تصور کنید عامل هوش مصنوعی یک برند خرده‌فروشی در بخش رسانه، به‌طور تهاجمی بودجه‌ای کلان را صرف ترویج محصولی کند که در واقع در انبار تمام شده است. این شکست دقیقاً زمانی رخ می‌دهد که عامل‌های مستقل به‌جای تمرکز بر سلامت کلی کسب‌وکار، تنها روی معیارهای جزئی و ایزوله (مانند نرخ کلیک یا بازدید) بهینه‌سازی کنند. شرکت CommerceIQ در حال حل این مشکل است؛ آن‌ها از اتوماسیون ساده فراتر رفته و به سمت سیستمی از «خرده‌فروشی عامل‌محور» حرکت می‌کنند که توسط یک ارکستراتور مرکزی مدیریت می‌شود.
مدیریت خرده‌فروشی سال‌هاست که به داشبوردهایی متکی است که سرعت تصمیم‌گیری انسان را افزایش می‌دهند، اما در نهایت همچنان یک شخص باید «ماشه» را فشار دهد تا اقدام اجرایی صورت گیرد. در این محیط سنتی، انسان‌ها باید موجودی، قیمت‌گذاری و رسانه‌ها را برای هزاران واحد محصول (SKU) به‌طور دستی رصد کنند. طبق اعلام هیمانشو جین (Himanshu Jain)، هم‌بنیان‌گذار و مدیر محصولات CommerceIQ، تغییر فعلی یک پیشرفت تدریجی یا تکاملی نیست؛ بلکه حرکتی است به سمت نرم‌افزاری که می‌تواند دستورالعمل‌های داخلی یک شرکت را بیاموزد و اهداف را به‌صورت سرتاسری (End-to-End) اجرا کند.
به گزارش مصاحبه‌ای با unite.ai، جین معتقد است صنعت تجارت در حال تبدیل شدن به دو مسیر موازی است: «تجارت عامل‌محور» (Agentic Commerce) که در آن مصرف‌کنندگان برای خرید از هوش مصنوعی استفاده می‌کنند، و «خرده‌فروشی عامل‌محور» (Agentic Retail) که در آن برندها برای فروش به هوش مصنوعی متکی هستند. این وضعیت یک حلقه جدید ایجاد می‌کند که در آن عامل‌های هوشمند در هر دو طرف تراکنش، بر نتیجه نهایی اثر می‌گذارند.
زمینه: تکامل استراتژی خرده‌فروشی
هیمانشو جین پیشینه متنوعی دارد که به او در درک این تغییرات کمک کرده است. او از زمان بنیان‌گذاری CommerceIQ در سال ۲۰۱۷، بر روی عامل‌های هوش مصنوعی متمرکز شده است که جریان‌های کاری پیچیده تجارت الکترونیک را خودکار می‌کنند. تجربیات قبلی او شامل نقش‌های مدیریتی در Boomerang Commerce است، جایی که با خرده‌فروشان بزرگ روی استراتژی‌های چیدمان محصولات (Assortment) و قیمت‌گذاری کار می‌کرد. او همچنین نزدیک به پنج سال در Capital One بریتانیا در نقش‌هایی مرتبط با ریسک اعتباری، تحلیل داده‌ها و مدل‌سازی آماری فعالیت کرده و به عنوان مشاور مدیریت در A.T. Kearney مشغول به کار بوده است.
فراتر از نقش‌های شرکتی، جین به استارت‌آپ‌های مختلف در زمینه استراتژی ورود به بازار (Go-to-market) مشاوره داده و مقالات تخصصی درباره آمازون و تجارت الکترونیک در Marketing Land منتشر کرده است. این ترکیب از مشاوره مدیریت، مدل‌سازی مالی و رهبری در تجارت الکترونیک، دیدگاه او را نسبت به گذار فعلی به هوش مصنوعی شکل داده است.
جین این انتقال را بنیادی‌ترین تغییر تکنولوژیک دوران حرفه‌ای خود می‌داند. او اشاره می‌کند در حالی که سال‌ها طول کشید تا گوشی‌های هوشمند همه‌گیر شوند، هوش مصنوعی عامل‌محور تقریباً به‌طور آنی در حال تغییر کل صنایع است. او هشدار می‌دهد کسانی که سعی می‌کنند آینده را بر اساس پیش‌بینی‌های گذشته بسازند، تصمیمات اشتباهی می‌گیرند؛ تنها راه موفقیت این است که از اتفاقاتی که «همین حالا» در حال رخ دادن است درس بگیرند، نه از چرخه قبلی تکنولوژی.
پلتفرم CommerceIQ بازتاب‌دهنده این مقیاس است و دیدگاهی یکپارچه از عملکرد بیش از ۱,۵۰۰ خرده‌فروش در ۸۵ کشور ارائه می‌دهد. این سیستم با ادغام داده‌های فروش، رسانه‌های خرده‌فروشی، قفسه دیجیتال (Digital Shelf)، محتوا و داده‌های موجودی، مدیریت را از حالت «داشبورد-محور» به «اجرای مستمر با کمک هوش مصنوعی» تغییر داده است.
معماری خرده‌فروشی عامل‌محور
شرکت CommerceIQ فناوری AllyAI را توسعه داده تا برندها را از وابستگی به مدیریت مبتنی بر داشبورد رها کند. این سیستم برخلاف اتوماسیون‌های مبتنی بر قانون (Rules-based) — که از منطق خشک «اگر X شد، پس Y کن» پیروی می‌کنند — می‌تواند مانند یک تحلیلگر تازه‌کار آموزش‌دیده فکر کند، برنامه‌ریزی کند و خود را با شرایط تطبیق دهد.
جین تفاوت میان رابط‌های ساده هوش مصنوعی زاینده (Generative AI) و عامل‌های واقعی را توضیح می‌دهد. یک رابط زاینده روی یک داشبورد، صرفاً یک بینش ایستا (Static Insight) را برای خواندن ساده‌تر می‌کند. اما یک عامل واقعی می‌تواند دقیقاً همان‌طور که یک انسان آموزش‌دیده عمل می‌کند، رفتار کند؛ یعنی بستر (Context)، فرآیندها و تصمیمات قبلی را در نظر بگیرد تا هدف را بدون انتظار برای فعال شدن یک قانون خاص، اجرا کند. او استدلال می‌کند که اکثر نرم‌افزارهای پیش از این دوران، تنها برای سریع‌تر کردن کار انسان طراحی شده بودند (مانند اکسل برای مدل‌سازی یا داشبوردها برای تصمیم‌گیری)، در حالی که خرده‌فروشی عامل‌محور اجازه می‌دهد خودِ نرم‌افزار کار را انجام دهد. این رویکرد مشابه راهکاری است که عامل هوشمند Muse برای پر کردن شکاف میان ابزارهای مدیریتی به کار گرفته است تا جریان‌های کاری را یکپارچه کند.
برای جلوگیری از مشکل «اهداف ایزوله»، این شرکت ارکستراتوری به نام Ally ساخته است. این لایه تضمین می‌کند که عامل‌های کارگر (Worker Agents) — که در زمینه‌های رسانه، محتوا و قیمت‌گذاری تخصص دارند — داده‌ها و اهداف یکسانی را به اشتراک بگذارند.
- نقش ارکستراتور: Ally به‌جای تمرکز بر معیار یک کانال خاص، بر رشد کلی فروش تمرکز می‌کند. این لایه مانند مغزی عمل می‌کند که توازن (Trade-off) میان اهداف عملیاتی مختلف را مدیریت می‌کند.
- حل تعارض: Ally فرصت‌ها و ریسک‌ها را شناسایی کرده، توازن‌ها را بررسی می‌کند و وظایف را به عامل‌های کارگر می‌سپارد. این کار مانع از آن می‌شود که مثلاً یک عامل قیمت‌گذاری برای افزایش نرخ تبدیل، حاشیه سود را فدا کند، در حالی که هم‌زمان عامل رسانه در حال افزایش ترافیک است.
- شفافیت یکپارچه: با به اشتراک‌گذاری اطلاعات، Ally مانع از آن می‌شود که عامل رسانه بودجه‌ای را صرف محصولی کند که عامل موجودی می‌داند به‌زودی تمام می‌شود.
بهینه‌سازی برای «خوانش در سطح پیکسل»
کشف محصول از جست‌وجوی کلمات کلیدی به سمت دستیارهای هوش مصنوعی مانند Rufus، Sparky و Alexa Shopping حرکت کرده است. این عامل‌ها صفحات را به‌صورت سطحی نمی‌بینند، بلکه یک «خوانش در سطح پیکسل» (Pixel-level read) از هر ویژگی و ادعای موجود در صفحه محصول انجام می‌دهند.
دوران کشف محصول را می‌توان به سه مرحله متمایز تقسیم کرد:
- دهه ۸۰ و ۹۰: کشف محصول توسط circularهای پستی و ویترین‌های فروشگاهی هدایت می‌شد، جایی که انسان از میان انتخاب‌های محدودی که خرده‌فروش تعیین کرده بود، انتخاب می‌کرد.
- عصر آمازون: مفهوم «قفسه بی‌پایان» ایجاد شد. هر جست‌وجوی کلمات کلیدی به یک قفسه نامحدود تبدیل شد، هرچند انسان‌ها همچنان بار سنگین خواندن عناوین و بررسی نظرات را بر دوش داشتند.
- عصر عامل‌محور: اکنون انسان‌ها و عامل‌ها با هم خرید می‌کنند. یک عامل می‌تواند هر پیکسل، هر ادعا و هر نظر را در صفحه بخواند، یک تحلیل قصد (Intent Analysis) را بر اساس نیازهای خاص کاربر اجرا کند و فهرستی کوتاه از ۴ یا ۵ پیشنهاد نهایی ارائه دهد.
برندها اکنون باید برای دو سطح مختلف از هوش مصنوعی بهینه‌سازی کنند:
- عامل‌های خرید (Shopping Agents): ابزارهایی مانند Rufus، Sparky و Alexa Shopping جایی هستند که خرید در آن‌ها نهایی می‌شود. موفقیت در اینجا به صفحه جزئیات محصول (PDP) و هر ویژگی و ادعای خاص لیست شده بستگی دارد. عامل، سؤال کاربر را به کلمات کلیدی تجزیه می‌کند، نتایج را استخراج می‌کند و پیش از رتبه‌بندی، هر محصول را به‌طور کامل می‌خواند.
- عامل‌های عمومی (General-Purpose Agents): ابزارهایی مانند ChatGPT یا Perplexity به عنوان تحقیق در ابتدای قیف فروش (Top-of-funnel) عمل می‌کنند. کسب جایگاه در اینجا شبیه به «رسانه‌های اکتسابی» (Earned Media) است و به استنادها، پست‌های وبلاگی و نوشته‌های شخص ثالث وابسته است. در همین راستا، مدیریت فضای تبلیغاتی ChatGPT توسط آمازون گامی برای کمک به برندها در جذب مخاطبان در این سطح از قیف فروش است. برندهایی که این دو سطح را یکسان می‌بینند، در نهایت برای هدف اشتباهی بهینه‌سازی می‌کنند.
مسیر رسیدن به خودمختاری
گذار به هوش مصنوعی خودمختار، فرآیندی تدریجی برای اعتمادسازی است. جین پیشنهاد می‌کند بر اساس «شعاع تخریب» (Blast Radius) یک اشتباه احتمالی، از مدل «هوش مصنوعی توصیه می‌کند» به «هوش مصنوعی اجرا می‌کند» حرکت کنیم. او این موضوع را از طریق یک ماتریس ۲x۲ (قضاوت در مقابل اثر) می‌بیند.
- قضاوت پایین / اثر پایین: محصولات با فروش کم (Long-tail SKUs) و خرده‌فروشان کوچک — محصولاتی که شاید یک سال است هیچ انسانی به آن‌ها دست نزده — اولین کاندیداهای اتوپایلوت هستند. چون شعاع تخریب یک اشتباه در اینجا پایین است، برای اتوماسیون اولیه ایده‌آل هستند.
- قضاوت بالا / اثر بالا: محصولات پرفروش (Top-performing SKUs) و خرده‌فروشان بزرگ همچنان به یک لایه انسانی برای هدایت استراتژیک و حسابرسی نیاز دارند.
این لایه انسانی به‌عنوان مکانیسم آموزش عمل می‌کند. فرآیند معمولاً با ۱۰٪ اتوماسیون و ۹۰٪ تایید انسانی شروع می‌شود. همان‌طور که انسان‌ها خطای عامل را اصلاح کرده و بازخورد می‌دهند، این نسبت به سمت خودمختاری بیشتر (مثلاً ۲۰٪ و ۸۰٪) تغییر می‌کند. وقتی یک انسان خطایی را می‌گیرد و توضیح می‌دهد که چرا اشتباه بود، این بازخورد مانع از آن می‌شود که عامل «به‌طور مداوم متوسط» باشد و او را واقعاً هوشمند می‌کند.
منطقه خطر داده‌ها
دادن خودمختاری به عامل‌های هوش مصنوعی، کیفیت پایین داده‌ها را بسیار خطرناک‌تر می‌کند. در حالی که یک انسان ممکن است خطای داده را قبل از اقدام تشخیص دهد، یک عامل، اشتباه را در مقیاس وسیع و به‌طور فوری اجرا می‌کند.
خرده‌فروشی عامل‌محور به چیزی بیش از فیدهای خام داده نیاز دارد؛ این سیستم نیازمند داده‌هایی با ساختار معنایی واقعی و یک هستی‌شناسی (Ontology) درست است. جین اشاره می‌کند بسیاری از تیم‌ها به اشتباه فکر می‌کنند می‌توانند صرفاً یک عامل را به سیستم‌های موجود متصل کنند یا داده‌ها را در ChatGPT آپلود کنند. این کار منجر به نتایج متناقض و توهم (Hallucination) می‌شود، زیرا عامل فاقد درک ساختاریافته از کسب‌وکار است.
بدون یک زیربنای داده‌ای مناسب، خودمختاری ریسک را افزایش می‌دهد. انسانی که داده‌های بد دارد معمولاً قبل از اقدام متوجه خطا می‌شود؛ اما عاملی که داده‌های بد دارد، فوراً و در مقیاس وسیع بر اساس آن عمل می‌کند، پیش از آنکه کسی متوجه شود. در واقع، بخش بزرگی از کار در خرده‌فروشی عامل‌محور، تلاش برای تبدیل داده‌ها به شکل صحیح است.
بازنگری در رسانه‌های خرده‌فروشی و افزون‌گی
در مورد رسانه‌های خرده‌فروشی، جین مخالف سرمایه‌گذاری بیش از حد روی مطالعات عمیق «افزون‌گی» (Incrementality) است که تکمیل آن‌ها یک فصل کامل زمان می‌برد. او معتقد است تا زمان پایان چنین مطالعه‌ای، بازار معمولاً تغییر کرده است. او استدلال می‌کند که بحث بر سر اینکه آیا یک دلار بازگشت ۱.۴۸ دلاری داشته یا ۱.۶۸ دلاری، زمانی است که صرف «عدم اقدام» شده است.
به جای آن، او استفاده از قواعد کاربردی (Heuristics) را برای حرکت سریع‌تر پیشنهاد می‌کند:
- رتبه‌بندی ارگانیک: اگر محصولی در حال حاضر رتبه ارگانیک بالایی دارد، برندها نباید برای آن مبلغ بیشتری هزینه کنند، زیرا در حال پرداخت هزینه برای فروشی هستند که در هر صورت به دست می‌آوردند.
- دید ارگانیک پایین: اینجاست که هزینه تبلیغات ارزش خود را ثابت می‌کند و رشد واقعی ایجاد می‌کند.
- آموزش بازار: بودجه باید به مخاطبانی اختصاص یابد که در بازار هستند اما هنوز نمی‌دانند چنین محصولی وجود دارد.
رسیدن سریع‌تر به مرحله اقدام و پذیرفتن اینکه اعداد به‌جای دقت مطلق، «در جهت درست» (Directionally right) هستند، چیزی است که واقعاً فروش را افزایش می‌دهد.
آینده تراکنش‌های مبتنی بر هوش مصنوعی
در بلندمدت، برندهای برنده کسانی خواهند بود که بهترین بستر (Context) و حلقه‌های بازخورد را برای عامل‌های خود فراهم کنند. جین معتقد نیست که به‌زودی به دنیایی برسیم که در آن عامل‌ها به‌طور کاملاً مستقل با یکدیگر معامله کنند. در عوض، او آینده‌ای را می‌بیند که در آن انسان‌ها و عامل‌ها در هر دو طرف همکاری می‌کنند: عامل‌ها کارهای مقایسه‌ای و توصیه‌ای را انجام می‌دهند، در حالی که انسان‌ها تصمیمات استراتژیک نهایی و تاییدات را بر عهده دارند.
در این محیط، عامل تمایز، «بستر» است. برندهای پیروز کسانی هستند که ارائه یک حلقه بازخورد فعال و بستر عمیق کسب‌وکار به عامل‌ها را به عنوان یک کار محوری (Core work) می‌بینند، نه یک پروژه جانبی. این شامل آموزش صدای برند، دستورالعمل‌های داخلی و منطق پشت تصمیمات قبلی به عامل است.
کسانی که این مرحله را نادیده بگیرند، در سیستم‌های خرید مبتنی بر هوش مصنوعی نامرئی خواهند شد. در نهایت، محصول فیزیکی باید همچنان باکیفیت باشد، زیرا هیچ مقدار بهینه‌سازی هوش مصنوعی نمی‌تواند یک محصول بد را نجات دهد. این تغییر نشان می‌دهد که نقش مدیر خرده‌فروشی از یک اپراتور تاکتیکی به یک حسابرس استراتژیک تبدیل می‌شود که ناوگانی از عامل‌های هوش مصنوعی را مدیریت می‌کند.
گام بعدی شما
- بررسی کنید آیا داده‌های محصول شما دارای ساختار معنایی است یا صرفاً مجموعه‌ای از فیلدهای متنی است.
- برای محصولات با ریسک پایین (Long-tail)، اتوماسیون‌های کوچک را تست کنید تا شعاع تخریب احتمالی را بسنجید.
- استراتژی محتوای خود را از «کلمات کلیدی» به «ادعاهای قابل استخراج توسط عامل» تغییر دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو