Хіманшу Джайн, співзасновник та керівник продуктів у CommerceIQ — серія інтерв’ю

Himanshu Jain, співзасновник та керівник продуктів у CommerceIQ, очолює стратегію продукту та розробку, зосереджуючись на створенні AI‑агентів, які автоматизують складні процеси роздрібної торгівлі та електронної комерції. З моменту співзаснування CommerceIQ у 2017 році він допоміг сформувати підхід компанії до застосування даних, автоматизації та ШІ у цифровій комерції. До приєднання до CommerceIQ Джайн займав керівні посади у сфері стратегії продукту, розвитку бізнесу та успішності клієнтів у Boomerang Commerce, де працював з провідними роздрібними мережами над стратегіями ціноутворення, асортименту та зростання електронної комерції. Раніше у своїй кар’єрі він був консультантом‑менеджером у A.T. Kearney та майже п’ять років працював у Capital One UK у галузях управління продуктом, кредитного ризику, маркетингових стратегій, аналітики та статистичного моделювання. Він також консультував стартапи щодо стратегії виходу на ринок і писав статті про Amazon та електронну комерцію для Marketing Land.

CommerceIQ — це платформа роздрібної комерції, що працює на базі ШІ, створена для допомоги споживчим брендам у управлінні та оптимізації їхньої продуктивності в різних каналах електронної комерції. Її платформа об’єднує дані про продажі, роздрібні медіа, цифрову вітрину, контент, інвентар та конкурентну інформацію, забезпечуючи командам єдиний огляд результативності понад 1 500 роздрібних мереж у 85 країнах. CommerceIQ все більше зосереджується на агентному ШІ за допомогою технології AllyAI, з спеціалізованими агентами, які можуть аналізувати роздрібні сигнали, рекомендувати дії, автоматизувати звітування, оптимізувати рекламні ставки та бюджети і виконувати обрані робочі процеси електронної комерції в межах визначених контролів. Компанія позиціонує цей підхід як перехід від управління роздрібом на основі панелей інструментів до безперервного виконання під підтримкою ШІ у сферах продажу, медіа, контенту та цифрової вітрини.

Ви працювали понад десять років у сфері управління продуктом, успішності клієнтів, розвитку бізнесу та ін., ще до того, як співзаснували CommerceIQ. Що спонукало вас зайнятися агентною роздрібною торгівлею, і які уроки з тих ранніх технологічних переходів сформували ваш погляд на цей?

Більшість програмного забезпечення до появи агентного ШІ була створена для того, щоб прискорити роботу людини. Excel допомагає швидше будувати модель. Панель інструментів допомагає швидше приймати рішення. Що змінилося з агентною роздрібною торгівлею, так це те, що програмне забезпечення тепер може виконувати роботу самостійно, а не лише прискорювати те, як це робить людина. Агент може вивчити ваше середовище так, як новий співробітник. Ваші процеси, внутрішні інструкції, спосіб прийняття рішень і подальша дія досягнення мети від початку до кінця, при цьому людина надає контекст і перевіряє результат, а не виконує кожен крок. Це зовсім інша категорія програмного забезпечення, ніж усе, з чим я працював раніше в управлінні продуктом чи успішності клієнтів, і саме тому я вважаю це найфундаментальнішим технологічним зрушенням, яке я бачив, а не поступовим. Темп також не має аналогів. Смартфони потребували років, щоб стати повсюдними. Агентний ШІ змінив спосіб роботи цілих галузей, і цей процес не сповільнюється. Урок з попередніх переходів, який я сприймаю найсерйозніше, полягає в тому, що люди, які проєктують майбутнє, спираючись на минуле, роблять тут помилкові рішення. Підхід, який, на мій погляд, працює найкраще, — це залишатися відкритим, братися за справу і вчитися на тому, що відбувається зараз, а не на тому, що сталося в попередньому циклі.

Ви розрізняєте «агентну комерцію», коли споживачі використовують AI‑агентів для пошуку та придбання товарів, і «агентну роздрібну торгівлю», коли бренди застосовують агентів для управління процесом продажу. Оскільки обидві сторони стають все більш автоматизованими, як, на вашу думку, змінюватиметься взаємодія між споживачами, брендами та роздрібними продавцями?

Відкриття роздрібних товарів пройшло кілька справжніх змін. У 80‑х і 90‑х роках це були листівки у пошті, магазин, який вирішував, що підкреслити, і людина, яка обирала з цього. Amazon створив безмежний ряд. Кожен пошук за ключовим словом став власною необмеженою вітриною, але людина все ще читала назви, переглядала відгуки і самостійно робила вибір. Тепер змінюється те, що люди і агенти купують разом. Ви виражаєте намір; агент може повністю прочитати кожен продукт на сторінці, кожну заяву, кожен відгук, кожен пункт, провести аналіз наміру щодо того, що вам дійсно потрібно, і надати вам чотири‑п’ять рекомендацій. Ви все ще обираєте одну, але агент вже виконав порівняльну роботу, яку раніше робила людина, переглядаючи. З боку бренду агенти оптимізують вміст PDP, орієнтуючись на те, що шукають споживачі та їхні агенти, вирішують, на які продукти подавати ставки, і допомагають керувати мерчандайзингом. Роздрібний продавець знаходиться в центрі цього циклу і контролює, скільки сигналу проходить між двома сторонами, що показується кому і за якої промоції. Цей шар даних і прийняття рішень стає все більш власницьким для роздрібного продавця.

Відкриття продуктів переходить від традиційних пошуків за ключовими словами до AI‑асистентів, які порівнюють товари, підсумовують варіанти та роблять рекомендації. Як брендам переосмислити вміст продукту та стратегію цифрової вітрини, коли вони все частіше намагаються отримати рекомендацію від AI‑агента, а не лише високий рейтинг у результатах пошуку?

Людина швидко переглядає сторінку, читає резюме відгуку і дивиться на кілька зображень. Агент може прочитати кожен піксель. Навіть у торговому агенті ваше запитання розбивається на ключові слова, ці ключові слова шукаються, результати витягуються, кожен продукт читається повністю, а потім алгоритм намірів ранжує короткий список, який показується вам. Це означає, що контент має працювати і для традиційного пошуку, і для такого читання на рівні пікселя одночасно, а не лише для одного з них. Також важливо, для якого типу агента ви оптимізуєте. Торгові агенти, такі як Rufus, Sparky і Alexa Shopping, — це місце, де здійснюються реальні покупки, і те, що впливає на результат, — це сама сторінка продукту та кожен її атрибут і твердження. Універсальні агенти, такі як ChatGPT або Perplexity, діють більше як дослідження на верхньому рівні воронки, і те, що забезпечує вам згадку там, ближче до зароблених медіа, цитувань, блог‑постів і сторонніх описів. Бренди, які розглядають це як одну й ту ж проблему, в кінцевому підсумку оптимізують не ту поверхню.

Термін «agentic AI» тепер застосовується до широкого спектру продуктів. У роздрібній торгівлі, зокрема, що відрізняє справжнього AI‑агента від традиційної автоматизації на основі правил або аналітичної платформи з накладеним генеративним інтерфейсом ШІ?

Автоматизація на основі правил працює за схемою: якщо відбувається X, виконай Y. Вона не має інтелекту і не може обробляти те, що ви явно не запрограмували. Генеративний інтерфейс над панеллю лише полегшує читання того ж самого статичного інсайту. Справжній агент може думати, планувати, виконувати, а потім безперервно оцінювати та адаптуватися, як підготовлений вами молодший аналітик. Ви надаєте йому контекст, ваші процеси, ваші рекомендації та прийняті раніше рішення, і він починає діяти за метою, а не чекати, коли спрацює наступне правило. Це тест, який я фактично використовую: чи може він працювати так, як би працювала людина, яку ви навчили, чи це лише швидша версія того, що завжди залишалося статичним?

Торгові команди традиційно мали людей, які стежать за інвентарем, ціноутворенням, сторінками продуктів, роздрібними медіа, продуктивністю пошуку та конкурентною активністю серед тисяч продуктів. Які з цих операційних прогалин найкраще підходять для автономних AI‑агентів сьогодні, і де людське судження залишаються важко замінним?

Я розглядаю це як матрицю 2×2, що відображає, скільки судження вимагає рішення і який у нього вплив. Роботи з низьким рівнем судження передаються агенту безпосередньо. Роботи з високим рівнем судження або високим впливом залишаються під контролем людини, яка надає стратегічні вказівки та аудитує результат. На практиці це означає почати з ваших довгохвостих SKU та довгохвостих роздрібних продавців, які ніхто не торкався протягом року, і спочатку перевести їх у автопілот, оскільки радіус впливу помилки низький. Ваші провідні SKU та провідні роздрібники залишають людський шар, і цей шар не лише для аудиту; саме так ви навчаєте агента. Коли ви виявляєте помилку, ви пояснюєте, що слід було зробити і чому, і цей зворотний зв’язок робить його кращим з часом, а не просто постійно посереднім.

Спеціалізовані агенти можуть потенційно створювати власні проблеми, якщо оптимізуються під ізольовані цілі. Медійний агент може збільшити рекламу продукту, який закінчується, тоді як ціновий агент може підвищити конверсію за рахунок маржі. Як забезпечити, щоб кілька агентів працювали над ширшими комерційними цілями бренду, а не лише оптимізували свої окремі метрики?

Саме тому ми створили оркестратор, а не набір незалежних агентів. Наш називається Ally, і його мета — зростання продажів, а не метрика окремого каналу. Він визначає, де знаходяться можливості та ризики, аналізує компроміси, а потім розподіляє конкретні завдання між робочими агентами, медіа, контентом і ціноутворенням, ділячись однією інформацією між усіма, щоб ніхто не оптимізувався у ізоляції. Без цього рівня ви отримуєте саме той режим збою, про який йдеться в питанні: медіа‑агент витрачає бюджет на продукт, який ось-ось закінчиться, бо не має видимості інвентарю.

Роздрібні дані часто розкидані між порталами роздрібних продавців, рекламними платформами, системами інвентаризації, системами інформації про продукти та внутрішніми аналітичними інструментами. Наскільки важливі якість даних і їх уніфікація для успішного агентного роздрібного бізнесу, і чи робить надання AI‑агентам більшої автономії погані або неповні дані ще більш небезпечними?

Приведення даних у правильну форму, з реальною семантичною структурою та належною онтологією, а не просто сирими потоками, розташованими поруч, становить більшу частину реальної роботи. Багато команд вважають, що можна завантажити щось у ChatGPT або підключити агента до будь‑яких існуючих систем, і отримати результат, який є непослідовним; іноді це працює, іноді — «галюциниє», без можливості покластися на нього. Автономність погіршує це, а не покращує, бо людина з поганими даними зазвичай виявляє помилку до того, як діяти. Агент з поганими даними діє одразу, у масштабі, ще до того, як хтось помітить.

Коли бренди стають більш впевненими у використанні AI‑агентів, як їм визначати, які дії можна виконувати автономно, а які мають залишатися під людським затвердженням? Яким виглядає процес переходу від «AI recommends» до «AI acts» на практиці?

Це має відбуватись поступово, а не одним стрибком. Більшість команд починають приблизно з 10 % автоматизованих процесів і 90 % процесів, що потребують схвалення. Коли цикл зворотного зв’язку працює, коли люди виправляють агента, а агент впроваджує це виправлення, довіра зростає, і ця пропорція змінюється до 20 % і 80 %, а потім далі, як за обсягом дій, так і за вартістю того, що автоматизується. Початковою точкою цього прогресу є робота з низьким радіусом впливу, довгі SKU та роздрібні продавці, якими ви все одно не керували активно, і вона розширюється лише до рішень з вищим впливом і вищою оцінкою, коли реальний досвід вже є.

Традиційно роздрібні медіа були сильно орієнтовані на метрики, такі як повернення інвестицій у рекламу, але зростає інтерес до визначення того, чи створює реклама фактично додаткові продажі. Як ШІ може допомогти брендам приймати кращі рішення щодо інкрементальності, прибутковості та того, куди слід розподіляти рекламні бюджети?

Бренди можуть надто захопитися вимірюванням. Проведення глибокого дослідження інкрементальності протягом кварталу звучить суворо, але ринок зазвичай вже змінюється до завершення дослідження. Я б радше бачив, як команди створюють набір практичних евристик і швидше їх застосовують: якщо ви вже маєте високі органічні позиції, не підвищуйте ставки; ви платите за продаж, який би отримали і без цього. Якщо ваші органічні позиції низькі, саме тоді рекламні витрати дійсно виправдовують себе. Якщо існує цільова аудиторія, яка не знає про ваш продукт, інвестуйте в неї, щоб її просвітити. Спори про те, чи один долар приніс 1,48 чи 1,68 долара інкрементально, лише витрачають час без дій. Швидше переходити до дії і приймати, що цифра буде орієнтовно правильною, а не ідеально точною, — це те, що дійсно підвищує продажі.

Якщо агентам ШІ з боку покупців все більше довіряти виявлення, порівняння та купівлю, а агентам з боку брендів — управління контентом, ціноутворенням, рекламою та інвентарем, ми зрештою можемо отримати машини, що впливають на обидві сторони транзакції. Як, на вашу думку, виглядатиме електронна комерція в такому середовищі, і що в кінцевому підсумку відокремить бренди‑переможці від тих, які стануть невидимими для цих систем покупок, керованих ШІ?

Я не вважаю, що ми незабаром підемо до того, щоб агенти самостійно здійснювали транзакції один з одним. Натомість я бачу, як люди та агенти купують разом з обох сторін, агенти виконують порівняння та рекомендації, а люди залишаються остаточним рішенням, і та сама модель на стороні брендів: агенти виконують дії, поки люди визначають стратегію та схвалюють важливі рішення. У такому світі фізичний продукт все одно має бути якісним; жодна кількість оптимізації не врятує поганий продукт. Після цього вирішальним є контекст: скільки контексту має агент про ваш бізнес, скільки він навчився і скільки зворотного зв’язку отримав. Це те, що відрізняє агента, який робить дурні помилки, від того, хто дійсно розуміє голос вашого бренду та стратегію настільки добре, щоб йому можна довіряти реальними рішеннями. Бренди‑переможці — це ті, хто розглядає надання агентам хорошого контексту та працюючого зворотного зв’язку як основну роботу, а не побічний проєкт; ті, хто пропускає цей крок, стануть невидимими.

Дякуємо за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати CommerceIQ.