Himanshu Jain, współzałożyciel i szef produktów w CommerceIQ – seria wywiadów

Himanshu Jain, współzałożyciel i szef produktów w CommerceIQ, kieruje strategią produktu i rozwojem, koncentrując się na budowaniu agentów AI, które automatyzują złożone przepływy pracy w handlu detalicznym i e‑commerce. Od momentu współzałożenia CommerceIQ w 2017 roku pomógł ukształtować podejście firmy do stosowania danych, automatyzacji i AI w handlu cyfrowym. Przed CommerceIQ Jain pełnił role lidera w zakresie strategii produktu, rozwoju biznesu i sukcesu klienta w Boomerang Commerce, gdzie współpracował z dużymi detalistami nad strategiami cenowymi, asortymentowymi i rozwojem e‑commerce. Wcześniej w swojej karierze był konsultantem zarządzania w A.T. Kearney oraz spędził prawie pięć lat w Capital One UK, pracując w obszarach zarządzania produktem, ryzyka kredytowego, strategii marketingowej, analityki i modelowania statystycznego. Doradzał także startupom w zakresie strategii wejścia na rynek i publikował artykuły o Amazon i e‑commerce w Marketing Land.

CommerceIQ to platforma handlu detalicznego napędzana sztuczną inteligencją, zaprojektowana, aby pomóc markom konsumenckim zarządzać i optymalizować ich wyniki w kanałach e‑commerce. Jej platforma łączy sprzedaż, media detaliczne, wirtualną półkę, treści, zapasy i dane konkurencyjne, dając zespołom jednolity widok wyników w ponad 1 500 detalistów i 85 krajach. CommerceIQ coraz bardziej koncentruje się na agentowej AI dzięki technologii AllyAI, z wyspecjalizowanymi agentami, które mogą analizować sygnały handlowe, rekomendować działania, automatyzować raportowanie, optymalizować oferty i budżety reklamowe oraz realizować wybrane przepływy pracy w e‑commerce w ramach określonych kontroli. Firma przedstawia to podejście jako przejście od zarządzania detalicznego opartego na pulpitach nawigacyjnych do ciągłego, wspomaganego AI wykonywania zadań w obszarach sprzedaży, mediów, treści i wirtualnej półki.

Spędziłeś ponad dekadę, pracując w zarządzaniu produktem, sukcesie klienta, rozwoju biznesu i innych obszarach, zanim współzałożyłeś CommerceIQ. Co skłoniło Cię do wejścia w agentowy handel detaliczny i które lekcje z wcześniejszych przejść technologicznych ukształtowały Twoje podejście do tego?

Większość oprogramowania przed agentową AI była projektowana tak, aby przyspieszyć pracę człowieka. Excel pomaga szybciej budować model. Dashboard pomaga szybciej podjąć decyzję. To, co zmieniło się w agentowym handlu detalicznym, to fakt, że oprogramowanie może teraz wykonać pracę samodzielnie, a nie tylko przyspieszyć sposób, w jaki człowiek to robi. Agent może poznać Twoje otoczenie tak, jak nowy pracownik. Twoje procesy, wewnętrzne wytyczne, sposób podejmowania decyzji i działanie w kierunku celu od początku do końca, przy czym człowiek dostarcza kontekst i audytuje wynik, zamiast wykonywać każdy krok. To zupełnie inna kategoria oprogramowania niż wszystko, z czym miałem do czynienia wcześniej w zarządzaniu produktem czy sukcesie klienta, i dlatego uważam, że jest to najbardziej fundamentalna zmiana technologiczna, jaką widziałem, a nie jedynie inkrementalna. Tempo również nie ma sobie równych. Smartfony potrzebowały lat, aby stać się powszechne. Agentowa AI zmieniła sposób funkcjonowania całych branż i nie zwalnia tempa. Najważniejsza lekcja z wcześniejszych przejść, którą przyjmuję najpoważniej, to że ludzie, którzy prognozują na podstawie przeszłości, popełniają tutaj błędne decyzje. Najlepsze podejście, które odkryłem, to zachowanie otwartego umysłu, praktyczne zaangażowanie i uczenie się z tego, co dzieje się teraz, a nie z tego, co miało miejsce w poprzednim cyklu.

Wyróżniasz pojęcie „agentowego handlu”, w którym konsumenci używają agentów AI do odkrywania i kupowania produktów, oraz „agentowego detaliczu”, w którym marki używają agentów do zarządzania sprzedażą. W miarę jak obie strony stają się coraz bardziej zautomatyzowane, jak widzisz zmieniającą się relację między konsumentami, markami a detalistami?

Odkrywanie produktów w handlu detalicznym przeszło kilka istotnych zmian. W latach 80. i 90. były to katalogi pocztowe, sklep decydujący, co wyróżnić, i człowiek wybierający spośród nich. Amazon stworzył niekończącą się aleję. Każde wyszukiwanie słowem kluczowym stało się własną nieograniczoną półką, ale człowiek wciąż czytał tytuły, przeglądał recenzje i sam podejmował decyzję. Obecnie zmienia się to tak, że ludzie i agenci kupują razem. Wyrażasz zamiar; agent może przeczytać każdy produkt na stronie w całości, każdą deklarację, każdą recenzję, każdy punkt, przeprowadzić analizę intencji względem tego, czego naprawdę potrzebujesz, i przedstawić Ci cztery lub pięć rekomendacji. Nadal wybierasz jedną, ale agent już wykonał pracę porównawczą, którą wcześniej robił człowiek, przeglądając. Po stronie marki agenci optymalizują treść stron produktowych (PDP) w oparciu o to, czego szukają konsumenci i ich agenci, decydują, na które produkty licytować, i pomagają zarządzać asortymentem. Detalista znajduje się w środku tej pętli i kontroluje, ile sygnału przepływa między obiema stronami oraz co jest wyświetlane komu i w jakiej promocji. Ta warstwa danych i podejmowania decyzji staje się coraz bardziej własnością detalisty.

Odkrywanie produktów wykracza poza tradycyjne wyszukiwania słowami kluczowymi w kierunku asystentów AI, które porównują produkty, podsumowują opcje i udzielają rekomendacji. Jak marki powinny przemyśleć treść produktów i strategię wirtualnej półki, gdy coraz częściej starają się zdobyć rekomendację od agenta AI, a nie tylko wysoką pozycję w wynikach wyszukiwania?

Człowiek przegląda stronę, czyta podsumowanie recenzji i przygląda się kilku obrazkom. Agent może odczytać każdy piksel. Nawet w ramach agenta zakupowego Twoje pytanie zostaje podzielone na słowa kluczowe, te słowa kluczowe są wyszukiwane, wyniki są wyodrębniane, każdy produkt jest w pełni odczytywany, a następnie algorytm intencji klasyfikuje krótką listę, którą Ci pokazuje. Oznacza to, że treść musi działać zarówno dla tradycyjnego wyszukiwania, jak i dla tego odczytu na poziomie pikseli jednocześnie, nie jednego albo drugiego. Ma również znaczenie, dla jakiego rodzaju agenta optymalizujesz. Agenci zakupowi, tacy jak Rufus, Sparky i Alexa Shopping, to miejsca, w których dochodzi do rzeczywistych zakupów, a czynnik decydujący tam jest sama strona produktu oraz każde jej atrybut i twierdzenie. Agenci ogólnego przeznaczenia, tacy jak ChatGPT czy Perplexity, zachowują się bardziej jak badania na szczycie lejka, a to, co zapewnia Ci tam wzmiankę, jest bliższe earned media, cytowaniom, wpisom na blogach i opracowaniom stron trzecich. Marki, które traktują to jako ten sam problem, kończą optymalizując pod niewłaściwą powierzchnię.

Termin „agentic AI” jest teraz stosowany do szerokiego zakresu produktów. W handlu detalicznym, co odróżnia prawdziwego agenta AI od tradycyjnej automatyzacji opartej na regułach lub platformy analitycznej z warstwą generatywnego interfejsu AI?

Automatyzacja oparta na regułach to: jeśli X się zdarzy, wykonaj Y. Nie posiada ona inteligencji i nie może obsłużyć niczego, czego nie zaprogramowano explicite. Generatywny interfejs na wierzchu pulpitu jedynie ułatwia odczytanie tej samej statycznej informacji. Prawdziwy agent potrafi myśleć, planować, wykonywać, a następnie nieustannie oceniać i dostosowywać się, jak junior analityk, którego wytrenowałeś. Dostarczasz mu kontekst, swoje procesy, wytyczne oraz podjęte wcześniej decyzje i zaczyna działać w kierunku celu, zamiast czekać na uruchomienie kolejnej reguły. To jest test, którego używam w praktyce: czy potrafi działać tak, jak osoba, którą wytrenowałeś, czy jest jedynie szybszą wersją czegoś, co zawsze było statyczne?

Zespoły handlowe tradycyjnie posiadały osoby monitorujące zapasy, ceny, strony produktów, media detaliczne, wydajność wyszukiwania oraz działania konkurencji wśród tysięcy produktów. Które z tych luk operacyjnych są dziś najlepiej dopasowane do autonomicznych agentów AI, a w których obszarach ludzka ocena pozostaje trudna do zastąpienia?

Myślę o tym jako o macierzy 2×2, określającej, ile osądu wymaga decyzja i jaki ma wpływ. Prace wymagające niskiego osądu są przekazywane agentowi od razu. Prace o wysokim osądzie lub dużym wpływie pozostawiają człowiekowi rolę strategicznego prowadzenia i audytu wyniku. W praktyce oznacza to rozpoczęcie od długiego ogona SKU i długiego ogona detalistów, czyli tych, których nikt nie dotykał przez rok, i najpierw wprowadzenie ich w tryb autopilota, ponieważ promień rażenia błędu jest niski. Twoje najważniejsze SKU i najważniejsi detaliści zachowują warstwę ludzką, a ta warstwa nie służy jedynie audytowi; to sposób, w jaki szkolisz agenta. Gdy coś wykryjesz, informujesz go, co powinien był zrobić i dlaczego, a ta informacja zwrotna sprawia, że z czasem staje się lepszy, a nie po prostu stale przeciętny.

Specjalistyczni agenci mogą potencjalnie tworzyć własne problemy, jeśli optymalizują pod kątem odizolowanych celów. Agent medialny może zwiększyć reklamę produktu, który wyczerpuje zapasy, podczas gdy agent cenowy może poprawić konwersję kosztem marży. Jak zapewnić, że wielu agentów dąży do szerszych celów komercyjnych marki, a nie jedynie optymalizuje swoje indywidualne wskaźniki?

Właśnie dlatego stworzyliśmy orkiestratora, a nie zestaw niezależnych agentów. Nasz nosi nazwę Ally i jego celem jest wzrost sprzedaży, a nie metryka pojedynczego kanału. Określa, gdzie znajdują się możliwości i ryzyka, analizuje kompromisy, a następnie przydziela konkretne zadania agentom wykonawczym, mediom, treściom i cenom, udostępniając te same informacje wszystkim, aby nikt nie optymalizował w izolacji. Bez tej warstwy otrzymujesz dokładnie opisany w pytaniu tryb awarii: agent medialny wydaje środki na produkt, który zaraz wyczerpie zapasy, ponieważ nie ma wglądu w stan magazynowy.

Dane detaliczne są często rozproszone pomiędzy portalami detalistów, platformami reklamowymi, systemami zapasów, systemami informacji o produktach oraz wewnętrznymi narzędziami analitycznymi. Jak ważna jest jakość danych i ich ujednolicenie dla udanego handlu agentowego i czy nadanie agentom AI większej autonomii czyni słabe lub niekompletne dane bardziej niebezpiecznymi?

Przygotowanie danych w odpowiedni kształt, z rzeczywistą strukturą semantyczną i właściwą ontologią, a nie jedynie surowymi strumieniami leżącymi obok siebie, stanowi tu większość rzeczywistej pracy. Wiele zespołów uważa, że można coś wgrać do ChatGPT lub podłączyć agenta na istniejących systemach, a otrzymany efekt jest niekonsekwentny; czasem działa, a czasem „halucynuje”, bez możliwości polegania na nim. Autonomia pogarsza to, a nie poprawia, ponieważ człowiek z błędnymi danymi zazwyczaj wykrywa błąd przed podjęciem działania. Agent z błędnymi danymi działa natychmiast, na dużą skalę, zanim ktokolwiek to zauważy.

W miarę jak marki stają się bardziej komfortowe w korzystaniu z agentów AI, jak powinny decydować, które działania mogą być wykonywane autonomicznie, a które nadal wymagają zatwierdzenia przez człowieka? Jak wygląda w praktyce przejście od „AI rekomenduje” do „AI działa”?

Powinno to odbywać się stopniowo, a nie w jednym skoku. Większość zespołów zaczyna od około 10 % automatyzacji i 90 % wymagającego zatwierdzenia. W miarę jak pętla sprzężenia zwrotnego działa, gdy ludzie korygują agenta, a agent włącza tę korektę, zaufanie rośnie i ten stosunek przesuwa się do 20 % i 80 %, a potem dalej, zarówno pod względem liczby działań, jak i wartości automatyzowanych. Punktem wyjścia tej progresji jest praca o niskim promieniu rażenia, długonogi SKU i sprzedawcy, których i tak nie zarządzało się aktywnie, i rozciąga się ona jedynie na decyzje o wyższym wpływie i wyższym stopniu oceny, gdy historia rzeczywiście się wypracuje.

Media detaliczne tradycyjnie koncentrowały się mocno na metrykach takich jak zwrot z wydatków na reklamę, ale rośnie zainteresowanie określeniem, czy reklama faktycznie generuje przyrostowe sprzedaże. Jak AI może pomóc markom podejmować lepsze decyzje dotyczące przyrostowości, rentowności i tego, gdzie przeznaczyć budżet reklamowy?

Marki mogą zbytnio zakochać się w pomiarach. Przeprowadzenie dogłębnego badania przyrostowości przez kwartał brzmi rygorystycznie, ale rynek zazwyczaj już przesuwa się dalej, gdy badanie zostaje zakończone. Wolę, aby zespoły budowały zestaw praktycznych heurystyk i działały na ich podstawie szybciej: jeśli już zajmujesz wysoką pozycję organicznie, nie licytuj więcej; płacisz za sprzedaż, którą i tak byś uzyskał. Jeśli zajmujesz niską pozycję organicznie, wtedy wydatki na reklamę naprawdę się opłacają. Jeśli istnieje grupa docelowa w rynku, która nie wie o twoim produkcie, wydaj tam środki, aby ją edukować. Kłótnia o to, czy dolar zwrócił 1,48 $ czy 1,68 $ przyrostowo, to czas spędzony na niedziałaniu. Szybsze przejście do działania i akceptacja, że liczba będzie raczej kierunkowa niż idealnie precyzyjna, to to, co naprawdę napędza sprzedaż.

Jeśli agenci AI po stronie kupującego coraz częściej będą zajmować się odkrywaniem, porównywaniem i zakupem, podczas gdy agenci po stronie marki będą zarządzać treścią, cenami, reklamą i zapasami, w końcu możemy mieć maszyny wpływające na obie strony transakcji. Jak według Ciebie wygląda handel elektroniczny w takim środowisku i co ostatecznie odróżni marki, które odniosą sukces, od tych, które staną się niewidoczne dla tych systemów zakupowych napędzanych AI?

Nie sądzę, że w najbliższym czasie będziemy mieli agenty transakcjonujące ze sobą autonomicznie. Zamiast tego widzę ludzi i agenty kupujących razem po obu stronach, agenty wykonujące pracę porównywania i rekomendacji, ludzie wciąż podejmujący ostateczną decyzję, oraz ten sam schemat po stronie marki, agenci realizujący działania, podczas gdy ludzie ustalają strategię i zatwierdzają kluczowe decyzje. W takim świecie fizyczny produkt nadal musi być dobry; żadna ilość optymalizacji nie uratuje słabego produktu. Poza tym rozdzielaczem jest kontekst: ile kontekstu agent ma o twoim biznesie, ile się nauczył i ile otrzymał informacji zwrotnej. To odróżnia agenta, który popełnia głupie błędy, od tego, który naprawdę rozumie głos i strategię twojej marki na tyle dobrze, że można mu zaufać przy rzeczywistych decyzjach. Marki, które wygrywają, to te, które traktują dostarczanie agentom dobrego kontekstu i działającego feedbacku jako podstawową pracę, a nie projekt poboczny, a te, które pomijają ten krok, stają się niewidoczne.

Dziękujemy za świetny wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić CommerceIQ.