Himanshu Jain, Co-fundador e Chefe de Produtos da CommerceIQ – Série de Entrevistas

Himanshu Jain, co-fundador e Chefe de Produtos da CommerceIQ, lidera a estratégia e o desenvolvimento de produtos com foco na construção de agentes de IA que automatizam fluxos de trabalho complexos de varejo e comércio eletrônico. Desde a cofundação da CommerceIQ em 2017, ele ajudou a moldar a abordagem da empresa para aplicar dados, automação e IA ao comércio digital. Antes da CommerceIQ, Jain ocupou cargos de liderança em estratégia de produto, desenvolvimento de negócios e sucesso do cliente na Boomerang Commerce, onde trabalhou com grandes varejistas em estratégias de precificação, sortimento e crescimento do comércio eletrônico. No início de sua carreira, foi consultor de gestão na A.T. Kearney e passou quase cinco anos na Capital One UK atuando em gerenciamento de produto, risco de crédito, estratégia de marketing, análise e modelagem estatística. Ele também assessorou startups em estratégia de entrada no mercado e contribuiu com artigos sobre a Amazon e comércio eletrônico para o Marketing Land.

CommerceIQ é uma plataforma de comércio varejista impulsionada por IA projetada para ajudar marcas de consumo a gerenciar e otimizar seu desempenho em canais de comércio eletrônico. Sua plataforma reúne vendas, mídia varejista, prateleira digital, conteúdo, inventário e dados competitivos, proporcionando às equipes uma visão unificada de desempenho em mais de 1.500 varejistas e 85 países. A CommerceIQ tem focado cada vez mais em IA agente por meio da tecnologia AllyAI, com agentes especializados que podem analisar sinais de varejo, recomendar ações, automatizar relatórios, otimizar lances e orçamentos publicitários e executar fluxos de trabalho de comércio eletrônico selecionados dentro de controles definidos. A empresa posiciona essa abordagem como uma mudança da gestão de varejo baseada em painéis para a execução contínua assistida por IA em vendas, mídia, conteúdo e na prateleira digital.

Você passou mais de uma década trabalhando em gerenciamento de produto, sucesso do cliente, desenvolvimento de negócios e mais antes de cofundar a CommerceIQ. O que o levou a entrar no varejo agente e quais lições dessas transições tecnológicas anteriores moldaram sua visão sobre esta?

A maioria dos softwares antes da IA agente foi projetada para tornar o trabalho humano mais rápido. O Excel ajuda a construir um modelo mais rapidamente. Um painel ajuda a tomar uma decisão mais rapidamente. O que mudou com o varejo agente é que o software agora pode fazer o trabalho por si mesmo, não apenas acelerar como um humano o faz. Um agente pode aprender seu ambiente da mesma forma que um novo contratado faria. Seus processos, diretrizes internas, como você realmente toma decisões e então age em direção a um objetivo de ponta a ponta, com um humano fornecendo contexto e auditando o resultado em vez de executar cada etapa. Essa é uma categoria de software completamente diferente de tudo com que trabalhei anteriormente em gerenciamento de produto ou sucesso do cliente, e é por isso que acredito que este seja a mudança tecnológica mais fundamental que já vi, não uma mudança incremental. O ritmo também não se assemelha a nada anterior. Os smartphones levaram anos para se tornar onipresentes. A IA agente mudou como indústrias inteiras operam e não está desacelerando. A lição das transições anteriores que levo mais a sério é que pessoas que projetam a partir do passado fazem as escolhas erradas aqui. A abordagem que descobri ser mais eficaz é manter a mente aberta, colocar a mão na massa e aprender com o que está acontecendo agora, em vez de se basear no que ocorreu no ciclo passado.

Você fez uma distinção entre \”comércio agente\”, onde os consumidores usam agentes de IA para descobrir e comprar produtos, e \”varejo agente\”, onde as marcas usam agentes para gerenciar como vendem. À medida que ambos os lados se tornam cada vez mais automatizados, como você vê a relação entre consumidores, marcas e varejistas mudando?

A descoberta no varejo passou por algumas mudanças reais. Nos anos 80 e 90, eram circulares enviados pelo correio, uma loja decidindo o que destacar e um humano escolhendo a partir disso. A Amazon criou o corredor infinito. Cada busca por palavra‑chave tornou‑se sua própria prateleira ilimitada, mas ainda era um humano que lia títulos, folheava avaliações e fazia a escolha sozinho. O que está mudando agora é que humanos e agentes estão comprando juntos. Você expressa uma intenção; um agente pode ler cada produto na página na íntegra, cada afirmação, cada avaliação, cada ponto, executar uma análise de intenção com base no que você realmente precisa e lhe entregar quatro ou cinco recomendações. Você ainda escolhe uma, mas o agente já fez o trabalho de comparação que um humano fazia ao folhear. Do lado da marca, os agentes estão otimizando o conteúdo da página de detalhes do produto (PDP) com base no que consumidores e seus agentes procuram, decidindo em quais produtos fazer lances e ajudando a gerenciar o merchandising. O varejista fica no meio desse ciclo e controla quanto sinal flui entre as duas partes e o que é mostrado a quem e sob qual promoção. Essa camada de dados e tomada de decisão está se tornando cada vez mais proprietária do varejista.

A descoberta de produtos está avançando além das buscas tradicionais por palavras‑chave rumo a assistentes de IA que comparam produtos, resumem opções e fazem recomendações. Como as marcas devem repensar o conteúdo de produto e a estratégia da prateleira digital quando estão cada vez mais tentando conquistar uma recomendação de um agente de IA em vez de simplesmente obter uma alta classificação em um resultado de busca?

Um ser humano folheia uma página, lê um resumo de avaliação e olha algumas imagens. Um agente pode ler cada pixel. Mesmo dentro de um agente de compras, sua pergunta é dividida em palavras‑chave, essas palavras‑chave são pesquisadas, os resultados são extraídos, cada produto é lido na íntegra e, então, um algoritmo de intenção classifica a lista curta que lhe é mostrada. Isso significa que o conteúdo precisa funcionar tanto para a pesquisa tradicional quanto para essa leitura nível pixel ao mesmo tempo, não um ou outro. Também importa para que tipo de agente você está otimizando. Agentes de compras como Rufus, Sparky e Alexa Shopping são onde as compras reais são concluídas, e o que realmente faz a diferença lá é a própria página do produto e cada atributo e afirmação nela. Agentes de uso geral como ChatGPT ou Perplexity comportam‑se mais como pesquisa de topo de funil, e o que lhe garante uma menção ali está mais próximo de mídia conquistada, citações, posts de blog e textos de terceiros. Marcas que tratam esses como o mesmo problema acabam otimizando para a superfície errada.

O termo “IA agente” está sendo aplicado a uma ampla variedade de produtos. No varejo especificamente, o que diferencia um agente de IA verdadeiro da automação tradicional baseada em regras ou de uma plataforma analítica com uma interface de IA generativa sobreposta?

Automação baseada em regras é se X acontece, faça Y. Não tem inteligência e não pode lidar com nada que você não tenha programado explicitamente. Uma interface generativa sobre um painel apenas torna o mesmo insight estático mais fácil de ler. Um agente verdadeiro pode pensar, planejar, executar e então avaliar e adaptar continuamente, como um analista júnior que você treinou. Você fornece a ele contexto, seus processos, suas diretrizes e as decisões que já tomou, e ele começa a executar em direção a um objetivo em vez de esperar que a próxima regra dispare. Esse é o teste que realmente uso: ele pode operar da maneira que a pessoa que você treinou faria, ou é apenas uma versão mais rápida de algo que sempre foi estático?

Tradicionalmente, as equipes de comércio têm pessoas monitorando estoque, precificação, páginas de produtos, mídia de varejo, desempenho de busca e atividade competitiva em milhares de produtos. Quais dessas lacunas operacionais são mais adequadas para agentes de IA autônomos hoje, e onde o julgamento humano ainda é difícil de substituir?

Eu penso nisso como um 2×2 de quanto julgamento uma decisão requer e quão impacto ela tem. Trabalhos de baixo julgamento são entregues ao agente diretamente. Trabalhos de alto julgamento ou alto impacto mantêm um ser humano fornecendo orientação estratégica e auditando o resultado. Na prática, isso significa começar com seus SKUs de cauda longa e varejistas de cauda longa, aqueles que ninguém tocou em um ano, e colocá‑los em piloto automático primeiro, já que o raio de explosão de um erro é baixo. Seus SKUs principais e varejistas principais mantêm uma camada humana, e essa camada não serve apenas para auditoria; é como você treina o agente. Quando você identifica algo, diz a ele o que deveria ter sido feito e por quê, e esse feedback é o que o torna melhor ao longo do tempo, em vez de permanecer consistentemente medíocre.

Agentes especializados podem potencialmente criar seus próprios problemas se otimizarem objetivos isolados. Um agente de mídia pode aumentar a publicidade de um produto que está ficando sem estoque, enquanto um agente de precificação pode melhorar a conversão à custa da margem. Como garantir que múltiplos agentes trabalhem em direção aos objetivos comerciais mais amplos da marca, em vez de simplesmente otimizar suas métricas individuais?

É exatamente por isso que criamos um orquestrador em vez de um conjunto de agentes independentes. O nosso se chama Ally, e seu objetivo é o crescimento de vendas, não a métrica de um único canal. Ele identifica onde estão as oportunidades e os riscos, analisa as compensações e, então, atribui tarefas específicas aos agentes operacionais, de mídia, de conteúdo e de precificação, compartilhando as mesmas informações entre todos, de modo que ninguém otimize de forma isolada. Sem essa camada, obtém‑se exatamente o modo de falha descrito na pergunta: um agente de mídia gastando em um produto que está prestes a ficar sem estoque porque não tem visibilidade do inventário.

Os dados de varejo costumam estar fragmentados entre portais de varejistas, plataformas de publicidade, sistemas de inventário, sistemas de informações de produtos e ferramentas internas de análise. Quão importante é a qualidade dos dados e a unificação dos dados para um varejo agente bem‑sucedido, e conceder maior autonomia aos agentes de IA torna dados pobres ou incompletos ainda mais perigosos?

Colocar os dados na forma correta, com estrutura semântica real e uma ontologia adequada, e não apenas fluxos brutos lado a lado, representa a maior parte do trabalho real aqui. Muitas equipes acreditam que podem enviar algo para o ChatGPT ou conectar um agente sobre os sistemas já existentes, e o que obtêm é inconsistente; às vezes funciona, às vezes gera alucinações, sem como confiar nele. A autonomia piora isso, não melhora, porque um ser humano com dados ruins geralmente detecta o erro antes de agir. Um agente com dados ruins age imediatamente, em escala, antes que alguém perceba.

À medida que as marcas se sentem mais à vontade com agentes de IA, como devem decidir quais ações podem ser executadas autonomamente e quais devem continuar exigindo aprovação humana? Como é a progressão na prática de “IA recomenda” para “IA age”?

Deve avançar gradualmente, não em um salto único. A maioria das equipes começa com cerca de 10% automatizado e 90% exigindo aprovação. À medida que o ciclo de feedback ocorre, à medida que os humanos corrigem o agente e o agente incorpora essa correção, a confiança se constrói e essa proporção muda para 20% e 80%, depois ainda mais, tanto no volume de ações quanto no valor do que está sendo automatizado. O ponto de partida para essa progressão são as tarefas de baixo impacto, SKUs de cauda longa e varejistas que você não gerenciava ativamente de qualquer forma, e isso só se estende a decisões de maior impacto e maior julgamento quando o histórico realmente está estabelecido.

A mídia de varejo tem sido tradicionalmente muito focada em métricas como retorno sobre gasto em anúncios, mas há um interesse crescente em determinar se a publicidade está realmente gerando vendas incrementais. Como a IA pode ajudar as marcas a tomar decisões melhores sobre incrementalidade, lucratividade e onde os dólares de publicidade devem ser alocados?

As marcas podem ficar muito apaixonadas por medição. Conduzir um estudo profundo de incrementalidade por um trimestre parece rigoroso, mas o mercado geralmente já avançou quando o estudo termina. Eu preferiria ver equipes construindo um conjunto de heurísticas práticas e agindo sobre elas mais rapidamente: se você já está bem posicionado organicamente, não aumente o lance; você está pagando por uma venda que teria conseguido de qualquer forma. Se você está posicionado baixo organicamente, é aí que o gasto com anúncios realmente se justifica. Se houver um público-alvo no mercado que não conhece seu produto, invista nele para educá‑lo. Discutir se um dólar retornou 1,48 ou 1,68 dólares incrementalmente é tempo gasto sem agir. Chegar à ação mais rápido e aceitar que o número será direcionalmente correto, em vez de perfeitamente preciso, é o que realmente impulsiona as vendas.

Se os agentes de IA do lado do comprador começarem a lidar cada vez mais com descoberta, comparação e compra, enquanto os agentes do lado da marca gerenciam conteúdo, precificação, publicidade e inventário, poderemos eventualmente ter máquinas influenciando ambos os lados de uma transação. Como você imagina que o comércio eletrônico será nesse ambiente, e o que, em última análise, separará as marcas que vencem daquelas que se tornarão invisíveis para esses sistemas de compra impulsionados por IA?

Não acho que estejamos caminhando para que agentes transacionem entre si de forma autônoma tão cedo. O que vejo, em vez disso, é humanos e agentes comprando juntos em ambos os lados, agentes realizando o trabalho de comparação e recomendação, humanos ainda tomando a decisão final, e o mesmo padrão do lado da marca, agentes executando enquanto humanos definem a estratégia e aprovam as decisões importantes. Nesse cenário, o produto físico ainda precisa ser bom; nenhuma quantidade de otimização salva um produto ruim. Além disso, o que diferencia é o contexto: quanto contexto um agente tem sobre seu negócio, quanto aprendeu e quanto feedback recebeu. Isso é o que separa um agente que comete erros bobos de um que realmente entende a voz e a estratégia da sua marca suficientemente bem para ser confiável em decisões reais. As marcas que vencem são aquelas que tratam a oferta de bom contexto aos agentes e um loop de feedback funcional como trabalho central, não como um projeto secundário, e as que pulam essa etapa são as que se tornam invisíveis.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar CommerceIQ.