Jim Rowan, Deloittes KI-sjef i USA – intervjuserie

Jim Rowan er KI-sjef for Deloitte i USA og partner i Deloitte Consulting LLP. Han hjelper organisasjoner med å omsette KI-ambisjoner til forretningsresultater. Karrieren hans spenner over bedriftsteknologi, analyse, data og digital transformasjon, og han har erfaring fra biovitenskap, helsevesen og telekommunikasjon. Han har hatt lederroller innenfor Deloittes praksisområder «Strategy & Analytics» og «AI & Data». Arbeidet hans omfatter også å utvikle kompetansen og kapasiteten organisasjoner trenger for å ta i bruk KI.

Deloitte er en organisasjon som tilbyr profesjonelle tjenester innen rådgivning, revisjon og attestasjon, skatt og andre rådgivningstjenester. KI-arbeidet deres samler strategi, data, teknologi, kompetanse og styring for å hjelpe virksomheter med å ta i bruk KI og skalere bruken på tvers av driften. Innen digital handel omfatter dette å klargjøre produktinformasjon og virksomhetssystemer for KI-agenter, å knytte kundeopplevelser sammen på tvers av kanaler og å etablere identitets-, autorisasjons- og tillitskontroller som trengs for automatiserte interaksjoner og transaksjoner.

Du har jobbet i Deloitte i over to tiår med bedriftsteknologi, analyse, data og nå KI. Med dette perspektivet: Når ble det klart for deg at KI-agenter ikke bare ville endre hvordan selskaper driver virksomheten internt, men også bli et mellomledd mellom bedrifter og kundene deres?

De siste årene har jeg på nært hold sett KI utvikle seg mens jeg har hjulpet organisasjoner med å omsette forretningsmål til målbare resultater som tidligere virket utenkelige. Bakgrunnen min innen data, prosesser og teknologi har vært grunnleggende for forståelsen min av KI. Jeg begynte å bygge opp Deloittes kompetanse på områdene som handler om talentene som trengs for å lykkes med KI, blant annet gjennom AI Academy, som utvikler opplæringsprogrammer for både medarbeiderne og kundene våre.

I dagens situasjon bruker organisasjoner KI-agenter til å endre strategiene sine for digital handel på flere måter: De øker merkevarenes synlighet, bruker personaliseringsmotorer til å forbedre dialogen og samordner helhetlige omnikanalopplevelser på tvers av fysiske, digitale og sosiale kontaktpunkter. Dette vendepunktet kommer mens merkevarene navigerer i et ustabilt marked, og gir agentbasert handel en mulighet til å hjelpe dem med å reagere raskere og opptre mer relevant og konsekvent overfor kundene.

Du har snakket om behovet for at selskaper forbereder seg på «agentbasert søkeoptimalisering». Hvordan definerer du dette begrepet, og hvordan skiller optimalisering for en KI-agent seg grunnleggende fra tradisjonell SEO eller nyere metoder for å optimalisere innhold for KI-baserte svarmotorer?

Tradisjonelt har konkurransen om forbrukernes oppmerksomhet på nettet vært definert av søkemotoroptimalisering (SEO), som bygger på en antakelse om at et menneske leser, vurderer og bestemmer seg for et kjøp etter å ha sendt inn et søk. Etter hvert som forbrukerne i større grad bruker KI-drevne verktøy til å undersøke produkter og tjenester, har optimalisering for generative søkemotorer (GEO) blitt introdusert. Agentbasert søkeoptimalisering er en videreutvikling av GEO som tar høyde for at KI ikke lenger bare anbefaler produkter eller tjenester, men også handler på grunnlag av kjøpsbeslutningene. Dette skiftet innebærer at merkevarer må optimalisere både for generativ KI, som først og fremst gir anbefalinger til sluttbrukeren, og for agentbasert KI, som er laget for å utføre handlinger og kan samordne systemer, gjennomføre arbeidsflyter og utløse transaksjoner.

Når en KI-agent blir bedt om å undersøke, sammenligne og lage en kortliste over produkter eller tjenester, hvilke signaler tror du den vil legge mest vekt på? Vil strukturerte produktdata, priser, anmeldelser, omtale fra tredjeparter, merkevarens autoritet eller et helt nytt sett med signaler bli viktigere?

KI-agentens utvalg av alternativer formes av synlighet og relevans, og den vil foretrekke merkevarer med produkter, tjenester, priser og data som er tilgjengelige, maskinlesbare og umiddelbart verifiserbare. Konsistens på tvers av plattformer, vurderinger og anmeldelser samt merkevarens autoritet er fortsatt viktig, men disse signalene må også kunne uttrykkes som data agenten kan behandle. Personlige forhold vil også spille en rolle, ettersom agenter som handler på vegne av kundene, trenger pålitelig tilgang til personens preferanser, tillatelser og tidligere interaksjoner for å kunne gi de mest relevante anbefalingene. Utover selve signalene vil merkevarer skille seg ut etter hvor raskt organisasjonene kan gjøre dataene sine lesbare, forståelige, pålitelige og kvantifiserbare på måter en agent kan sammenligne.

En utfordring er at det etter hvert kan finnes tusenvis av forbruker- og bedriftsagenter som bygger på ulike modeller og er koblet til forskjellige datakilder. Hvordan kan et selskap sørge for at det fortsatt blir representert korrekt og er lett å finne i dette fragmenterte økosystemet, uten å forsøke å optimalisere for hver enkelt agent?

Organisasjoners fokus bør være å skape et pålitelig, maskinlesbart grunnlag som alle agenter kan få tilgang til og tolke, i stedet for å optimalisere for enkeltagenter. Det innebærer å publisere etterprøvbar, pålitelig og oppdatert informasjon om produkter, priser og retningslinjer gjennom autoritative kilder. Det er sannsynligvis ikke nok å være synlig i seg selv, ettersom agenter vil begynne å handle på vegne av forbrukerne. Det øker behovet for systemer som kan bekrefte identitet og kvalifisering og muliggjøre sikre transaksjoner. I et agentøkosystem som nå er fragmentert, vil merkevaren som gjør informasjonen sin enklest å forstå og finne, komme øverst i søkeresultatene. Bedrifter bør imidlertid unngå å bygge rundt én enkelt protokoll, ettersom disse fortsatt er under utvikling, og det ennå ikke er klart hvilken som vil bli dominerende. Derfor er det viktig å utforme løsninger med tanke på samvirkingsevne og muligheten til raskt å ta i bruk eller bytte protokoller etter hvert som økosystemet utvikler seg.

Hvis handel utvikler seg fra handel mellom bedrifter og forbrukere til handel mellom bedrifter via agenter, hva endrer seg da på det tekniske nivået? Må bedrifter tenke nytt om nettsteder, API-er, produktkataloger, identitetssystemer eller annen infrastruktur, slik at agenter kan samhandle direkte med dem?

Ja, organisasjoner må tenke nytt om og omforme de eksisterende systemene sine for å bygge den rette tekniske arkitekturen for agentbasert B2B-handel. Det skjer ikke over natten; det vil ta tid på grunn av arbeidsmengden og omfanget av endringene som kreves. I dag utvikler funksjonene for søk og betaling seg raskere enn beslutningsprosessen, der bedriftene fortsatt bygger opp tilliten som skal til for å la agenter ta valg innenfor etablerte rammer. CIO-er, CTO-er og CISO-er bør rette innsatsen mot å levere skalerbare integrasjonsplattformer med lav latenstid, støttet av sterke teknologipartnerskap og samarbeid med integratorer. I stedet for å gjennomføre en fullstendig systemomlegging bør ledere bruke tid på å finne ut hvilke systemer som kan kobles til agenter, identifisere dem som ikke kan det, og teste enkle oppgaver i avgrensede miljøer. Det er også viktig at mennesker beholder eierskapet til transaksjonen. Bedrifter bør derfor legge til rette for fleksible forløp der kunden enkelt kan veksle mellom agentstyrt og menneskestyrt samhandling, i stedet for å svekke den menneskelige opplevelsen i jakten på automatisering. Over tid kan organisasjoner gå videre med å bygge en plattform som håndterer flere agenter, oppgradere eller koble til eldre systemer slik at agenter får tilgang, og innføre avansert sikkerhet med overvåking i sanntid.

Tradisjonell digital markedsføring har i stor grad vært optimalisert for rangeringer, visninger, klikk og trafikk til nettsteder. Hvis agenter i økende grad gjør researchen før en person i det hele tatt besøker et nettsted, hvilke nye måltall bør bedrifter bruke for å forstå om de faktisk er synlige og konkurransedyktige i en agentbasert kjøpsreise?

Historisk har man målt suksess ut fra om man klarte å fange forbrukernes oppmerksomhet og til slutt vinne tilliten deres. Etter hvert som agenter overtar en større del av kjøpsreisen, trenger organisasjoner nye måter å måle om merkevarene deres er synlige, relevante og til slutt blir valgt. Dette innebærer å knytte utviklingen av agenter for merkevaren til resultatmåling og vurdere om en agent viser fram merkevaren, identifiserer kvalifiserte tilbud og fullfører en transaksjon. Merkevarer bør følge med på sine egne kjøpere sammenlignet med konkurrentenes kunder når de skal avgjøre hvor de bør investere eller endre kundeopplevelsen. De bør også spore hvordan kundene finner produkter, hvor de faller fra, og hvor de blir værende. Disse måltallene kan ikke bare hjelpe merkevarer med å skille verdiforslagene sine fra konkurrentenes, men også dokumentere avkastningen på investeringer med målbare resultater som styrker kundelojaliteten og den operative kvaliteten.

AI-agenter kan oppsummere hva et selskap tilbyr, sammenligne det med konkurrentene og potensielt gi anbefalinger uten at selskapet har direkte kontroll over hvordan det blir framstilt. Hvordan bør merkevarer overvåke feilaktig eller utdatert informasjon og etablere en autoritativ kilde til sannheten som agenter kan bruke på en pålitelig måte?

Som i alle andre bransjer er det avgjørende å kontrollere produktdata for å opprettholde synligheten for agenter på tvers av kanaler. Merkevarer bør også vurdere Model Context Protocol (MCP) som en viktig muliggjører. Protokollen skaper et kontrollert miljø der data, verktøy og kontekst deles sikkert med eksterne handleagenter og plattformer. Ved å kombinere strukturerte data med MCP kan man legge til rette for samhandling mellom agenter, forbedre samvirkingsevnen og bidra til at informasjon om merkevaren gjengis nøyaktig og prioriteres på riktig måte. Siden protokollene fortsatt er under utvikling, og det ennå ikke er klart hvilken som blir mest utbredt, bør bedrifter igjen bygge fleksible løsninger slik at de raskt kan koble seg til, bytte mellom og ta i bruk nye standarder etter hvert som økosystemet utvikler seg.

Etter hvert som agenter går fra bare å anbefale produkter til å utføre handlinger som å be om pristilbud, forhandle vilkår eller gjennomføre kjøp, hvor viktig blir da infrastruktur for identitet, autorisasjon og tillit? Hvordan kan en bedrift skille en legitim kundeagent fra et automatisert system den ikke bør stole på?

Handel mellom agenter innebærer nye risikoer fordi transaksjoner kan gjennomføres raskt uten menneskelig involvering. Derfor er det avgjørende med mulighet for menneskelig inngripen og overføring underveis i prosessen. Transaksjoner i agentbasert handel krever nye typer tiltak mot svindel, strategiske finansielle kontroller og målrettede rapporteringsrammeverk som er utviklet spesielt for aktivitet initiert av maskiner.

På kort sikt bør organisasjoner behandle AI-agentene sine som ansatte, med definerte ansvarsområder, kontrollert tilgang og tydelig ansvarliggjøring. De vil også trenge protokoller for å verifisere at agenter er legitime, godkjenne betalinger og håndheve transaksjonsgrenser, API-tillatelser og andre operative sikkerhetstiltak.

Det er også mulig at reklame og betalt plassering følger forbrukerne inn i det agentbaserte økosystemet. Hvordan tror du kommersielle insentiver vil utvikle seg når en AI-agent anbefaler produkter på vegne av noen, og hvilken åpenhet vil være nødvendig for at folk skal kunne stole på anbefalingene?

Vi ser allerede at kapital omfordeles til agentbasert handel, og annonsører i USA anslås å bruke rundt 26 milliarder dollar på AI-søkeannonser innen 2029. Det er uunngåelig at kommersielle insentiver må utvikle seg etter hvert som virksomheter avgjør om kampanjer og priser som tilbys gjennom egne kanaler, skal gjelde også i agentbaserte miljøer. En del av denne utviklingen krever tydelige regler for hvordan agenter skal forholde seg til priser og kampanjer. Uten sikkerhetstiltak på plass kan agenter gjennomføre kjøp basert på prisene som gjelder idet transaksjonen finner sted. Dette kan føre til at kampanjer og prisnivåer utløses utilsiktet og redusere marginene. Virksomheter bør innføre retningslinjer som er i tråd med globale standarder for personvern og data, og med menneskestyrte, forhåndsgodkjente rammer for hver kunde.

Til tross for den økende automatiseringen har du understreket at menneskelig skjønn fortsatt vil være avgjørende for kjøpsbeslutninger. Hvor går grensen mellom beslutninger forbrukerne gjerne overlater til agenter, og beslutninger der folk fortsatt vil undersøke og sammenligne alternativer før de tar den endelige avgjørelsen selv?

Hvor grensen går, avhenger av hvor mye som står på spill, og hvor trygg forbrukeren er på agenten. Folk kan være komfortable med å overlate rutinemessige kjøp til lave priser til en agent når preferansene deres er tydelige og konsekvensene av et dårlig valg er små. Ved beslutninger som innebærer store utgifter, sensitive opplysninger eller kontraktsforpliktelser vil de trolig forvente større innsyn og beholde den endelige godkjenningen. Forbrukerne blir tryggere på et merke når friksjonen reduseres. Derfor bør det være enkelt å forstå hva som skjer og å stole på at transaksjonen blir gjennomført som ønsket og på en trygg måte. Merkevarer bør derfor gi forbrukerne tydelig kontroll over hva en agent kan gjøre på egen hånd, når den må be om tillatelse, og hvor enkelt handlingene dens kan gjennomgås eller reverseres.

Takk for et flott intervju. Lesere som ønsker å utforske agentbasert handel, AI-drevet synlighet og infrastrukturen for tillit bak automatiserte kjøp, bør besøke Deloitte.