI te werken. Een voorbeeld daarvan is onze AI Academy, die lesprogramma’s ontwikkelt voor zowel onze medewerkers als onze klanten.

Organisaties zetten AI-agenten momenteel op verschillende manieren in om hun strategie voor digitale handel te transformeren: ze vergroten de zichtbaarheid van merken, gebruiken personalisatie-engines om gesprekken te verbeteren en coördineren consistente omnichannelervaringen op fysieke, digitale en sociale contactmomenten. Dit kantelpunt komt op een moment waarop merken zich staande proberen te houden in een volatiele markt. Agentgestuurde handel biedt hun de kans om sneller, relevanter en consistenter op hun klanten in te spelen.

Je hebt het gehad over de noodzaak voor bedrijven om zich voor te bereiden op ‘optimalisatie voor agentgestuurd zoeken’. Hoe definieer je dat concept, en waarin verschilt optimaliseren voor een AI-agent fundamenteel van traditionele SEO of de nieuwere benaderingen voor het optimaliseren van content voor AI-antwoordmachines?

Traditioneel werd de online concurrentie om de aandacht van consumenten bepaald door Search Engine Optimization (SEO). Daarbij werd ervan uitgegaan dat aan het andere uiteinde van een zoekopdracht een mens zat die de resultaten las en beoordeelde en vervolgens een aankoopbeslissing nam. Nu consumenten steeds vaker AI-tools gebruiken om onderzoek te doen, is Generative Engine Optimization (GEO) geïntroduceerd. Optimalisatie voor agentgestuurd zoeken is een volgende ontwikkeling van GEO. Daarbij wordt rekening gehouden met het feit dat AI niet langer alleen producten of diensten aanbeveelt, maar ook handelt op basis van aankoopbeslissingen. Die verschuiving betekent dat merken niet alleen moeten optimaliseren voor generatieve AI, die voornamelijk aanbevelingen aan de eindgebruiker doet, maar ook voor agentische AI, die is ontworpen om taken uit te voeren en systemen te coördineren, workflows uit te voeren en transacties in gang te zetten.

Op welke signalen denkt u dat een AI-agent het meest zal letten wanneer die wordt gevraagd producten of diensten te onderzoeken, vergelijken en op een shortlist te zetten? Worden gestructureerde productgegevens, prijzen, recensies, berichtgeving door derden en de autoriteit van een merk belangrijker, of ontstaat er een geheel nieuwe reeks signalen?

Welke merken in aanmerking komen voor een AI-agent, hangt af van hun zichtbaarheid en relevantie. De voorkeur zal uitgaan naar merken waarvan producten, diensten, prijzen en gegevens toegankelijk, machinaal leesbaar en direct verifieerbaar zijn. Consistentie tussen platforms, beoordelingen en recensies en de autoriteit van een merk blijven belangrijk, maar deze signalen moeten ook worden omgezet in gegevens die een agent kan verwerken. Ook persoonlijke context zal ertoe doen: agenten die namens klanten handelen, hebben betrouwbare toegang nodig tot de voorkeuren en toestemmingen van die persoon en tot eerdere interacties, om de meest relevante aanbevelingen te kunnen doen. Naast de signalen zelf zal ook de snelheid waarmee organisaties hun gegevens leesbaar, begrijpelijk, betrouwbaar en kwantificeerbaar maken in termen die een agent kan vergelijken, een onderscheidende factor voor het merk zijn.

Een uitdaging is dat er uiteindelijk duizenden consumenten- en bedrijfsagenten kunnen zijn, gebouwd op verschillende modellen en gekoppeld aan verschillende gegevensbronnen. Hoe kan een bedrijf in dat gefragmenteerde ecosysteem correct worden weergegeven en vindbaar blijven, zonder voor elke afzonderlijke agent te proberen optimaliseren?

De focus van organisaties moet liggen op het creëren van een betrouwbare, machineleesbare basis die elke agent kan raadplegen en interpreteren, in plaats van op optimalisatie voor afzonderlijke agenten. Dat betekent dat ze via gezaghebbende bronnen verifieerbare, betrouwbare en actuele informatie over producten, prijzen en beleid publiceren. Alleen vindbaarheid is waarschijnlijk niet voldoende, omdat agenten namens consumenten zullen gaan handelen. Daardoor neemt de behoefte toe aan systemen die identiteitsverificatie, bevestiging van geschiktheid en veilige transacties mogelijk maken. In het inmiddels gefragmenteerde ecosysteem van agenten komt het merk dat zijn informatie het gemakkelijkst begrijpelijk en toegankelijk maakt, bovenaan in de zoekresultaten te staan. Bedrijven moeten echter vermijden hun systemen rond één protocol op te bouwen, omdat deze protocollen nog in ontwikkeling zijn en nog niet duidelijk is welk protocol dominant zal worden. Daarom is het belangrijk om interoperabiliteit mogelijk te maken en systemen zo te ontwerpen dat protocollen snel kunnen worden ingevoerd of vervangen naarmate het ecosysteem zich ontwikkelt.

Als handel zich ontwikkelt van business-to-consumer naar business-to-agent-to-business, wat verandert er dan op technisch niveau? Moeten bedrijven hun websites, API’s, productcatalogi, identiteitssystemen of andere infrastructuur herzien, zodat agenten er rechtstreeks mee kunnen communiceren?

Ja, organisaties moeten hun huidige systemen herzien en opnieuw vormgeven om de juiste technische architectuur op te bouwen voor B2B-handel via agenten. Dat gebeurt niet van de ene op de andere dag; gezien de hoeveelheid werk en de omvang van de benodigde veranderingen kost het tijd. Op dit moment ontwikkelen mogelijkheden voor het ontdekken van producten en betalen zich sneller dan de besluitvorming, waarbij bedrijven nog vertrouwen moeten opbouwen om agenten binnen vastgestelde kaders keuzes te laten maken. CIO’s, CTO’s en CISO’s moeten zich richten op schaalbare integratieplatforms met een lage latentie, ondersteund door sterke partnerschappen op het gebied van technologie en systeemintegratie. In plaats van het hele systeem te vernieuwen, kunnen leidinggevenden beter nagaan welke systemen met agenten kunnen worden verbonden, vaststellen welke systemen daarvoor nog niet geschikt zijn en eenvoudige taken testen in afgeschermde omgevingen. Ook is het belangrijk dat mensen eigenaar blijven van de transactie. Bedrijven moeten daarom flexibele trajecten creëren waarin klanten gemakkelijk kunnen wisselen tussen interacties onder leiding van een agent en interacties onder leiding van een persoon, zonder de menselijke ervaring aan te tasten in het streven naar automatisering. Na verloop van tijd kunnen organisaties doorgroeien naar de bouw van een platform dat meerdere agenten beheert, verouderde systemen upgraden of aansluiten voor toegang door agenten en geavanceerde beveiliging met realtime monitoring invoeren.

Traditionele digitale marketing is sterk geoptimaliseerd voor rankings, vertoningen, klikken en websiteverkeer. Als agenten steeds vaker onderzoek doen voordat iemand een website bezoekt, welke nieuwe statistieken moeten bedrijven dan gebruiken om te bepalen of ze daadwerkelijk zichtbaar en concurrerend zijn in het aankooptraject dat door agenten wordt ondersteund?

Historisch gezien werd succes gemeten aan de hand van het vermogen om de aandacht en uiteindelijk het vertrouwen van consumenten te winnen. Naarmate agenten een groter deel van het aankooptraject voor hun rekening nemen, hebben organisaties nieuwe manieren nodig om te meten of hun merken zichtbaar en relevant zijn en uiteindelijk worden gekozen. Daarbij hoort ook dat de ontwikkeling van merkgebonden agenten wordt gekoppeld aan prestatiemeting: er wordt beoordeeld of een agent het merk onder de aandacht brengt, in aanmerking komende aanbiedingen herkent en een transactie succesvol afrondt. Merken moeten zich richten op hun kopers en niet op hun concurrenten wanneer ze bepalen waarin ze investeren of welke veranderingen ze in de klantervaring aanbrengen. Daarbij moeten ze bijhouden hoe klanten producten ontdekken en op welke momenten ze afhaken of juist blijven. Deze statistieken kunnen merken niet alleen helpen hun waardeproposities te onderscheiden, maar ook het rendement op investeringen (ROI) aantonen met meetbare resultaten die de klantloyaliteit en operationele uitmuntendheid versterken.

AI-agenten kunnen een bedrijf samenvatten, het met concurrenten vergelijken en mogelijk aanbevelingen doen, zonder dat het bedrijf rechtstreeks invloed heeft op de manier waarop het wordt voorgesteld. Hoe moeten merken onjuiste of verouderde informatie opsporen en een gezaghebbende bron opzetten waarop agenten betrouwbaar kunnen vertrouwen?

Net als in elke andere sector is het controleren van productgegevens cruciaal om de vindbaarheid via agenten op verschillende kanalen op peil te houden. Merken moeten ook Model Context Protocol (MCP) overwegen als een belangrijke factor: dit creëert een gecontroleerde omgeving waarin gegevens, tools en context veilig worden gedeeld met externe winkelagenten en platforms. De combinatie van gestructureerde gegevens en MCP kan interacties tussen agenten mogelijk maken, de interoperabiliteit verbeteren, merkgegevens nauwkeurig weergeven en ervoor zorgen dat deze gegevens de juiste prioriteit krijgen. Omdat protocollen nog in ontwikkeling zijn en nog niet duidelijk is welk protocol het populairst zal worden, moeten bedrijven hun systemen ook hier flexibel ontwerpen. Zo kunnen ze snel verbinding maken met nieuwe standaarden, ertussen wisselen en ze invoeren naarmate het ecosysteem zich ontwikkelt.

Naarmate agenten zich niet langer beperken tot het aanbevelen van producten, maar ook acties gaan uitvoeren, zoals offertes aanvragen, voorwaarden onderhandelen of aankopen doen, hoe belangrijk worden infrastructuur voor identiteit, autorisatie en vertrouwen dan? Hoe kan een bedrijf een legitieme klantagent onderscheiden van een geautomatiseerd systeem dat het niet moet vertrouwen?

Handel tussen agenten brengt nieuwe risico’s met zich mee, omdat transacties snel en zonder menselijke betrokkenheid kunnen plaatsvinden. Daarom zijn menselijke tussenkomst en de mogelijkheid om gedurende het hele proces over te schakelen cruciaal. Voor handel via agenten zijn nieuwe vormen van fraudepreventie, strategische financiële beheersmaatregelen en gerichte rapportagekaders nodig die specifiek zijn ontwikkeld voor activiteiten die door machines worden gestart.

Op korte termijn moeten organisaties hun AI-agenten behandelen als werknemers, met duidelijk omschreven verantwoordelijkheden, beheerde toegang en heldere verantwoordingsplicht. Ook hebben ze protocollen nodig om te controleren of agenten legitiem zijn, betalingen goed te keuren en transactiedrempels, API-machtigingen en andere operationele waarborgen af te dwingen.

Het is ook mogelijk dat reclame en betaalde plaatsingen met consumenten meegaan naar het ecosysteem van AI-agenten. Hoe denkt u dat commerciële prikkels zich zullen ontwikkelen wanneer een AI-agent namens iemand producten aanbeveelt, en welke transparantie is nodig om mensen vertrouwen te geven in die aanbevelingen?

We zien nu al dat kapitaal wordt verlegd naar handel via AI-agenten. Naar verwachting zullen Amerikaanse adverteerders ongeveer $26 miljard besteden aan AI-zoekadvertenties in 2029. Het is onvermijdelijk dat commerciële prikkels zullen moeten veranderen wanneer bedrijven bepalen of promoties en prijzen die via hun eigen kanalen worden aangeboden ook gelden in omgevingen met AI-agenten. Een deel van die ontwikkeling vereist expliciete regels voor de manier waarop agenten omgaan met prijzen en promoties. Zonder waarborgen kunnen agenten aankopen uitvoeren op basis van de prijzen die op het moment van de transactie gelden, wat onbedoeld kan leiden tot het toepassen van promotie- en prijsniveaus en tot margeverlies. Bedrijven moeten beleid invoeren dat aansluit bij wereldwijde normen voor privacy en gegevens, en bij door mensen beheerde, vooraf goedgekeurde parameters voor elke klant.

Ondanks de toenemende automatisering hebt u benadrukt dat menselijk oordeel centraal zal blijven staan bij aankoopbeslissingen. Waar ligt volgens u de grens tussen beslissingen die consumenten met een gerust hart aan agenten zullen overlaten en beslissingen waarbij mensen zelf onderzoek willen doen, opties willen vergelijken en de uiteindelijke keuze willen maken?

De grens hangt af van wat er op het spel staat en hoeveel vertrouwen de consument in de agent heeft. Mensen zullen er mogelijk geen moeite mee hebben om routineaankopen met lage kosten uit handen te geven als hun voorkeuren duidelijk zijn en de gevolgen van een verkeerde keuze beperkt blijven. Bij beslissingen over grote uitgaven, gevoelige informatie of contractuele verplichtingen zullen ze waarschijnlijk meer inzicht willen en de uiteindelijke goedkeuring zelf willen geven. Consumenten zullen meer vertrouwen in een merk krijgen zodra drempels worden weggenomen. Het moet daarom eenvoudig zijn te begrijpen wat er gebeurt en erop te vertrouwen dat de transactie wordt uitgevoerd zoals bedoeld en veilig verloopt. Merken moeten consumenten dan ook duidelijk laten bepalen wat een agent zelfstandig mag doen, wanneer die om toestemming moet vragen en hoe gemakkelijk de acties ervan kunnen worden gecontroleerd of teruggedraaid.

Hartelijk dank voor het geweldige interview. Lezers die meer willen weten over handel via AI-agenten, door AI aangedreven vindbaarheid en de vertrouwensinfrastructuur achter geautomatiseerde aankopen, kunnen terecht bij Deloitte.