Himanshu Jain, medgrundare och produktchef på CommerceIQ – Intervjuserie

Himanshu Jain, medgrundare och produktchef på CommerceIQ, leder produktstrategi och utveckling med fokus på att bygga AI‑agenter som automatiserar komplexa detalhandels‑ och e‑handelsarbetsflöden. Sedan han medgrundade CommerceIQ 2017 har han hjälpt till att forma företagets sätt att tillämpa data, automation och AI på digital handel. Före CommerceIQ hade Jain ledande roller inom produktstrategi, affärsutveckling och kundframgång på Boomerang Commerce, där han arbetade med stora återförsäljare med prissättning, sortiment och tillväxtstrategier för e‑handel. Tidigare i sin karriär var han managementkonsult på A.T. Kearney och tillbringade nästan fem år på Capital One UK inom produktledning, kreditrisk, marknadsföringsstrategi, analys och statistisk modellering. Han har också rådgivit startups om go‑to‑market‑strategi och bidragit med artiklar om Amazon och e‑handel till Marketing Land.

CommerceIQ är en AI‑driven detaljhandelsplattform avsedd att hjälpa konsumentvarumärken att hantera och optimera sin prestation över e‑handelskaneler. Plattformen samlar försäljning, detaljhandelsmedia, digital hylla, innehåll, lager och konkurrensdata, vilket ger team en enhetlig översikt över prestation över mer än 1 500 återförsäljare och 85 länder. CommerceIQ har i ökande grad fokuserat på agentbaserad AI genom sin AllyAI‑teknik, med specialiserade agenter som kan analysera detaljhandelssignaler, rekommendera åtgärder, automatisera rapportering, optimera annonsbud och budgetar samt genomföra utvalda e‑handelsarbetsflöden inom definierade kontroller. Företaget positionerar detta tillvägagångssätt som ett skifte från instrumentpanel‑styrd detaljhandelsledning till kontinuerlig, AI‑assisterad verkställning över försäljning, media, innehåll och den digitala hyllan.

Du har arbetat i mer än ett decennium med produktledning, kundframgång, affärsutveckling och mer innan du medgrundade CommerceIQ. Vad fick dig att gå in i agentbaserad detaljhandel, och vilka lärdomar från de tidigare teknologiska övergångarna har format hur du ser på den här?

Den flesta programvaror före agentbaserad AI var utformade för att göra en människas arbete snabbare. Excel hjälper dig att bygga en modell snabbare. En instrumentpanel hjälper dig att fatta ett beslut snabbare. Vad som förändrades med agentbaserad detaljhandel är att programvaran nu kan utföra arbetet själv, inte bara påskynda hur en människa gör det. En agent kan lära sig din miljö på samma sätt som en nyanställd skulle. Dina processer, dina interna riktlinjer, hur du faktiskt fattar beslut och sedan agerar mot ett mål från början till slut, med en människa som ger kontext och granskar resultatet snarare än att utföra varje steg. Det är en helt annan programvarukategori än något jag tidigare arbetat med inom produktledning eller kundframgång, och det är därför jag anser att detta är den mest grundläggande teknologiska förändringen jag har sett, inte en inkrementell. Hastigheten är också utan motstycke. Smartphones tog åratal att bli allestädes närvarande. Agentbaserad AI har förändrat hur hela industrier fungerar och den bromsar inte. Den lärdom jag tar mest på allvar från tidigare övergångar är att personer som projicerar från det förflutna fattar fel beslut här. Den metod jag funnit fungerar bäst är att hålla ett öppet sinne, bli praktiskt involverad och lära av vad som faktiskt händer just nu snarare än vad som hände i föregående cykel.

Du har gjort en distinktion mellan \”agentbaserad handel\”, där konsumenter använder AI‑agenter för att upptäcka och köpa produkter, och \”agentbaserad detaljhandel\”, där varumärken använder agenter för att hantera hur de säljer. När båda sidor blir alltmer automatiserade, hur ser du på att förhållandet mellan konsumenter, varumärken och återförsäljare förändras?

Detaljhandelsupptäckt har genomgått några verkliga skiften. På 80‑ och 90‑talen var det cirkulärblad i posten, en butik som bestämde vad som skulle lyftas fram, och en människa som valde bland dem. Amazon skapade den oändliga gången. Varje nyckelordssökning blev sin egen obegränsade hylla, men en människa läste fortfarande titlar, skummade igenom recensioner och fattade valet ensam. Det som förändras nu är att människor och agenter köper tillsammans. Du uttrycker en avsikt; en agent kan läsa varje produkt på sidan i sin helhet, varje påstående, varje recension, varje punkt, köra en avsiktsanalys mot vad du faktiskt behöver och ge dig fyra eller fem rekommendationer. Du väljer fortfarande en, men agenten har redan gjort jämförelsearbetet som en människa tidigare gjorde genom att skumma. På varumärkesidan optimerar agenter PDP‑innehåll baserat på vad konsumenter och deras agenter letar efter, beslutar vilka produkter som ska budas på och hjälper till att hantera merchandising. Återförsäljaren sitter i mitten av den loopen och styr hur mycket signal som flödar mellan de två sidorna och vad som visas för vem och under vilken kampanj. Det datalager och beslutsfattande lagret blir alltmer proprietärt för återförsäljaren.

Produktupptäckt går bortom traditionella nyckelordssökningar och rör sig mot AI‑assistenter som jämför produkter, sammanfattar alternativ och ger rekommendationer. Hur bör varumärken ompröva produktinnehåll och strategi för den digitala hyllan när de i ökande grad försöker vinna en rekommendation från en AI‑agent snarare än bara rankas högt i ett sökresultat?

En människa skummar en sida, läser en recensionssammanfattning och tittar på ett par bilder. En agent kan läsa varje pixel. Även i en shopping-agent bryts din fråga ner till nyckelord, dessa nyckelord söks, resultaten extraheras, varje produkt läses i sin helhet, och sedan rangordnar en avsiktsalgoritm den kortlista som visas för dig. Det betyder att innehållet måste fungera både för traditionell sökning och för den pixel-nivå läsningen samtidigt, inte det ena eller det andra. Det spelar också roll vilken typ av agent du optimerar för. Shopping-agenter som Rufus, Sparky och Alexa Shopping är där faktiska köp slutförs, och det som driver utvecklingen där är själva produktsidan samt varje attribut och påstående på den. Allmänna agenter som ChatGPT eller Perplexity beter sig mer som forskning i toppen av tratten, och det som ger dig en omnämning där är snarare förtjänad media, citat, blogginlägg och tredjeparts‑skrivningar. Varumärken som behandlar dessa som samma problem slutar med att optimera för fel yta.

Begreppet \”agentic AI\” används nu för ett brett spektrum av produkter. Inom detaljhandeln specifikt, vad skiljer en sann AI‑agent från traditionell regelbaserad automatisering eller en analysplattform med ett generativt AI‑gränssnitt ovanpå?

Regelbaserad automatisering är om X händer, gör Y. Den har ingen intelligens och kan inte hantera något du inte uttryckligen programmerat för. Ett generativt gränssnitt ovanpå en instrumentpanel gör bara samma statiska insikt lättare att läsa. En sann agent kan tänka, planera, genomföra och sedan kontinuerligt utvärdera och anpassa sig, som en junioranalytiker du har tränat. Du ger den kontext, dina processer, dina riktlinjer och de beslut du tidigare fattat, och den börjar agera mot ett mål istället för att vänta på att nästa regel ska triggas. Det är det test jag faktiskt använder: kan den fungera på det sätt en person du tränat skulle, eller är den bara en snabbare version av något som alltid varit statiskt?

Handelsteam har traditionellt haft personer som övervakar lager, prissättning, produktsidor, detaljhandelsmedia, sökprestanda och konkurrensaktivitet för tusentals produkter. Vilka av dessa operativa luckor är idag bäst lämpade för autonoma AI‑agenter, och var är mänskligt omdöme fortfarande svårt att ersätta?

Jag tänker på detta som en 2×2‑matris som visar hur mycket omdöme ett beslut kräver och hur stor påverkan det har. Arbete med lågt omdöme överlämnas direkt till agenten. Arbete med högt omdöme eller hög påverkan behåller en människa som ger strategisk vägledning och granskar resultatet. I praktiken innebär det att börja med dina långsvans‑SKU:er och långsvans‑återförsäljare, de som ingen har rört på på ett år ändå, och sätta dem på autopilot först eftersom risken för ett misstag är låg. Dina topp‑SKU:er och topp‑återförsäljare behåller ett mänskligt lager, och det lagret är inte bara för granskning; det är hur du tränar agenten. När du fångar något berättar du för den vad den skulle ha gjort och varför, och den återkopplingen är det som gör den bättre över tid istället för att bara vara konsekvent medioker.

Specialiserade agenter kan potentiellt skapa egna problem om de optimerar för isolerade mål. En media‑agent kan öka annonseringen för en produkt som håller på att ta slut i lager, medan en pris‑agent kan förbättra konverteringen på bekostnad av marginalen. Hur säkerställer du att flera agenter arbetar mot varumärkets bredare kommersiella mål snarare än bara optimerar sina individuella nyckeltal?

Det är exakt därför vi byggde en orkestrerare istället för en uppsättning oberoende agenter. Vår heter Ally, och dess mål är försäljningsökning, inte någon enskild kanals nyckeltal. Den identifierar var möjligheterna och riskerna finns, arbetar igenom avvägningarna och tilldelar sedan specifika uppgifter till arbets‑agenterna för media, innehåll och prissättning, och delar samma information med dem alla så att ingen optimerar i isolering. Utan det lagret får du exakt det felbeteende som beskrivs i frågan: en media‑agent som spenderar mot en produkt som är på väg att ta slut i lager eftersom den saknar insyn i lagersaldot.

Detaljhandelsdata är ofta fragmenterad över återförsäljarportaler, reklamsplattformar, lagersystem, produktinformationssystem och interna analysverktyg. Hur viktig är datakvalitet och datainsamling för framgångsrik agentbaserad detaljhandel, och gör det att ge AI‑agenter större autonomi att dålig eller ofullständig data blir farligare?

Att få data i rätt format, med verklig semantisk struktur och en korrekt ontologi, inte bara råflöden som ligger bredvid varandra, är det mesta av det faktiska arbetet här. Många team tror att man kan ladda upp något till ChatGPT eller koppla en agent ovanpå befintliga system, och vad man får är inkonsekvent; ibland fungerar det, och ibland hallucinerar det, utan möjlighet att lita på det. Autonomi förvärrar det, inte förbättrar, eftersom en människa med dåliga data vanligtvis fångar felet innan den agerar på det. En agent med dåliga data agerar på dem omedelbart, i skala, innan någon märker det.

När varumärken blir mer bekväma med AI‑agenter, hur bör de besluta vilka åtgärder som kan utföras autonomt och vilka som fortsatt ska kräva mänskligt godkännande? Hur ser övergången från \”AI rekommenderar\” till \”AI agerar\” ut i praktiken?

Det bör ske gradvis, inte i ett hopp. De flesta team börjar med cirka 10 procent automatiserat och 90 procent som kräver godkännande. När återkopplingsslingan körs, när människor korrigerar agenten och agenten införlivar den korrigeringen, byggs förtroendet upp och den andelen skiftar till 20 procent och 80 procent, och sedan vidare, både när det gäller volymen av åtgärder och värdet av det som automatiseras. Utgångspunkten för den utvecklingen är arbete med låg påverkan, långsvansade SKU:er och återförsäljare som du ändå inte aktivt hanterade, och den sträcker sig bara till beslut med högre påverkan och högre omdömeskrav när spårhistoriken faktiskt finns.

Retail media har traditionellt varit starkt fokuserad på mätvärden såsom avkastning på annonsutgifter, men intresset ökar för att avgöra om reklam faktiskt skapar inkrementella försäljningar. Hur kan AI hjälpa varumärken att fatta bättre beslut om inkrementalitet, lönsamhet och var reklambudgetar bör placeras?

Varumärken kan bli alltför förälskade i mätning. Att genomföra en djup inkrementalitetsstudie under ett kvartal låter rigoröst, men marknaden har vanligtvis gått vidare när studien är klar. Jag skulle hellre se team bygga upp en uppsättning praktiska heuristiker och agera på dem snabbare: om du redan rankas högt organiskt, buda inte mer; du betalar för en försäljning du ändå skulle ha fått. Om du rankas lågt organiskt är det då annonsutgifterna faktiskt tjänar sin plats. Om det finns en målgrupp på marknaden som inte känner till din produkt, spendera där för att utbilda dem. Att diskutera huruvida en dollar gav 1.48 eller 1.68 dollar inkrementellt är tid som spenderas utan handling. Att komma till handlingen snabbare och acceptera att siffran är riktad rätt snarare än perfekt exakt är vad som faktiskt driver försäljning.

Om AI‑agenter på köparens sida i allt högre grad hanterar upptäckt, jämförelse och köp medan agenter på varumärkes‑sidan sköter innehåll, prissättning, reklam och lager, kan vi så småningom få maskiner som påverkar båda sidor av en transaktion. Hur tror du e‑handel ser ut i en sådan miljö, och vad kommer slutligen att skilja de varumärken som lyckas från de som blir osynliga för dessa AI‑drivna köpsystem?

Jag tror inte att vi är på väg mot att agenter transakterar med varandra autonomt inom någon snar framtid. Vad jag ser istället är människor och agenter som köper tillsammans på båda sidor, agenter som utför jämförelse‑ och rekommendationsarbetet, människor som fortfarande fattar det slutgiltiga beslutet, och samma mönster på varumärkes‑sidan, där agenter verkställer medan människor sätter strategi och godkänner de beslut som är viktiga. I en sådan värld måste den fysiska produkten fortfarande vara bra; ingen mängd optimering räddar en dålig produkt. Därefter är det kontexten som skiljer: hur mycket kontext en agent har om ditt företag, hur mycket den har lärt sig och hur mycket återkoppling den har fått. Det är vad som skiljer en agent som gör dumma misstag från en som faktiskt förstår ditt varumärkesröst och strategi tillräckligt väl för att kunna litas på med verkliga beslut. De varumärken som vinner är de som ser till att ge agenter bra kontext och en fungerande återkopplingsslinga som kärnarbete, inte som ett sidoprojekt, och de som hoppar över det steget blir osynliga.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka CommerceIQ.