Nick Shiftan, CTO på Bazaarvoice – Intervjuserie

Nick Shiftan, CTO på Bazaarvoice, är en erfaren teknisk ledare och entreprenör vars karriär omfattar två decennier av att bygga och skala företagsprogramvara och handelsplattformar. Han är mest känd som medgrundare och CTO för Curalate, ett banbrytande socialt handelsföretag som han hjälpte växa under nästan ett decennium till mer än 20 miljoner dollar i årlig återkommande intäkt innan det förvärvades av Bazaarvoice 2020. Tidigare i sin karriär grundade och ledde han produktutveckling på Parkio, som levererade företagsprogramvara för transport- och parkeringssystem, och började sin professionella resa på Microsoft, där han arbetade med Outlook Mobile för Windows Mobile. Efter förvärvet utvecklades det som initialt förväntades vara en kort övergång till en långsiktig roll när han fortsatte bygga i skala, vilket kulminerade i hans utnämning till CTO, där hans fokus ligger på att driva AI-driven produktupptäckt grundad på tillit och äkta konsumentdata.

Bazaarvoice är en branschledande SaaS-plattform som möjliggör för varumärken och återförsäljare att samla in, hantera och aktivera äkta användargenererat innehåll, såsom betyg, recensioner, foton och videor under hela den digitala shoppingresan. Verksamheten sker i global skala, och företaget hjälper mer än en miljard shoppare varje månad att fatta informerade inköpsbeslut genom att syndikera betroddt innehåll över ett stort nätverk av varumärken och detaljhandelsdestinationer, vilket placerar transparens, trovärdighet och datadriven handel i centrum för onlineupplevelser.

Hur tillämpar du generativ-AI och LLM-baserade tekniker för att stärka recensionsäkthet, moderering och tillitsignalering utan att äventyra prestanda under tung belastning?

Vi använder AI för att identifiera signaler och mönster, inte för att ersätta mänsklig bedömning. LLM hjälper till att snabbt identifiera avvikande aktivitet eller potentiellt oäkta innehåll, men målet är alltid att bevara tillit. Genom att integrera dessa modeller i offlinevalideringspipeliner och koppla loss dem från realtidsbegäranssökvägar upprätthåller vi prestanda även när inlämningsvolymerna ökar. Resultatet är moderering och äkthetskontroller som är både intelligenta och skalbara.

Många återförsäljare investerar tungt i kassasystemets tillförlitlighet, men försummar ofta komplexiteten i att upprätthålla ett trovärdigt recensionssystem. Vilka dolda risker i recensions- och betygsinfrastrukturer anser du förtjänar samma strategiska granskning som betalningar?

Betyg och recensioner har alltid varit beslutsavgörande infrastruktur, men detta är särskilt sant i en värld med AI-stödd shopping. AI-agenter kommer att lita tungt på tillitsignalering – främst i form av betyg och recensioner – när de gör shoppingrekommendationer. Fördröjningar, saknad data eller flagrant oäkthet kommer att direkt påverka konsumentförtroendet. Dessa system är komplexa; att behandla dem med samma rigor som kassasystem är avgörande för att undvika förlorad konvertering och långsiktig tillitserosion.

Ha lett ingenjörer över flera stora handelsplattformar, hur anpassar du övervaknings- och incidentresponsstrategier när AI-system – såsom sentimentanalys eller bedrägeridetektionsmodeller – sitter direkt i realtidsdatavägen?

Vi behandlar AI-modeller som vilken annan kritisk tjänst som helst: övervaka prestanda och noggrannhet i realtid. Det inkluderar latency, felrater och beteendeförändring. Vi implementerar säkerhetsåtgärder så att modellerna kan försämras smidigt eller kringgå icke-kritiska sökvägar under belastning. Instrumentpaneler, automatiserade aviseringar och körböcker säkerställer att AI-problem identifieras och löses innan de påverkar shopparna.

När du opererar på Bazaarvoices globala skala, hur säkerställer du att konsumentgenererat innehåll flödar genom dina AI-drivna system på sätt som upprätthåller spårbarhet, transparens och realtidsrespons?

Det handlar om slut-till-slut-övervakning och pipeline-segmentering. Varje bit innehåll spåras genom dess livscykel, från insamling till visning. AI-modeller tillhandahåller rekommendationer eller modereringsflaggor, men alla beslut loggas, är granskningsbara och spårbara. I kombination med kapacitetsbuffertar och dynamisk skalning säkerställs responsivitet även under toppbelastning samtidigt som transparens upprätthålls.

Om du ser framåt, vilka nya AI-drivna risker eller beteendemönster tror du kommer att definiera nästa generation av detaljhandelssystemdesign, och hur bör IT-ledare förbereda sig för dem nu?

För mig är den nyckelfråga för detaljhandels-IT-chefer inte om AI-shopping kommer att ske – det handlar om hur deras shoppingresa kommer att förändras när det sker. Om AI-shopping blir lika vanligt imorgon som online-shopping är idag:

• Vart kommer kunderna att upptäcka mina produkter, på min webbplats eller via ChatGPT?
• Hur kommer de att lära sig om mina produkter, genom Claude eller min egen shoppingassistent?
• Hur kommer de att checka ut, på min kassasida eller direkt via en AI-gränssnitt?

Frontier-modeller kommer sannolikt att veta allt om dina produkter. Men den verkliga frågan är: Kommer de att leverera samma kundupplevelse som du kan idag? Om svaret är nej, räcker det inte att vänta på att AI-drivna beställningar ska dyka upp. Du kommer att behöva investera i AI-assistenter och ingångspunkter som gör dem en del av ditt varumärkes unika shoppingupplevelse.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Bazaarvoice.