Jim Rowan, USA-chef för AI på Deloitte – intervjuserie

Jim Rowan är USA-chef för AI på Deloitte och principal på Deloitte Consulting LLP. Han hjälper organisationer att omsätta sina AI-ambitioner i affärsresultat. Hans karriär omfattar företagsteknik, analys, data och digital omställning, och han har erfarenhet från life science, hälso- och sjukvård samt telekommunikation. Han har haft ledande roller inom Deloittes verksamhetsområden Strategy & Analytics och AI & Data. I sitt arbete utvecklar han bland annat den kompetens och de förmågor som organisationer behöver för att införa AI.

Deloitte är ett företag inom professionella tjänster som erbjuder konsulttjänster, revision och bestyrkandetjänster, skatterådgivning och andra rådgivningstjänster. Företagets AI-arbete förenar strategi, data, teknik, kompetens och styrning för att hjälpa företag att införa AI och skala upp användningen i hela verksamheten. Inom digital handel omfattar arbetet bland annat att förbereda produktinformation och företagssystem för AI-agenter, knyta samman kundupplevelser i olika kanaler och införa de identitets-, behörighets- och tillitskontroller som krävs för automatiserade interaktioner och transaktioner.

Du har arbetat på Deloitte i mer än två decennier med företagsteknik, analys, data och numera AI. Utifrån det perspektivet: när blev det tydligt för dig att AI-agenter inte bara skulle förändra hur företag arbetar internt, utan också bli mellanhänder mellan företag och deras kunder?

Under de senaste åren har jag på nära håll sett hur AI utvecklats, samtidigt som jag hjälpt organisationer att omsätta affärsmål i mätbara resultat som tidigare verkade otänkbara. Min bakgrund inom data, processer och teknik har varit grundläggande för min förståelse av AI. Jag började utveckla Deloittes förmågor med fokus på den kompetens som krävs för att lyckas med AI, till exempel genom vår AI Academy, som tar fram utbildningsmaterial för både våra medarbetare och våra kunder.

I dagens läge använder organisationer AI-agenter på flera sätt för att förändra sina strategier för digital handel: de ökar varumärkets synlighet, använder personaliseringsmotorer för att förbättra dialogen och samordnar enhetliga omnikanalupplevelser vid fysiska, digitala och sociala kontaktytor. Denna brytpunkt kommer samtidigt som varumärken navigerar på en volatil marknad, vilket skapar möjligheter för agentbaserad handel att hjälpa dem att bemöta kundernas behov snabbare, mer relevant och mer konsekvent.

Du har talat om att företag behöver förbereda sig för ”agentbaserad sökoptimering”. Hur definierar du begreppet, och på vilket grundläggande sätt skiljer det sig att optimera för en AI-agent från traditionell SEO eller nyare metoder för att optimera innehåll för AI-baserade svarstjänster?

Traditionellt har konkurrensen om konsumenternas uppmärksamhet på nätet präglats av sökmotoroptimering (SEO), som utgår från att en människa läser, utvärderar och beslutar om ett köp efter att ha gjort en sökning. När konsumenterna i allt högre grad använder AI-verktyg för att göra research har generativ motoroptimering (GEO) introducerats. Agentbaserad sökoptimering är en vidareutveckling av GEO som tar hänsyn till att AI inte längre bara rekommenderar produkter eller tjänster, utan även agerar utifrån köpbesluten. Det innebär att varumärken måste optimera inte bara för generativ AI, som främst ger rekommendationer till slutanvändaren, utan också för agentbaserad AI, som är utformad för att utföra uppgifter och kan samordna system, genomföra arbetsflöden och initiera transaktioner.

När en AI-agent får i uppgift att undersöka, jämföra och kortlista produkter eller tjänster, vilka signaler tror du att den kommer att värdera högst? Kommer strukturerad produktdata, priser, recensioner, bevakning från tredje part och varumärkets auktoritet att bli viktigare, eller kommer helt nya typer av signaler att få större betydelse?

En AI-agents urval formas av synlighet och relevans, och agenten kommer att föredra varumärken vars produkter, tjänster, priser och data är tillgängliga, maskinläsbara och omedelbart verifierbara. Konsekvens mellan plattformar, betyg och recensioner samt varumärkets auktoritet spelar fortfarande roll, men även dessa signaler måste kunna omvandlas till data som en agent kan tolka. Personliga förutsättningar kommer också att spela roll, eftersom agenter som agerar för kundernas räkning behöver tillförlitlig tillgång till personernas preferenser, behörigheter och tidigare interaktioner för att kunna ge så relevanta rekommendationer som möjligt. Utöver själva signalerna blir det en konkurrensfördel för varumärken hur snabbt organisationer kan göra sina data läsbara, begripliga, tillförlitliga och mätbara på ett sätt som agenter kan jämföra.

En utmaning är att det så småningom kan finnas tusentals konsument- och företagsagenter som bygger på olika modeller och är kopplade till olika datakällor. Hur kan ett företag se till att det återges korrekt och går att hitta i detta fragmenterade ekosystem, utan att försöka optimera för varje enskild agent?

Fokus för organisationer bör ligga på att skapa en betrodd, maskinläsbar grund som alla agenter kan komma åt och tolka, i stället för att optimera för enskilda agenter. Det innebär att publicera verifierbar, tillförlitlig och aktuell information om produkter, priser och policyer via auktoritativa källor. Att vara lätt att hitta räcker troligen inte, eftersom agenter kommer att börja agera på konsumenternas vägnar. Därför behövs system som möjliggör identitetsverifiering, bekräftelse av behörighet och säkra transaktioner. I det numera splittrade ekosystemet av agenter kommer det varumärke som gör sin information enklast att förstå och hitta att hamna högst i sökresultaten. Företag bör dock undvika att bygga kring ett enda protokoll, eftersom dessa fortfarande utvecklas och det ännu inte är klart vilket som kommer att bli dominerande. Därför är det viktigt att utforma lösningar för interoperabilitet och förmågan att snabbt införa eller byta protokoll i takt med att ekosystemet utvecklas.

Om handeln utvecklas från företag-till-konsument till företag-till-agent-till-företag, vad förändras då på den tekniska nivån? Behöver företag tänka om kring webbplatser, API:er, produktkataloger, identitetssystem eller annan infrastruktur så att agenter kan interagera direkt med dem?

Ja, organisationer behöver tänka om och föreställa sig sina nuvarande system på nytt för att bygga den tekniska arkitektur som krävs för B2B-handel med AI-agenter. Det kommer inte att ske över en natt; det tar tid med tanke på arbetsinsatsen och omfattningen av förändringarna. I dag utvecklas funktionerna för att hitta produkter och genomföra betalningar snabbare än beslutsfattandet, där företag fortfarande bygger upp förtroendet för att låta agenter fatta beslut inom fastställda ramar. CIO:er, CTO:er och CISO:er bör fokusera på att leverera skalbara integrationsplattformar med låg latens, med stöd av starka partnerskap inom teknik och systemintegration. I stället för att göra en fullständig systemöversyn bör ledare ägna tid åt att avgöra vilka system som kan kopplas till agenter, identifiera dem som inte kan det och testa enkla uppgifter i avgränsade miljöer. Det är också viktigt att människor behåller ägarskapet över transaktionen. Företag bör därför skapa flexibla flöden där kunden enkelt kan växla mellan agentstyrd och människostyrd interaktion, i stället för att försämra den mänskliga upplevelsen i jakten på automatisering. Med tiden kan organisationer gå vidare till att bygga en plattform som hanterar flera agenter, uppgradera eller ansluta äldre system så att agenter får tillgång till dem och införa avancerad säkerhet med övervakning i realtid.

Traditionell digital marknadsföring har i hög grad optimerats för rankning, visningar, klick och webbplatstrafik. Om agenter i allt större utsträckning gör research innan någon ens besöker en webbplats, vilka nya mätvärden bör företag använda för att förstå om de faktiskt syns och är konkurrenskraftiga i köpresan med AI-agenter?

Historiskt har framgång främst mätts genom förmågan att fånga konsumenternas uppmärksamhet och i slutändan vinna deras förtroende. I takt med att agenter tar över en större del av köpresan behöver organisationer nya sätt att mäta om deras varumärken syns, är relevanta och i slutändan väljs. Det innebär bland annat att koppla utvecklingen av varumärkets agent till resultatmätningen och bedöma om en agent lyfter fram varumärket, identifierar erbjudanden som kunden är berättigad till och genomför en transaktion framgångsrikt. Varumärken bör fokusera på sina köpare snarare än på konkurrenterna när de beslutar om investeringar eller förändringar av kundupplevelsen, och följa hur kunder hittar produkter, var de lämnar köpresan och var de stannar kvar. Dessa mätvärden kan inte bara hjälpa varumärken att särskilja sina värdeerbjudanden, utan också visa avkastningen på investeringen med mätbara resultat som stärker kundlojaliteten och den operativa kvaliteten.

AI-agenter kan sammanfatta ett företag, jämföra det med konkurrenterna och eventuellt rekommendera det, utan att företaget direkt kan styra hur det framställs. Hur bör varumärken upptäcka felaktig eller inaktuell information och skapa en auktoritativ källa som agenter på ett tillförlitligt sätt kan använda?

Precis som i alla andra branscher är granskning av produktdata avgörande för att vara lätt att hitta via agenter i olika kanaler. Varumärken bör också överväga Model Context Protocol (MCP) som en viktig möjliggörare. Det skapar en kontrollerad miljö där data, verktyg och kontext delas säkert med externa shoppingagenter och plattformar. Genom att kombinera strukturerade data med MCP kan man möjliggöra interaktion mellan agenter, förbättra interoperabiliteten och bidra till att varumärkesinformation återges korrekt och prioriteras på rätt sätt. Eftersom protokollen fortfarande utvecklas och det ännu inte är klart vilket som kommer att bli mest populärt bör företag bygga flexibla lösningar, så att de snabbt kan ansluta till, växla mellan och införa nya standarder i takt med att ekosystemet utvecklas.

När agenter går från att bara rekommendera produkter till att vidta åtgärder som att begära offerter, förhandla om villkor eller genomföra köp, hur viktiga blir då infrastrukturen för identitet, behörighet och förtroende? Hur skiljer ett företag en legitim kundagent från ett automatiserat system som det inte bör lita på?

Handel mellan agenter medför nya risker eftersom transaktioner kan ske snabbt utan mänsklig inblandning. Därför är det avgörande att människor kan ingripa och att processen kan övergå till mänsklig hantering när som helst. Transaktioner inom agentbaserad handel kräver nya typer av bedrägeriförebyggande åtgärder, strategiska finansiella kontroller och riktade rapporteringsramverk som utformats särskilt för aktiviteter som initieras av maskiner.

På kort sikt bör organisationer behandla sina AI-agenter som anställda, med tydligt definierade ansvarsområden, kontrollerad åtkomst och klart ansvar. De behöver också rutiner för att verifiera att agenter är legitima, godkänna betalningar och upprätthålla transaktionsgränser, API-behörigheter och andra operativa skyddsåtgärder.

Det finns också en möjlighet att annonsering och betald produktplacering följer med konsumenterna in i det agentbaserade ekosystemet. Hur tror du att de kommersiella incitamenten kommer att utvecklas när en AI-agent rekommenderar produkter åt någon, och vilken transparens kommer att krävas för att människor ska kunna lita på rekommendationerna?

Vi ser redan att kapital styrs om till agentbaserad handel, och amerikanska annonsörer beräknas lägga omkring 26 miljarder dollar på AI-sökannonser senast 2029. De kommersiella incitamenten kommer oundvikligen att behöva utvecklas i takt med att företag avgör om kampanjer och priser som erbjuds via egna kanaler ska gälla även i agentbaserade miljöer. En del av den utvecklingen kräver tydliga regler för hur agenter ska hantera priser och kampanjer. Utan skyddsåtgärder kan agenter genomföra köp utifrån de priser som gäller vid själva köptillfället, vilket potentiellt kan aktivera oavsiktliga kampanjer och prisnivåer och leda till marginalbortfall. Företag bör införa riktlinjer som följer globala standarder för integritet och datahantering och är förenliga med människostyrda, förhandsgodkända parametrar för varje kund.

Trots den ökande automatiseringen har du betonat att mänskligt omdöme även fortsättningsvis kommer att vara avgörande för köpbeslut. Var går gränsen mellan beslut som konsumenter gärna överlåter åt agenter och beslut där människor fortfarande vill undersöka alternativen, jämföra dem och själva fatta det slutgiltiga beslutet?

Var gränsen går beror på hur mycket som står på spel och hur stort förtroende konsumenten har för agenten. Människor kan känna sig bekväma med att överlåta rutinmässiga köp till lågt pris när deras preferenser är tydliga och följderna av ett dåligt val är små. Vid beslut som innebär stora utgifter, känsliga uppgifter eller avtalsmässiga åtaganden kommer de sannolikt att vilja ha större insyn och behålla det slutliga godkännandet. Konsumenterna kommer att känna sig mer bekväma med ett varumärke när hindren minskar. Därför behöver det vara enkelt att förstå vad som händer och lita på att transaktionen genomförs som avsett och på ett säkert sätt. Varumärken bör därför ge konsumenterna tydlig kontroll över vad en agent får göra på egen hand, när den måste be om tillstånd och hur enkelt dess åtgärder kan granskas eller ångras.

Tack för en fantastisk intervju. Läsare som vill utforska agentbaserad handel, AI-driven synlighet och den förtroendeinfrastruktur som ligger bakom automatiserade köp bör besöka Deloitte.