Himanshu Jain, medgründer og produktansvarlig i CommerceIQ – Intervjuserie

Himanshu Jain, medgründer og produktansvarlig i CommerceIQ, leder produktstrategi og utvikling med fokus på å bygge AI‑agenter som automatiserer komplekse detaljhandels‑ og netthandelsarbeidsflyter. Siden han medgründet CommerceIQ i 2017, har han bidratt til å forme selskapets tilnærming til å anvende data, automatisering og AI i digital handel. Før CommerceIQ hadde Jain lederroller innen produktstrategi, forretningsutvikling og kundesuksess hos Boomerang Commerce, hvor han jobbet med store forhandlere om prisfastsettelse, sortiment og vekststrategier for netthandel. Tidligere i karrieren var han managementkonsulent i A.T. Kearney og tilbrakte nesten fem år i Capital One UK med produktledelse, kreditt‑risiko, markedsføringsstrategi, analyse og statistisk modellering. Han har også rådgitt oppstartsbedrifter om go‑to‑market‑strategi og bidratt med artikler om Amazon og netthandel til Marketing Land.

CommerceIQ er en AI‑drevet plattform for detaljhandel som er designet for å hjelpe forbrukermerker med å administrere og optimalisere ytelsen på tvers av netthandelsk kanaler. Plattformen samler salg, detaljhandelsmedia, digital hylle, innhold, lager og konkurransedata, og gir team en samlet oversikt over ytelse på mer enn 1 500 forhandlere og i 85 land. CommerceIQ har i økende grad fokusert på agentisk AI gjennom sin AllyAI‑teknologi, med spesialiserte agenter som kan analysere detaljhandelssignaler, anbefale handlinger, automatisere rapportering, optimalisere annonsebud og -budsjett, og utføre utvalgte netthandelsarbeidsflyter innen definerte kontroller. Selskapet posisjonerer denne tilnærmingen som et skifte fra dashbord‑drevet detaljhandelsstyring mot kontinuerlig, AI‑assistert gjennomføring på tvers av salg, media, innhold og den digitale hyllen.

Du har jobbet i mer enn et tiår med produktledelse, kundesuksess, forretningsutvikling og mer før du medgründet CommerceIQ. Hva fikk deg til å gå inn i agentisk detaljhandel, og hvilke lærdommer fra de tidligere teknologiovergangene har formet hvordan du ser på denne nå?

De fleste programvarer før agentisk AI var designet for å gjøre en menneskelig jobb raskere. Excel hjelper deg med å bygge en modell raskere. Et dashbord hjelper deg med å ta en beslutning raskere. Det som endret seg med agentisk detaljhandel er at programvaren nå kan utføre arbeidet selv, ikke bare fremskynde hvordan et menneske gjør det. En agent kan lære seg ditt miljø på samme måte som en nyansatt ville gjort. Dine prosesser, interne retningslinjer, hvordan du faktisk tar beslutninger, og deretter handler mot et mål fra start til slutt, med et menneske som gir kontekst og reviderer resultatet i stedet for å utføre hvert trinn. Det er en helt annen programvarekategori enn noe jeg har jobbet med tidligere i produktledelse eller kundesuksess, og det er derfor jeg mener dette er det mest grunnleggende teknologiskiftet jeg har sett, ikke et inkrementelt ett. Tempoet er også uten sidestykke. Smarttelefoner tok år før de ble allestedsnærværende. Agentisk AI har endret hvordan hele bransjer fungerer og bremser ikke. Lærdommen fra tidligere overganger som jeg tar mest på alvor, er at folk som projiserer fra fortiden gjør feil beslutninger her. Tilnærmingen jeg har funnet fungerer best, er å holde et åpent sinn, få seg skitten i arbeidet, og lære av det som faktisk skjer akkurat nå i stedet for det som skjedde i forrige syklus.

Du har trukket en skille mellom “agentic commerce,” der forbrukere bruker AI‑agenter for å oppdage og kjøpe produkter, og “agentic retail,” der merker bruker agenter for å styre hvordan de selger. Etter hvert som begge sider blir stadig mer automatiserte, hvordan ser du på forholdet mellom forbrukere, merker og forhandlere som endrer seg?

Oppdagelse i detaljhandelen har gjennomgått noen reelle skifter. På 80‑ og 90‑tallet var det kataloger i posten, en butikk som bestemte hva som skulle fremheves, og et menneske som valgte fra dette. Amazon skapte den endeløse hyllen. Hvert søkeord ble sin egen ubegrensede hylle, men et menneske leste fortsatt titler, skimmet anmeldelser og tok valget alene. Det som endrer seg nå, er at mennesker og agenter kjøper sammen. Du uttrykker en intensjon; en agent kan lese hvert produkt på siden i sin helhet, hvert påstand, hver anmeldelse, hvert punkt, kjøre en intensjonsanalyse mot det du faktisk trenger, og gi deg fire eller fem anbefalinger. Du velger fortsatt én, men agenten har allerede gjort sammenligningsarbeidet som et menneske pleide å gjøre ved å skumme. På merkets side optimaliserer agenter PDP‑innhold basert på hva forbrukere og deres agenter ser etter, bestemmer hvilke produkter som skal by på, og hjelper med å styre varepresentasjon. Forhandleren sitter i midten av denne sløyfen og kontrollerer hvor mye signal som flyter mellom de to sidene og hva som vises til hvem og under hvilken kampanje. Det datalaget og beslutningslaget blir stadig mer proprietært for forhandleren.

Produktoppdagelse beveger seg bort fra tradisjonelle søkeord‑søkelser mot AI‑assistenter som sammenligner produkter, oppsummerer alternativer og gir anbefalinger. Hvordan bør merker revurdere produktinnhold og strategi for den digitale hyllen når de i økende grad prøver å oppnå en anbefaling fra en AI‑agent i stedet for bare å rangere høyt i et søkeresultat?

Et menneske skummer en side, leser et sammendrag av en anmeldelse og ser på noen få bilder. En agent kan lese hver piksel. Selv i en handleagent blir spørsmålet ditt delt opp i nøkkelord, disse nøkkelordene søkt etter, resultatene hentet, hvert produkt lest i sin helhet, og deretter rangerer en intensjonsalgoritme kortlisten den viser deg. Det betyr at innholdet må fungere både for tradisjonell søk og for den piksel‑nivålesingen samtidig, ikke det ene eller det andre. Det er også viktig hvilken type agent du optimaliserer for. Handleagenter som Rufus, Sparky og Alexa Shopping er der faktiske kjøp fullføres, og det som får resultatet til å bevege seg er selve produktsiden og alle attributter og påstander på den. Generelle agenter som ChatGPT eller Perplexity oppfører seg mer som forskning i toppen av trakten, og det som gir deg en omtale der er nærmere opptjent medie, sitater, blogginnlegg og tredjeparts‑skrifter. Merker som behandler disse som det samme problemet ender opp med å optimalisere for feil overflate.

Begrepet \”agentic AI\” blir nå brukt på et bredt spekter av produkter. Innen detaljhandel, hva skiller en ekte AI‑agent fra tradisjonell regelbasert automatisering eller en analyseplattform med et generativt AI‑grensesnitt lagt oppå?

Regelbasert automatisering er: hvis X skjer, gjør Y. Den har ingen intelligens, og den kan ikke håndtere noe du ikke eksplisitt har programmert den til. Et generativt grensesnitt på toppen av et dashbord gjør bare den samme statiske innsikten lettere å lese. En ekte agent kan tenke, planlegge, utføre, og deretter kontinuerlig vurdere og tilpasse seg, som en junioranalytiker du har trent. Du gir den kontekst, prosessene dine, retningslinjene dine, og beslutningene du har tatt tidligere, og den begynner å utføre mot et mål i stedet for å vente på at neste regel skal utløses. Det er testen jeg faktisk bruker: kan den operere på samme måte som en person du har trent, eller er den bare en raskere versjon av noe som alltid har vært statisk?

Commerce‑team har tradisjonelt hatt folk som overvåker lager, prisfastsettelse, produktsider, retail‑media, søkeytelse og konkurranseaktivitet på tvers av tusenvis av produkter. Hvilke av disse operative hullene er i dag best egnet for autonome AI‑agenter, og hvor er menneskelig dømmekraft fortsatt vanskelig å erstatte?

Jeg tenker på dette som en 2×2‑matrise for hvor mye dømmekraft en beslutning krever og hvor stor påvirkning den har. Arbeid med lav dømmekraft overleveres direkte til agenten. Arbeid med høy dømmekraft eller høy påvirkning beholder et menneske som gir strategisk veiledning og reviderer resultatet. I praksis betyr det å starte med dine long‑tail‑SKU‑er og long‑tail‑forhandlere, de som ingen har berørt på et år uansett, og sette dem på autopilot først siden konsekvensen av en feil er liten. Dine topp‑SKU‑er og topp‑forhandlere beholder et menneskelig lag, og dette laget er ikke bare for revisjon; det er hvordan du trener agenten. Når du oppdager noe, forteller du den hva den skulle ha gjort og hvorfor, og den tilbakemeldingen gjør den bedre over tid i stedet for bare å være jevnt middelmådig.

Spesialiserte agenter kan potensielt skape egne problemer hvis de optimaliserer for isolerte mål. En medie‑agent kan øke annonseringen for et produkt som er i ferd med å gå tomt på lager, mens en pris‑agent kan forbedre konverteringen på bekostning av marginen. Hvordan sikrer du at flere agenter arbeider mot de bredere kommersielle målene for merket i stedet for bare å optimalisere sine individuelle måltall?

Dette er nettopp grunnen til at vi bygde en orkestrator i stedet for et sett med uavhengige agenter. Vår heter Ally, og målet er salgsvekst, ikke noen enkelt kanals måltall. Den finner ut hvor mulighetene og risikoene ligger, arbeider gjennom avveiningene, og deretter tildeler spesifikke oppgaver til arbeidsagentene – media, innhold og pris – og deler den samme informasjonen med alle, slik at ingen optimaliserer i isolasjon. Uten dette laget får du akkurat den feilmønstren som ble beskrevet i spørsmålet: en medie‑agent som bruker penger på et produkt som snart går tomt på lager fordi den ikke har innsikt i lagerbeholdningen.

Detaljhandelsdata er ofte fragmentert på tvers av forhandlerportaler, annonseringsplattformer, lager‑systemer, produktinformasjons‑systemer og interne analyseverktøy. Hvor viktig er datakvalitet og dataintegrasjon for vellykket agentisk detaljhandel, og gjør det å gi AI‑agenter større autonomi at dårlig eller ufullstendig data blir mer farlig?

Å få data i riktig form, med reell semantisk struktur og en korrekt ontologi, ikke bare råstrømmer som ligger ved siden av hverandre, er det meste av arbeidet her. Mange team tror at de kan laste opp noe til ChatGPT eller koble en agent på toppen av eksisterende systemer, og resultatet blir inkonsistent; noen ganger fungerer det, og noen ganger hallusinerer det, uten mulighet for pålitelighet. Autonomi gjør dette verre, ikke bedre, fordi et menneske med dårlige data vanligvis fanger opp feilen før handling. En agent med dårlige data handler på den umiddelbart, i skala, før noen legger merke til det.

Når merker blir mer komfortable med AI‑agenter, hvordan bør de bestemme hvilke handlinger som kan utføres autonomt og hvilke som fortsatt skal kreve menneskelig godkjenning? Hvordan ser overgangen fra \”AI recommends\” til \”AI acts\” ut i praksis?

Det bør skje gradvis, ikke i ett hopp. De fleste team starter med omtrent 10 % automatisert og 90 % som krever godkjenning. Etter hvert som tilbakemeldingssløyfen går, når mennesker korrigerer agenten og agenten innarbeider korrigeringen, bygges tillit opp, og den andelen skifter til 20 % og 80 %, og deretter videre, både når det gjelder mengden handlinger og verdien av det som automatiseres. Utgangspunktet for denne utviklingen er arbeid med lav påvirkningsradius, langhalede SKU‑er og forhandlere du uansett ikke aktivt styrte, og det utvides kun til beslutninger med høyere påvirkning og høyere dømmekraft når resultatene faktisk er dokumentert.

Retail‑media har tradisjonelt vært sterkt fokusert på måleparametere som avkastning på annonsekostnader, men det er økende interesse for å finne ut om annonsering faktisk skaper ekstra salg. Hvordan kan AI hjelpe merker med å ta bedre beslutninger om inkrementalitet, lønnsomhet og hvor annonsebudsjettet bør allokeres?

Merker kan bli for forelsket i måling. Å gjennomføre en grundig inkrementalitetsstudie i et kvartal høres grundig ut, men markedet har som regel gått videre før studien er ferdig. Jeg foretrekker at team bygger et sett med praktiske heuristikker og handler på dem raskere: hvis du allerede rangerer høyt organisk, ikke by mer; du betaler for et salg du uansett ville fått. Hvis du rangerer lavt organisk, er det da annonsekostnadene virkelig tjener seg selv. Hvis det finnes et målrettet publikum som ikke kjenner produktet ditt, bruk penger der for å utdanne dem. Å krangle om hvorvidt en dollar ga 1,48 eller 1,68 dollar inkrementelt er tid brukt på å ikke handle. Å komme til handlingen raskere og akseptere at tallet er retningstrekkende snarere enn perfekt presist er det som faktisk driver salg.

Hvis AI‑agenter på kjøpersiden i økende grad håndterer oppdagelse, sammenligning og kjøp, mens agenter på merkevaresiden styrer innhold, pris, annonsering og lager, kan vi etter hvert få maskiner som påvirker begge sider av en transaksjon. Hva tror du netthandel vil se ut i et slikt miljø, og hva vil til slutt skille merkene som vinner fra de som blir usynlige for disse AI‑drevne kjøpssystemene?

Jeg tror ikke vi er på vei mot at agenter handler med hverandre autonomt med det første. Det jeg ser i stedet, er at mennesker og agenter kjøper sammen på begge sider, agenter gjør sammenlignings‑ og anbefalingsarbeidet, mennesker tar den endelige avgjørelsen, og samme mønster på merkevaresiden, der agenter utfører mens mennesker setter strategi og godkjenner de beslutningene som betyr noe. I den verden må det fysiske produktet fortsatt være bra; ingen mengde optimalisering kan redde et dårlig produkt. Utover det er konteksten skillet: hvor mye kontekst en agent har om virksomheten din, hvor mye den har lært, og hvor mye tilbakemelding den har fått. Det er det som skiller en agent som gjør dumme feil fra en som faktisk forstår merkevarens stemme og strategi godt nok til å bli betrodd reelle beslutninger. Merkene som vinner er de som behandler å gi agenter god kontekst og en fungerende tilbakemeldingssløyfe som kjernearbeid, ikke som et sideprosjekt, og de som hopper over dette steget blir usynlige.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke CommerceIQ.