Cloudglueの新しいAPIは、非構造化された動画と音声を、次世代のagenticストアフロントに必要な構造化データに変換します。しかし、あなたのアーキテクチャは感覚データの洪水に対応できますか？
先週末、DTLAのハウリン・レイズで、私は素晴らしいが馬鹿げた2時間の行列に並んでいました。それは、超越的な報酬のために共有される苦痛という、ロサンゼルスならではのものです。窓が見えるずっと前から、カイエンとフライドチキンの匂いが漂ってきます。ジュージューという音、チームが注文を叫ぶ声が聞こえます。人々がサンドイッチを初めて口にしたときの、衝撃的な表情を見ます。この体験全体が、1つの簡単な取引、「チキンサンドイッチ、ミディアムプラス」で完結する感覚データのシャワーです。
私のコマースAIの脳は機能を停止できませんでした。標準的なショッピングエージェントは、その取引の最後の部分、つまり注文しか理解できないことに気づきました。それはテキスト「ホットチキンサンドイッチ」を処理できます。データベースでそれを見つけることもできます。注文することさえできます。しかし、それは「なぜ」について完全に盲目で耳が聞こえません。匂い、音、行列の視覚的な手がかり、私の前にいる人々の喜びの反応—「この製品は待つ価値がある」と示す、構造化されていない、マルチモーダルなデータポイントをすべて理解できないのです。
今日のほとんどのブランドAIは、このテキストのみの真空状態で動作しています。製品の説明を読み、検索クエリを処理します。それは無音で無彩色の部屋にいるインテリジェントな司書のようなものです。これは、真に有用なagenticストアフロントを構築するための競争における致命的な欠陥です。あなたの顧客は、TikTokの開封動画、YouTubeのレビュー、Instagramのストーリーといった、動きと音の世界に生きています。あなたのAIは、ほとんどの場合、そうではありません。
しかし、先週「Show HN」に投稿されたCloudglueというスタートアップの投稿は、これが変わろうとしていることを示唆しています [2]。彼らは、生の動画と音声を、Retrieval-Augmented Generation (RAG) パイプラインが機能するために必要な構造化JSONに変換するAPIのパブリックベータ版をリリースしました。これは、私たちのコマースAIに目と耳を与えるための、最初の信頼できる試みの1つです。そして、コマースAIアーキテクチャの根本的な再考を強いることになるでしょう。
なぜあなたのAIはサイレント映画に閉じ込められているのか？
CloudglueのCEO、Alex Riveraは、ローンチスレッドで、すべてのコマースCTOが印刷すべき統計を発表しました。「DTC製品データの70%は動画/音声ですが、エージェントはそれに窒息しています」 [2]。彼は間違っていません。あなたの製品に関する最も説得力があり、人を動かす、影響力のあるコンテンツは、あなたの高価な新しいAIエージェントが理解できない形式に閉じ込められている可能性が非常に高いのです。
考えてみてください。プレミアムなアクティブウェアブランドにとって、最も強力な製品データは、製品詳細ページの箇条書きの機能リストでしょうか？それとも、インフルエンサーが最新のレギンスを着用して、フィット感や着心地について語りながら、シームレスにヴィンヤサを流れる30秒の動画でしょうか？旅行用バッグのブランドにとって、それはオンラインに記載されている静的なサイズでしょうか、それとも、週末旅行のために機内持ち込み手荷物にどれだけの服を詰め込めるかを正確に示すユーザー生成のTikTokレビューでしょうか？
これが「感覚データ」のギャップです。現在のagenticシステムは、洗練されたRAGを使用しているものでも、通常はテキストベースのベクトルデータベースに基づいて構築されています。製品カタログ、ヘルプドキュメント、そしておそらくブログ記事が与えられます。AIは、このテキストベースのコーパスから回答を検索し、統合することができます。顧客にTシャツが「100%オーガニックコットン」だと伝えることはできますが、開封動画でそのコットンの感触を「信じられないほど柔らかい」と表現したレビュアーの感情を理解したり伝えたりすることはできません。
この非構造化コンテンツこそが、真のコンバージョン力を秘めている場所です。それはソーシャルプルーフであり、製品デモンストレーションであり、証言が一つになったものです。しかし、機械にとって、動画ファイルは単なる不透明なピクセルの塊であり、音声ファイルは単なる波形です。RAGパイプラインが「窒息する」のは、そのメディア内で発生するエンティティ、属性、感情、アクションを抽出するメカニズムがないためです。これをゼロから行おうとすると、複雑なコンピュータービジョンと音声処理モデルを含む大規模なエンジニアリング作業が必要となります。ほとんどのブランドは、正しくもそれを行っていません。