De meeste ecommerce-merken zijn er nog niet klaar voor dat AI namens hen gaat verkopen

Om de paar weken gaan we in gesprek met iemand van buiten Hello Retail voor onze serie Conversations: een Shopify-partner, een Klaviyo Community Champion, een growth executive, of een van onze eigen datawetenschappers. Verschillende bedrijven, verschillende functies.
Vervolgens kwamen vier van de laatste zeven gasten, zonder dat wij daar aanleiding toe gaven, tot dezelfde waarschuwing.
De gegevens van de meeste merken zijn niet in een vorm die het mogelijk maakt dat een AI-systeem voor hen in actie komt. Of het nu gaat om de AI die een merk zelf bouwt of de AI die een klant zelf meebrengt. Het advies dat een koper krijgt voordat hij iets koopt, wordt steeds vaker door een machine gegeven, en de meeste catalogi, inboxen en blogposts zijn nog niet klaar om door zo’n machine te worden gelezen.
Browse all Hello Retail Conversations episodes →
De winkeladviseur is geen echt persoon meer

Peter Sommer, CEO van Shopify Plus-partner Dtails, legde de nadruk op de vraag aan wie een klant advies vraagt.
“Ik merkte dat ik eigenlijk advies kreeg waarbij ik gewoon vijf criteria moest opgeven. Ik kreeg toen een lijst met vijf printers die aan die criteria voldeden.” (Peter Sommer)
Zo heeft hij zijn eigen printer gekocht. Vijf criteria ingevoerd in een LLM, een shortlist terug, klaar. Hij denkt dat de disruptie al eerder plaatsvindt dan bij het afrekenen. Het zit ’m in het advies.
“Hoe groter de klanten zijn, hoe uitgebreider hun productassortiment is en hoe verder ze zijn in hun ontwikkeling tot een volwassen e-commercebedrijf, hoe meer je tools zoals Hello Retail nodig hebt om aan de behoeften van hun klanten te voldoen.” (Peter Sommer)
De omvang van de catalogus maakt dit zo lastig. Twintig producten passen nog wel in het hoofd van één persoon. Twintigduizend niet, en een LLM die de vraag „welke printer voldoet aan deze vijf criteria?“ moet beantwoorden, kan alleen werken met de productgegevens die hij krijgt aangereikt.
Watch the full conversation with Peter Sommer →
De meeste merken maken geen gebruik van de gegevens die ze al hebben

Anna Sophie Christensen, hoofd e-mailmarketing & klantbehoud bij FABO en driemaal uitgeroepen tot Klaviyo-communitykampioen, ontdekte diezelfde leemte al een stapje eerder, nog voordat er sprake was van AI.
“Mensen sturen hun berichten in één keer naar alle abonnees, zonder onderscheid te maken in de boodschap of de inhoud. En ik blijf maar hameren op het feit dat we wel onderscheid moeten maken, want je hebt je trouwste klanten die al twintig keer bij je hebben gekocht, en je hebt een potentiële klant die zich pas een week geleden heeft aangemeld.” (Anna Sophie Christensen)
De meeste merken slaan personalisatie over omdat de beslissingen die daaraan ten grondslag liggen nooit worden genomen. Welk segment, welk product, welk moment. Daardoor worden de gegevens die een AI-laag nodig zou hebben, überhaupt nooit verzameld.
“Je verzamelt dus nu al zero-party data die je kunt gebruiken voor de algemene opzet van je communicatie.” (Anna Sophie Christensen)
Het probleem met de paraatheid begint al lang vóór de komst van AI. Het begint met het feit dat niemand de structuur opzet die iedereen – mens of machine – nodig heeft om goed namens een merk te kunnen handelen.
Watch the full conversation with Anna Sophie Christensen →
Personalisatie zonder te weten wie er aan het winkelen is

Sarah Miguel Cournane, een datawetenschapper bij het R&D-team van Hello Retail, zegt dat er een structurele oplossing is, zolang de productgegevens dat maar aankunnen.
“Als we niet weten wie je bent, kijken we naar waar je mee bezig bent. Dat is genoeg om je intentie te begrijpen.” (Sarah Miguel Cournane)
Identiteit was nooit echt een beperking. Je kunt slim reageren op een klant waarvan je de naam niet weet, zolang de catalogus maar goed genoeg in kaart is gebracht om te kunnen afleiden hoe producten met elkaar in verband staan. De meeste catalogi zijn gewoon een platte lijst met SKU’s, zonder dat er iets is waar een AI zich op kan oriënteren.
“We zijn van het gebruik van AI om beslissingen te ondersteunen, overgestapt naar het daadwerkelijk controleren van wat AI voor ons oplevert.” (Sarah Miguel Cournane)
Controle is het onderdeel dat merken vaak onderschatten. Een generatief model op een productfeed loslaten is nog het makkelijke deel. Er moet vervolgens iets zijn dat blijft controleren of wat eruit komt correct, in lijn met het merk en bruikbaar is, en dat in een omvang die geen enkel menselijk beoordelingsproces kan bijhouden.
Watch the full conversation with Sarah Miguel Cournane →
Wat de AI eigenlijk beloont

Jennifer Montague, voormalig Senior Director GoToMarket bij Verdane en nu VP Marketing bij Carivo, heeft dit probleem op het gebied van content aangepakt.
“UGC is goud waard voor de vindbaarheid van AI. Dat is wat mensen, dat is wat de AI wil zien: Dat andere mensen over je praten. Je slaat dus met één steen meerdere vliegen in één klap.” (Jennifer Montague)
AI-systemen belonen wat echte kopers ook waarderen: Concreetheid, onderbouwing en een eigen visie. Ze slaan over wat kopers zelf ook al overslaan.
“Om op te vallen, moet je authentieker zijn en menselijker overkomen. En daarvoor moet je een standpunt innemen waar je je achter kunt scharen, zodat je je onderscheidt van de saaie massa.” (Jennifer Montague)
Generieke content faalt op twee fronten. Lezers scrollen er gewoon langs, en de AI-systemen die nu tussen een merk en zijn volgende klant staan, halen het nooit aan. Hetzelfde probleem met de relevantie, maar dan gemeten in woorden in plaats van productkenmerken.
Watch the full conversation with Jennifer Montague →
De rode draad
Op zichzelf gaan die vier over verschillende dingen: Een advies-LLM, een e-mailreeks, een productcatalogus, een stukje content. Maar samen vormen ze één waarschuwing, op vier verschillende manieren uitgedrukt.
Winkelen met behulp van AI mislukt niet omdat een merk nog geen „AI heeft ingevoerd”. Het mislukt stilletjes, al in een vroeg stadium, omdat de productstructuur, de signalen van de klant en de content nooit goed genoeg zijn opgezet om dat merk nauwkeurig weer te geven. AI zorgt er alleen maar voor dat die kloof sneller zichtbaar wordt dan bij een langzame daling van het organische verkeer het geval zou zijn.
Het loont de moeite om hier even bij stil te staan voordat je naar een hulpmiddel grijpt. In alle vier de gesprekken bleek de oplossing te liggen in het saaie structurele werk: Het publiek onderscheiden, de catalogus in kaart brengen, iets schrijven dat specifiek genoeg is om te citeren. Dan heb je, wat je er ook bovenop zet, iets concreets om mee te werken.

