Ilyas Kurklu, spoluzakladatel a generální ředitel společnosti Replenit – série rozhovorů

Ilyas Kurklu, spoluzakladatel a CEO společnosti Replenit, je podnikatel a výkonný manažer v oblasti maloobchodní technologie, zaměřený na aplikaci umělé inteligence na rozhodování a zapojení zákazníků. Ve společnosti Replenit vede strategii, vývoj produktů a partnerství, přičemž staví na více než desetileté zkušenosti s rozšiřováním podniků v oblasti enterprise retail engagement od přibližně $10 million až po $2 billion v tržbách a spoluprací s více než 300 maloobchodníky. Jeho kariéra zahrnuje také poradenské a rozvojové role, stejně jako šest let jako vedoucí týmu a meteorolog u Generální ředitelství meteorologie Turecka, kde pracoval s daty v reálném čase, radarem, satelitními snímky a předpovědními systémy.

Replenit je platforma pro rozhodování založená na AI, určená pro maloobchod a e‑commerce, která poskytuje vrstvu mezi datovou infrastrukturou maloobchodníka a jeho stávajícími systémy pro zapojení zákazníků. Jeho AI Decision Engine kombinuje signály o zákazníkovi, produktu, chování a další, aby v reálném čase určil nejlepší další akci pro jednotlivé zákazníky, zatímco Maestro AI CRM Manager může autonomně řídit pracovní postupy zahrnující doplňování zásob, cross‑selling, zapojení, prevenci odchodu zákazníků a opětovné získání. Místo toho, aby vyžadoval od maloobchodníků nahrazení stávajícího technologického stacku, je Replenit navržen tak, aby se integroval s aktuálními platformami pro obchod, marketing a data a převáděl svá rozhodnutí na komunikační a akční výstupy připravené k provedení. Společnost uvádí, že její technologie používají maloobchodníci jako L’Occitane, Mumzworld, e-bebek, Beko a Faith In Nature.

Strávili jste roky pomáháním rozšiřovat enterprise retail technology, než jste založil Replenit s pěti spoluzakladateli. Co jste opakovaně viděli, že maloobchodníci bojují s, a co vás přesvědčilo, že v technologickém stacku chybí rozhodovací vrstva, a jak tento postřeh vedl ke vzniku Replenitu?

Spoluprací se stovkami maloobchodníků v různých trzích jsme neustále slyšeli a viděli stejný problém: maloobchodníci se stali velmi dobrými v sběru dat i v realizaci, ale inteligence mezi tím chyběla. Měli CDP, datové sklady, CRM platformy a systémy pro automatizaci marketingu, přesto rozhodnutí — co by se mělo skutečně stát dál pro tohoto konkrétního zákazníka? — bylo stále odhadování založené na statických pravidlech, širokých segmentech, kalendářích kampaní a lidském úsudku. Stack i tým byly v podstatě obcházení skutečnosti, že nikdo nemůže v měřítku uvažovat o každém zákazníkovi individuálně. Replenit je tato chybějící vrstva uvažování a rozhodování. Vybudovali jsme motor, který dokáže interpretovat kontext zákazníka a produktu na individuální úrovni, rozhodnout o vhodné další komerční akci a poté využít stávající systémy maloobchodníka k její realizaci.

Replenit tvrdí, že maloobchodníci již mají spoustu zákaznických dat a mnoho nástrojů pro provádění kampaní, ale postrádají inteligenci, která dokáže rozhodnout, co se má stát dál. Proč Customer Data Platforms (CDP), platformy Customer Relationship Management (CRM) a systémy pro automatizaci marketingu nedokázaly tento problém samy vyřešit?

Tyto systémy byly vytvořeny pro jiné úkoly. CDP může sjednotit zákaznická data, ale sjednocení dat není totéž jako rozhodnutí, co s nimi udělat. CRM a platformy pro automatizaci marketingu jsou velmi dobré jako vrstvy pro realizaci. Mohou odesílat, koordinovat a optimalizovat komunikace, jakmile někdo definoval konkrétní publikum, pracovní postup nebo kampaň.

I když tyto platformy přidávají prediktivní skóre, generativní AI a optimalizaci času odeslání, základní jednotkou práce je často stále kampaň, cesta, publikum nebo segment. AI může optimalizovat něco, co si marketér již zvolil. Nutně nerozhoduje, zda se má něco vůbec stát, který cíl životního cyklu je pro daného zákazníka nejdůležitější, který produkt je relevantní, proč právě teď, jakým tónem a k jakému komerčnímu výsledku. To je rozdíl, který mezi skóre a rozhodnutím děláme. Predikce může seřadit pravděpodobnost. Rozhodnutí vyžaduje uvažování napříč kontextem a alternativami a následné závazné akce. Replenit se nachází nad stávajícím stackem a poskytuje tuto vrstvu, místo aby požadoval od maloobchodníků nahrazení jejich existujících systémů.

Jádrovou součástí přístupu Replenit je aplikace Theory of Mind k odvození záměru, kontextu a pravděpodobného budoucího chování zákazníka. Jak převádíte koncept z kognitivní vědy do AI systému, který může činit spolehlivá komerční rozhodnutí, a jak ověřujete, zda systém správně interpretoval záměr zákazníka?

Převádíme Theory of Mind do vrstvy uvažování, která se dívá za to, co zákazník udělal, a ptá se, proč se takové chování mohlo stát, co signalizuje o záměru a co to v kontextu znamená. Místo spoléhaní se pouze na historické vzorce nebo podobnost produktů systém uvažuje na úrovni každého individuálního vztahu zákazník‑produkt a využívá tento kontext k určení, co by se mělo stát dál.

Toto uvažování může zahrnovat pochopení pravděpodobné motivace za nákupem, jak spolu produkty souvisejí, jakou potřebu se zákazník snaží naplnit a zda je načasování pro konkrétní akci vhodné. Replenit pak jde dál než jen navrhnout možnost: učiní rozhodnutí a připraví ho k realizaci prostřednictvím stávajících systémů maloobchodníka.

Validace probíhá prostřednictvím výsledků. Jakmile je učiněno rozhodnutí, Replenit sleduje, co se skutečně stalo, a vrací tento výsledek zpět do budoucích rozhodnutí pro daného zákazníka. Také neustále vyhodnocuje, které z jeho dovedností a přístupů k rozhodování přinášejí výsledky, rozšiřuje ty, které fungují dobře, a upřednostňuje ty, které ne. V tomto smyslu se systém zlepšuje v tom, aby znal správný krok pro správného zákazníka ve správný čas, protože se učí z reálných výsledků, místo aby jen opakovaně spouštěl stejnou logiku.

Většina systémů personalizace jsou v podstatě predikční motory, odhadující, na co by se někdo pravděpodobně kliknul nebo koupil. Replenit zdůrazňuje přechod od predikce k rozhodování. Z pohledu AI architektury, co se změní, když model musí skutečně vybrat další akci místo pouhého vytvoření pravděpodobnosti nebo doporučení?

V Replenit jsou čtyři důležité součásti této architektury. První je Golden Memory: živé záznamy o zákazníkovi, produktu a značce, které systému poskytují kontext nad rámec izolované transakce. Kde jsou informace neúplné, může Replenit také obohatit dostupná data a vytvořit syntetický kontext, který pomůže tyto mezery zaplnit.

Druhou částí je více než 100 průmyslových dovedností. Jedná se o specializované schopnosti uvažování pro konkrétní kategorie a situace – například tvůrce kosmetické rutiny pro prodejce krásy nebo interiérový architekt pro firmy zabývající se nábytkem a DIY. Vedle těchto dovedností může paralelně probíhat 15 podpůrných kontrol kolem rozhodnutí, včetně kontrol substituce, kompatibility, duplicit a potlačení.

Třetí je vlastnictví pracovního postupu. Místo toho, aby pouze vytvořil doporučení a skončil, může Maestro uvažovat napříč životními cykly, jako jsou doplňování zásob, cross‑sell, zapojení, získání zpět ztracených zákazníků, odchod, propagace a substituce. Tyto pracovní postupy mohou fungovat kontinuálně a paralelně pro jednotlivého zákazníka, přičemž Maestro určuje, která akce je v daném okamžiku vhodná.

Nakonec to zabalíme do toho, co nazýváme Golden Decision Event: zaznamenané, připravené k provedení rozhodnutí obsahující akci a její odůvodnění, které lze přímo předat do CRM, marketingové automatizace, e‑commerce, aplikace nebo datových systémů prodejce na více než 120 platformách.

Rozdíl tedy spočívá v tom, že přecházíme od modelu, který předpovídá, co se pravděpodobně stane, k systému, který si dokáže zapamatovat kontext, přinést správnou odbornost, vyhodnotit dostupné akce, zavázat se k jednomu rozhodnutí a učinit jej proveditelným.

Maestro může autonomně rozhodnout, zda má individuální zákazník dostat připomenutí doplnění zásob, cross‑sell, propagaci, zprávu o zapojení, pokus o získání zpět, nebo případně žádný zásah. Jak systém váží tyto konkurenční akce a určuje, co je skutečně nejlepší rozhodnutí pro daného zákazníka v tom okamžiku?

Výchozím bodem je zákazník a obchodní cíl. Prodejce stanoví strategii, priority a omezení. Maestro pak uvažuje napříč dostupným kontextem zákazníka, produktu a pracovního postupu, aby určil, co má následovat.
To může zahrnovat rozhodnutí, který obchodní cíl má být upřednostněn, který pracovní postup je relevantní, která dovednost nebo kombinace dovedností má být použita, které produkty mají smysl, a kdy má akce proběhnout. Prodejci mohou také definovat priority podle metrik, jako jsou tržby, frekvence nákupů, průměrná hodnota objednávky, ochrana marže nebo prevence odchodu zákazníků.

Naše uvažování typu Theory-of-Mind přidává individuální kontext: co chování naznačuje, co zákazník skutečně potřebuje a proč to může být nebo nemusí být ten správný okamžik. Naše specializované dovednosti a podpůrné kontroly mohou běžet vedle tohoto uvažování. Když je nejlepší rozhodnutí nezasahovat, Maestro tak neučiní. Jakmile Maestro dospěje k závěru, zaváže rozhodnutí a jeho odůvodnění jako událost připravenou k provedení, místo aby jen vracel seznam doporučení marketérovi.

Replenit používá architekturu rojů, ve které může více specializovaných AI agentů pracovat paralelně. Co se stane, když několik agentů uvažuje o stejném zákazníkovi současně, a jak zabránit provedení konfliktních doporučení nebo akcí?

Swarm engine Replenit nevytváří konflikty mezi agenty, protože nejde o paralelizaci rozhodnutí zákazníka; jde o paralelní běh komponent jediného rozhodnutí. Když Maestro uvažuje o zákazníkovi, aktivuje současně více specializovaných agentů: řídící síť směruje rozhodnutí k správným modelům, LLM pro uvažování vyhodnocuje kontext a chování zákazníka, agenti pro obohacování v reálném čase syntetizují chybějící data o zákazníkovi nebo produktu a specializované modely hodnotí vztahy a vhodnost produktu k zákazníkovi.

Místo jejich sekvenčního spouštění, což by bylo pomalejší a dražší, fungují paralelně na stejném stavu zákazníka a poté se sloučí do jednoho jednotného rozhodnutí o tom, co má následovat. Konflikt neexistuje, protože nesoutěží o výběr různých akcí; každý přispívá jinou dimenzí ke stejnému výsledku.

Například obohacení může odhalit chybějící signály o zákazníkovi nebo produktu, vrstva uvažování interpretuje historii nákupů a obchodní cíl, modely vztahů mezi produkty identifikují hlavní produkt a životaschopné náhrady a skórování váží potenciální obchodní dopad. Vše se děje paralelně, ale přináší jeden výsledek. Tato úroveň paralelizace je důležitou architektonickou výhodou. Je obtížné ji dodatečně implementovat do motorů postavených jako jednorozměrné obaly, zatímco Replenit ji od počátku zakomponoval do jádra.

Trvalá paměť je dalším důležitým prvkem platformy, který umožňuje, aby se rozhodnutí stavěla na tom, co se již u každého zákazníka stalo. Jak důležitá je dlouhodobá paměť pro skutečně autonomní AI agenty a jaká opatření jsou potřeba, když tato paměť zahrnuje potenciálně citlivé chování zákazníků?

Paměť je základem autonomního rozhodování, protože kontext je dynamický. Když Maestro zaznamená první nákup dětského produktu, zapamatuje si, že se domácí kontext změnil, a budoucí rozhodnutí by měla odrážet životní cyklus rodičů. Když zaznamená první nákupy péče o pleť, zapamatuje si, že tento zákazník buduje rutinu. Když se objeví nákupní vzorce kolem fitness nebo wellness, zachytí vznikající návyk.

Každý nákup aktualizuje, co systém o daném zákazníkovi rozumí – nejen demografické údaje, ale i to, co ho motivuje, jaké chování si vytváří a jaké životní momenty se odehrávají – takže další rozhodnutí není obecné, ale zakotveno v konkrétním kontextu zákazníka. Toto kumulativní ukládání paměti je to, co činí rozhodnutí chytřejšími.

Záruka je jednoduchá: uchováváme události nákupů a kontextové vzorce, které z nich vyplývají – signály životního cyklu, tvorbu návyků, nákupní motivátory a afinitu kategorie – s přísnými zásadami uchovávání a pseudonymizací, kde je to možné. Rozsah dat zůstává úzký. Sledujeme, co se stalo a jaký kontext se změnil, nic víc. Bez těchto ochranných opatření se trvalá paměť stává závazkem, nikoli aktivem.

Replenit je navržen tak, aby fungoval nad technologií, kterou maloobchodníci již používají, místo aby vyžadoval nahrazení jejich stávajícího stacku. Co jste se naučili při nasazování u více než 30 podnikových maloobchodníků o největších technických či organizačních překážkách při poskytování AI smysluplné pravomoci rozhodování?

Nejjasnější technický problém, na který jsme narazili, není nedostatek dat, ale stav těchto dat. Podnikové maloobchodníci často disponují velkým množstvím dat, která jsou roztříštěná napříč systémy, nekonzistentní nebo jinak neúplná. Proto se obohacení stalo důležitou součástí podkladové architektury. Systém musí vytvořit dostatek smysluplného kontextu, aby mohl uvažovat i tehdy, když je základní datová sada nedokonalá.

Organizačně je těžší otázka důvěra. Poskytnutí AI smysluplné pravomoci rozhodování zasahuje najednou několik funkcí. Týmy pro data a IT požadují vysvětlitelnost, bezpečnost a nízkou zátěž integrace. Marketingové týmy potřebují jistotu, že komunikace se zákazníky zůstane v souladu se značkou. Týmy CRM chtějí zachovat strategickou kontrolu a nechtějí mít pocit, že AI systém jim vztah se zákazníkem přebírá.

Náš přístup byl proto oddělit strategii od exekuce. Lidé definují cíle, směr značky a ochranná pravidla, zatímco Maestro vlastní opakovatelná individuální rozhodnutí a provádění v rámci těchto hranic. Každé závazné rozhodnutí je navrženo tak, aby bylo sledovatelné, a systém pracuje nad existujícím stackem místo toho, aby vyžadoval migraci platformy.

Jakmile AI začne optimalizovat příjmy a retenci, jak zabráníte autonomnímu systému, aby příliš agresivně optimalizoval krátkodobé metriky, například tlačil zbytečné akce nebo nákupy, na úkor důvěry zákazníků a dlouhodobé hodnoty značky?

Maestro optimalizuje podle KPI, které definují lidé, ne podle metrik, které si sám zvolí. Pokud definujete cíle jako celoživotní hodnotu zákazníka a míru retence, právě na to se zaměří, místo na rychlost transakcí nebo objem akcí. Pokud agresivní krátkodobé taktiky poškozují retenci, selžou vůči skutečnému KPI. Systém se učí tento kompromis přímo, protože každý výsledek se vrací do paměti, takže strategie, které poškozují dlouhodobou retenci, se ukážou jako zjevně horší pro stanovený obchodní cíl.

Omezení je strukturové. Maestro pracuje v rámci vámi nastavených ochranných pravidel. Nemůže optimalizovat mimo ně; operuje uvnitř nich. Každé rozhodnutí je sledovatelné, takže můžete auditovat, proč Maestro zvolil odeslat nebo zadržet, které KPI toto rozhodnutí vážily a jaký byl očekávaný výsledek. Bez jasné definice KPI, ochranných pravidel a transparentnosti rozhodnutí by AI systém mohl jednat příliš agresivně. Model Replenit je však transparentní a navržen tak, aby tomu předešel. Podnik určuje, co je důležité, Maestro provádí tyto cíle s plnou auditovatelností a každý výsledek pomáhá určit, zda strategie skutečně funguje.

Základní modely se rychle zlepšují a stále schopnější agenti budou k dispozici téměř každému maloobchodníkovi. Z dlouhodobého hlediska, odkud podle vás bude pocházet obranná výhoda v AI rozhodování: proprietární modely, paměť na úrovni zákazníka, doménově specifické uvažování, zpětné smyčky, infrastruktura nebo něco naprosto jiného?

Základní modely se stanou komoditizovanými, takže každý bude mít přístup k stále schopnějším rozhodovacím motorům. Obranná výhoda není v samotném modelu, ale v tom, co o každém zákazníkovi víte a jak rychle tuto znalost násobíte. Výhodou Maestro je paměť na úrovni zákazníka, která se prohlubuje s každým nákupem a každým výsledkem. Po šesti měsících výsledků systém zná vašeho zákazníka lépe než jakýkoli obecný model. Nejde jen o demografické údaje, ale o to, co je pohání, kdy jsou otevřeni, co spouští odchod zákazníka.

Ta paměť také vytváří kontinuitu. Přechod na jiný systém znamená ztrátu dvou let nabytého kontextu. Vedle toho má Replenit doménově specifické dovednosti zakódované pro maloobchod, včetně pochopení fází životního cyklu, vzorců rychlosti nákupů, spouštěčů doplňování zásob a kategoriální preference v oblasti krásy nebo potravin. Dovednosti však mohou být zkopírovány. Skutečnou výhodou je smyčka zpětné vazby: Maestro učiní rozhodnutí, zachytí výsledek, aktualizuje paměť a použije toto učení k tomu, aby učinil další rozhodnutí chytřejší. Tato smyčka je kontinuální a kumulativní. V průběhu času se systém běžící na vašich datech stává postupně lepším než čerstvý systém založený na obecných modelech.

Infrastruktura také hraje roli. Swarm concurrency a vlastněné modely udržují jednotkovou ekonomiku lépe, ale to jsou základní podmínky, ne přirozený příkop. Obranná výhoda spočívá v kombinaci gravitační síly zákaznických dat (náklady na přechod), kontinuálního učení (výsledky se vracejí do budoucích rozhodnutí) a doménově specifického uvažování (kontext specifický pro maloobchod), které spolupracují. Samostatně je každá z nich kopírovatelná. Společně jsou těžko replikovatelné dostatečně rychle, aby se dohnaly.

Děkujeme za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Replenit.