Himanshu Jain, соучредитель и руководитель продуктов в CommerceIQ – серия интервью

Himanshu Jain, соучредитель и руководитель продуктов в CommerceIQ, возглавляет стратегию продукта и разработку с упором на создание AI‑агентов, автоматизирующих сложные розничные и электронные торговые процессы. С момента основания CommerceIQ в 2017 году он помог сформировать подход компании к применению данных, автоматизации и ИИ в цифровой коммерции. До CommerceIQ Джайн занимал руководящие должности в области стратегии продукта, развития бизнеса и клиентского успеха в Boomerang Commerce, где работал с крупными розничными сетями над стратегиями ценообразования, ассортимента и роста электронной коммерции. Ранее в своей карьере он был консультантом в A.T. Kearney и почти пять лет проработал в Capital One UK, занимаясь управлением продуктом, кредитным риском, стратегией маркетинга, аналитикой и статистическим моделированием. Он также консультировал стартапы по стратегии выхода на рынок и публиковал статьи о Amazon и электронной коммерции в Marketing Land.

CommerceIQ — платформа розничной коммерции, работающая на основе ИИ, предназначенная для помощи потребительским брендам управлять и оптимизировать их эффективность на каналах электронной коммерции. Платформа объединяет данные о продажах, розничных медиа, цифровой полке, контенте, запасах и конкурентных показателях, предоставляя командам единый обзор эффективности более чем 1 500 розничных сетей в 85 странах. CommerceIQ всё больше фокусируется на агентном ИИ через технологию AllyAI, с специализированными агентами, которые могут анализировать розничные сигналы, рекомендовать действия, автоматизировать отчётность, оптимизировать ставки и бюджеты рекламных кампаний и выполнять выбранные рабочие процессы электронной коммерции в рамках заданных контролей. Компания позиционирует этот подход как переход от управления розничными процессами через дашборды к непрерывному, поддерживаемому ИИ исполнению в области продаж, медиа, контента и цифровой полки.

Вы проработали более десяти лет в управлении продуктом, клиентском успехе, развитии бизнеса и других областях, прежде чем соучредить CommerceIQ. Что заставило вас заняться агентным ритейлом, и какие уроки из предыдущих технологических переходов сформировали ваш взгляд на этот?

Большинство программного обеспечения до появления агентного ИИ было создано для ускорения работы человека. Excel помогает быстрее построить модель. Дашборд помогает быстрее принять решение. Что изменилось с агентным ритейлом, так это то, что программное обеспечение теперь может выполнять работу самостоятельно, а не только ускорять то, как человек её выполняет. Агент может изучить вашу среду так же, как новый сотрудник. Ваши процессы, внутренние руководства, то, как вы действительно принимаете решения, а затем действуете к цели от начала до конца, при этом человек предоставляет контекст и проверяет результат, а не выполняет каждый шаг. Это совершенно другая категория программного обеспечения, чем всё, с чем я сталкивался ранее в управлении продуктом или клиентском успехе, и поэтому я считаю, что это самый фундаментальный технологический сдвиг, который я видел, а не лишь постепенное улучшение. Темпы также не имеют аналогов. Смартфоны требовали годы, чтобы стать повсеместными. Агентный ИИ изменил работу целых отраслей, и он не замедляется. Урок из предыдущих переходов, который я воспринимаю наиболее серьёзно, состоит в том, что люди, опирающиеся на прошлое, делают здесь неверные выводы. Подход, который, по моему опыту, работает лучше всего, — сохранять открытый ум, «запачкать руки» и учиться на том, что происходит сейчас, а не на том, что было в последнем цикле.

Вы проводите различие между «агентным коммерсом», где потребители используют AI‑агентов для поиска и покупки товаров, и «агентным ритейлом», где бренды используют агентов для управления тем, как они продают. По мере того как обе стороны всё больше автоматизируются, как вы видите изменение отношений между потребителями, брендами и розничными продавцами?

Открытие товаров в рознице претерпело несколько реальных сдвигов. В 80‑х и 90‑х годах это были каталоги по почте, магазин решал, что выделить, а человек выбирал из этого. Amazon создал бесконечный ряд. Каждый поисковый запрос стал своей бесконечной полкой, но человек всё ещё читал названия, пробегал обзоры и делал выбор самостоятельно. Сейчас меняется то, что люди и агенты покупают вместе. Вы выражаете намерение; агент может полностью прочитать каждый продукт на странице, каждое утверждение, каждый отзыв, каждый пункт, провести анализ намерения относительно того, что вам действительно нужно, и предложить вам четыре‑пять рекомендаций. Вы всё ещё выбираете одну, но агент уже выполнил сравнение, которое ранее делал человек, листая. С точки зрения бренда, агенты оптимизируют содержание страниц продукта (PDP) на основе того, что ищут потребители и их агенты, решают, на какие товары делать ставки, и помогают управлять мерчандайзингом. Розничный продавец находится в центре этой петли и контролирует, сколько сигнала проходит между двумя сторонами и что показывается кому и при какой промо‑акции. Этот слой данных и принятия решений становится всё более собственностью розничного продавца.

Поиск товаров переходит от традиционных поисковых запросов к AI‑ассистентам, которые сравнивают продукты, суммируют варианты и делают рекомендации. Как брендам переосмыслить содержание продукта и стратегию цифровой полки, когда они всё больше стремятся заслужить рекомендацию от AI‑агента, а не просто занять высокое место в результатах поиска?

Человек быстро просматривает страницу, читает резюме отзыва и смотрит несколько изображений. Агент может прочитать каждый пиксель. Даже в рамках торгового агента ваш вопрос разбивается на ключевые слова, эти ключевые слова ищутся, результаты извлекаются, каждый продукт читается полностью, после чего алгоритм намерений ранжирует короткий список, который показывается вам. Это означает, что контент должен работать одновременно и для традиционного поиска, и для такого чтения на уровне пикселей, а не только для одного из них. Также имеет значение, для какого типа агента вы оптимизируете. Торговые агенты, такие как Rufus, Sparky и Alexa Shopping, являются теми, где завершаются реальные покупки, и то, что влияет на результат, — это сама страница продукта и каждый её атрибут и утверждение. Универсальные агенты, такие как ChatGPT или Perplexity, ведут себя больше как исследование на верхней воронке, и то, что приносит вам упоминание там, ближе к заработанным медиа, цитатам, блог‑постам и сторонним обзорам. Бренды, рассматривающие их как одну и ту же задачу, в итоге оптимизируют не тот аспект.

Термин «агентный ИИ» теперь применяется к широкому спектру продуктов. В розничной торговле, в частности, что отличает настоящий ИИ‑агент от традиционной автоматизации на основе правил или аналитической платформы с наложенным сверху генеративным ИИ‑интерфейсом?

Автоматизация на основе правил — это «если X происходит, выполнить Y». У неё нет интеллекта, и она не может обрабатывать то, что вы явно не запрограммировали. Генеративный интерфейс поверх панели управления лишь упрощает восприятие той же статической информации. Настоящий агент может думать, планировать, выполнять действия и затем постоянно оценивать и адаптироваться, как обученный вами младший аналитик. Вы предоставляете ему контекст, ваши процессы, руководящие принципы и ранее принятые решения, и он начинает действовать в направлении цели, а не ждать срабатывания следующего правила. Это тот тест, который я действительно использую: может ли он работать так, как человек, которого вы обучили, или это лишь более быстрая версия всегда статичного решения?

Коммерческие команды традиционно имели людей, отслеживающих запасы, цены, страницы продуктов, розничные медиа, эффективность поиска и конкурентную активность по тысячам товаров. Какие из этих операционных пробелов сегодня лучше всего подходят автономным ИИ‑агентам, а где человеческое суждение всё ещё трудно заменить?

Я рассматриваю это как матрицу 2×2, где измеряется, насколько решение требует суждения и какой у него уровень воздействия. Работа с низким уровнем суждения передаётся агенту напрямую. Работа с высоким уровнем суждения или высоким воздействием оставляет за человеком стратегическое руководство и аудит результата. На практике это означает, что следует начать с ваших «длиннохвостых» SKU и «длиннохвостых» розничных партнеров — тех, к которым никто не прикладывался в течение года, и сначала перевести их в автоматический режим, поскольку потенциальный ущерб от ошибки низок. Ваши ключевые SKU и ключевые розничные партнеры сохраняют человеческий слой, и этот слой служит не только для аудита; он является способом обучения агента. Когда вы обнаруживаете ошибку, вы объясняете агенту, что он должен был сделать и почему, и эта обратная связь делает его со временем лучше, а не просто постоянно посредственным.

Специализированные агенты могут создавать собственные проблемы, если они оптимизируют изолированные цели. Медиа‑агент может увеличить рекламные кампании для продукта, который заканчивает запасы, тогда как ценовой агент может повысить конверсию за счёт снижения маржи. Как обеспечить, чтобы несколько агентов работали над более широкими коммерческими целями бренда, а не просто оптимизировали свои отдельные метрики?

Именно поэтому мы создали оркестратор, а не набор независимых агентов. Наш называется Ally, и его цель — рост продаж, а не метрика отдельного канала. Он определяет, где находятся возможности и риски, прорабатывает компромиссы и затем распределяет конкретные задачи между рабочими агентами: медиа, контентом и ценообразованием, предоставляя им одинаковую информацию, чтобы никто не оптимизировал в изоляции. Без этого уровня вы получаете точно описанный в вопросе сценарий провала: медиа‑агент тратит бюджет на продукт, который скоро закончится, потому что у него нет доступа к данным о запасах.

Розничные данные часто фрагментированы между порталами ритейлеров, рекламными платформами, системами учёта запасов, системами информации о продуктах и внутренними аналитическими инструментами. Насколько важны качество данных и их унификация для успешного агентного ритейла, и делает ли предоставление ИИ‑агентам большей автономии плохие или неполные данные более опасными?

Приведение данных к нужному формату, с реальной семантической структурой и правильной онтологией, а не просто сырыми потоками, расположенными рядом, составляет большую часть фактической работы. Многие команды считают, что можно загрузить что‑то в ChatGPT или подключить агента к уже существующим системам, и полученный результат будет непоследовательным; иногда он работает, а иногда «галлюцинирует», без возможности полагаться на него. Автономность ухудшает ситуацию, а не улучшает, потому что человек с плохими данными обычно замечает ошибку до её применения. Агент с плохими данными действует сразу, в масштабе, до того как кто‑то заметит.

По мере того как бренды становятся более уверенными в работе с ИИ‑агентами, как им решать, какие действия могут выполняться автономно, а какие должны по‑прежнему требовать одобрения человека? Как выглядит переход от «ИИ рекомендует» к «ИИ действует» на практике?

Это должно происходить постепенно, а не одним прыжком. Большинство команд начинают с примерно 10 % автоматизации и 90 % требующих одобрения. По мере того как работает цикл обратной связи, когда люди корректируют агента, а агент внедряет эти исправления, доверие растёт, и соотношение смещается к 20 % и 80 %, а затем дальше, как по объёму действий, так и по их ценности. Точка отсчёта для такого прогресса — работа с низким радиусом воздействия, товары с длинным хвостом и розничные сети, которыми вы в любом случае не управляете активно, и она расширяется только на более значимые, требующие более высокого уровня суждения решения, когда уже есть подтверждённый послужной список.

Торговые медиа традиционно сильно ориентированы на метрики, такие как возврат инвестиций в рекламу, но растёт интерес к определению того, создаёт ли реклама действительно дополнительную продажу. Как ИИ может помочь брендам принимать более обоснованные решения об инкрементальности, прибыльности и о том, куда следует направлять рекламные бюджеты?

Бренды могут слишком увлечься измерениями. Проведение глубокого исследования инкрементальности за квартал звучит строго, но рынок обычно уже изменился к моменту завершения исследования. Я бы предпочёл, чтобы команды создали набор практических эвристик и действовали по ним быстрее: если вы уже занимаете высокие позиции в органическом поиске, не повышайте ставки; вы платите за продажу, которую бы получили и без этого. Если ваши позиции в органическом поиске низки, тогда рекламные расходы действительно оправдывают себя. Если существует целевая аудитория, которая не знает о вашем продукте, инвестируйте туда, чтобы её просветить. Споры о том, принесёт ли доллар 1,48 $ или 1,68 $ дополнительного дохода, тратят время, а не действия. Быстрее переходить к действиям и принимать, что цифра будет в целом верной, а не идеально точной — вот что действительно повышает продажи.

Если AI‑агенты со стороны покупателя всё чаще берут на себя поиск, сравнение и покупку, а агенты со стороны бренда управляют контентом, ценообразованием, рекламой и запасами, мы в конечном итоге можем увидеть машины, влияющие на обе стороны транзакции. Как, по вашему мнению, будет выглядеть электронная коммерция в такой среде, и что в конечном итоге будет отличать бренды‑победители от тех, кто станет невидимым для этих управляемых ИИ систем покупки?

Я не считаю, что в ближайшее время агенты начнут автономно совершать сделки друг с другом. Вместо этого я вижу, как люди и агенты покупают совместно с обеих сторон: агенты выполняют сравнение и рекомендации, а люди по‑прежнему принимают окончательное решение; аналогичная схема наблюдается и со стороны бренда — агенты исполняют задачи, пока люди определяют стратегию и одобряют важные решения. В таком мире физический продукт всё равно должен быть качественным; никакая оптимизация не спасёт плохой товар. Далее ключевым фактором является контекст: сколько контекста имеет агент о вашем бизнесе, чему он научился и какой обратной связью его снабжают. Именно это отличает агента, совершающего глупые ошибки, от того, кто действительно понимает голос вашего бренда и стратегию настолько, что ему можно доверять в реальных решениях. Побеждающие бренды — те, кто рассматривает предоставление агентам хорошего контекста и работающего цикла обратной связи как основную задачу, а не как побочный проект; те, кто пропускает этот шаг, становятся невидимыми.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить CommerceIQ.