Nick Shiftan, CTO på Bazaarvoice – Intervju-serie

Nick Shiftan, CTO på Bazaarvoice, är en erfaren teknisk ledare och entreprenör som har en karriär som sträcker sig över två decennier med 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 över 20 miljoner dollar i årlig omsättning innan det förvärvades av Bazaarvoice 2020. Tidigare i sin karriär grundade och ledde han produktutvecklingen på Parkio, som levererade företagsprogramvara för transport- och parkeringssystem, och började sin professionella resa på Microsoft (MSFT ), 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 stor skala, vilket kulminerade i hans utnämning till CTO, där hans fokus ligger på att utveckla AI-drivna produktupptäckter baserat 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 köpbeslut genom att sprida betrodd 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 kompromissa med prestanda under tung belastning?

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

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

Betyg och recensioner har alltid varit avgörande infrastruktur, men detta är särskilt sant i en värld med AI-stödd shopping. AI-agenter kommer att lita tungt på tillitsignalering – särskilt i form av betyg och recensioner – när de gör shoppingrekommendationer. Fördröjningar, saknad data eller uppenbar 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.

Med tanke på att du har lett ingenjörer över flera stora handelsplattformar, hur anpassar du övervaknings- och incidenthanteringsstrategier när AI-system – såsom sentimentanalys eller bedrägerimodeller – sitter direkt i realtidsdatavägen?

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

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

Det handlar om slut-till-slut-övervakning och pipeline-segmentering. Varje innehållsspårning sker genom dess livscykel, från intag till visning. AI-modeller tillhandahåller rekommendationer eller modereringsflaggor, men alla beslut loggas, är granskbara och spårbara. Kopplat till kapacitetsbuffertar och dynamisk skalning säkerställer detta 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-chefer förbereda sig för dem nu?

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

• Var 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 ett AI-gränssnitt?

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

Tack för det underbara samtalet, läsare som vill lära sig mer kan besöka Bazaarvoice.