Ilyas Kurklu, medstifter og administrerende direktør for Replenit – Interviewserie

Ilyas Kurklu, medstifter og administrerende direktør for Replenit, er en iværksætter og leder inden for detailteknologi med fokus på at anvende kunstig intelligens til kundebeslutningstagning og engagement. Hos Replenit leder han strategi, produktudvikling og partnerskaber, baseret på mere end et årti af erfaring med at skalere enterprise‑detailengagementvirksomheder fra cirka $10 million til $2 milliarder i omsætning, mens han har arbejdet med mere end 300 detailhandlere. Hans karriere omfatter også rådgivnings- og forretningsudviklingsroller samt seks år som teamleder og vejrforudser ved Tyrkiets Generaldirektorat for Meteorologi, hvor han arbejdede med realtidsdata, radar, satellitbilleder og prognosesystemer.

Replenit er en AI‑beslutningsplatform designet til detail og e‑handel, som leverer et lag mellem en detailhandels data‑infrastruktur og dens eksisterende kundebindingssystemer. Dens AI Decision Engine kombinerer kunde-, produkt-, adfærds‑ og andre signaler for at bestemme den næste bedste handling for individuelle kunder i realtid, mens dens Maestro AI CRM Manager autonomt kan styre arbejdsprocesser inklusive genopfyldning, krydssalg, engagement, forebyggelse af churn og genvinding af tabte kunder. I stedet for at kræve, at detailhandlere skal erstatte deres eksisterende teknologistak, er Replenit designet til at integrere med nuværende handels‑, marketing‑ og dataplatforme og omdanne sine beslutninger til eksekveringsklare kommunikationer og handlinger. Virksomheden oplyser, at teknologien anvendes af detailhandlere som L’Occitane, Mumzworld, e-bebek, Beko og Faith In Nature.

Du brugte år på at hjælpe med at skalere enterprise‑detailteknologi, før du grundlagde Replenit sammen med fem medstiftere. Hvad så du gentagne gange, at detailhandlere kæmpede med, som overbeviste dig om, at der manglede et beslutningslag i teknologistakken, og hvordan førte den indsigt til Replenit?

Ved at arbejde med hundreder af detailhandlere på tværs af forskellige markeder, hørte og så vi gentagne gange det samme problem: Detailhandlere var blevet meget dygtige til at indsamle data og til at udføre handlinger, men intelligensen imellem var stadig fraværende. De havde CDP’er, lagre, CRM‑platforme og marketing‑automatiseringssystemer, men beslutningen — hvad der faktisk skal ske næste for denne enkelte kunde? — var stadig gætteri baseret på statiske regler, brede segmenter, kampagnekalendere og menneskelig dømmekraft. Stakken og teamet var begge i praksis midlertidige løsninger på, at ingen kunne ræsonnere om hver enkelt kunde i skala. Replenit er det manglende ræsonnerings‑ og beslutningslag. Vi har bygget en motor, der kan fortolke kunde‑ og produktkontekst på individuelt niveau, bestemme den passende næste kommercielle handling og derefter bruge detailhandlerens eksisterende systemer til at udføre den.

Replenit hævder, at detailhandlere allerede har masser af kundedata og masser af værktøjer til at gennemføre kampagner, men mangler intelligens, der kan afgøre, hvad der skal ske næste. Hvorfor har Customer Data Platforms (CDPs), Customer Relationship Management (CRM)-platforme og marketing‑automatiseringssystemer ikke kunnet løse dette problem selv?

Disse systemer blev bygget til andre opgaver. En CDP kan samle kundedata, men at samle data er ikke det samme som at beslutte, hvad man skal gøre med dem. CRM‑ og marketing‑automatiseringsplatforme er meget gode som eksekveringslag. De kan sende, orkestrere og optimere kommunikation, når nogen har defineret den specifikke målgruppe, arbejdsproces eller kampagne.

Selv når disse platforme tilføjer forudsigende scores, generativ AI og optimering af afsendelsestid, er den grundlæggende arbejdsenhed ofte stadig kampagnen, rejsen, målgruppen eller segmentet. AI’en kan optimere noget, en marketingmedarbejder allerede har valgt at gøre. Den beslutter ikke nødvendigvis, om der overhovedet skal ske noget, hvilket livscyklusmål der er vigtigst for den pågældende kunde, hvilket produkt der er relevant, hvorfor nu, i hvilken tone, og mod hvilket kommercielt resultat. Det er den sondring, vi gør mellem en score og en beslutning. En forudsigelse kan rangere sandsynlighed. En beslutning kræver ræsonnement på tværs af kontekst og alternativer og derefter at forpligte sig til en handling. Replenit ligger over den eksisterende stak for at levere dette lag i stedet for at bede detailhandlere om at erstatte de systemer, de allerede har.

En central del af Replenits tilgang er at anvende Theory of Mind til at udlede en kundes intention, kontekst og sandsynlige fremtidige adfærd. Hvordan oversætter du et koncept fra kognitiv videnskab til et AI‑system, der kan træffe pålidelige kommercielle beslutninger, og hvordan validerer du, om systemet korrekt har fortolket en kundes intention?

Vi omsætter Theory of Mind til et ræsonneringslag, der ser ud over, hvad en kunde har gjort, og spørger, hvorfor den adfærd kan have fundet sted, hvad den signalerer om intention, og hvad den betyder i kontekst. I stedet for kun at stole på historiske mønstre eller produktsimilaritet, ræsonnerer systemet på niveauet af hver enkelt kunde‑produkt‑relation og bruger den kontekst til at bestemme, hvad der skal ske næste.

Dette ræsonnement kan omfatte forståelse af den sandsynlige motivation bag et køb, hvordan produkter relaterer til hinanden, hvilket behov kunden forsøger at opfylde, og om timingen er korrekt for en bestemt handling. Replenit går derefter ud over blot at foreslå en mulighed: den træffer en beslutning og forbereder den beslutning til eksekvering gennem detailhandlerens eksisterende systemer.

Valideringen sker gennem resultater. Når en beslutning er truffet, sporer Replenit, hvad der faktisk skete, og sender dette resultat tilbage til fremtidige beslutninger for den pågældende kunde. Systemet evaluerer også løbende, hvilke af dets færdigheder og beslutningstagningstilgange der leverer resultater, skalerer dem, der fungerer godt, og nedprioriterer dem, der ikke gør. På den måde bliver systemet bedre til at kende den rigtige handling for den rigtige kunde på det rigtige tidspunkt, fordi det lærer af faktiske resultater i stedet for blot at køre den samme logik gentagne gange.

De fleste personaliseringssystemer er i sidste ende forudsigelsesmotorer, der estimerer, hvad en person sandsynligvis vil klikke på eller købe. Replenit lægger vægt på at gå fra forudsigelse til beslutningstagning. Set fra et AI-arkitekturperspektiv, hvad ændrer sig, når modellen faktisk skal vælge den næste handling i stedet for blot at producere en sandsynlighed eller anbefaling?

Hos Replenit er der fire vigtige dele af denne arkitektur. Først er Golden Memory: levende registre over kunden, produktet og mærket, som giver systemet kontekst ud over en isoleret transaktion. Hvor informationen er ufuldstændig, kan Replenit også berige de tilgængelige data og generere syntetisk kontekst for at hjælpe med at lukke disse huller.

Den anden del er mere end 100 branchefærdigheder. Disse er specialiserede ræsonnementsevner for bestemte kategorier og situationer – for eksempel en kosmetikrutinebygger til skønhedsforhandlere eller en indretningsarkitekt for møbel- og gør-det-selv-virksomheder. Sammen med disse færdigheder kan 15 understøttende kontroller køre parallelt omkring en beslutning, herunder erstatnings-, kompatibilitets-, duplikat- og undertrykkelseskontroller.

Tredje er workflow-ejerskab. I stedet for kun at producere en anbefaling og stoppe der, kan Maestro ræsonnere på tværs af livscyklus-workflows såsom genopfyldning, krydssalg, engagement, genvinding, churn, kampagner og erstatning. Disse workflows kan køre kontinuerligt og parallelt for en individuel kunde, hvor Maestro bestemmer, hvilken handling der er passende i netop det øjeblik.

Endelig pakker vi det ind i det, vi kalder en Golden Decision Event: en logført, eksekveringsklar beslutning, der indeholder handlingen og dens begrundelse, og som kan overføres direkte til forhandlerens CRM, marketingautomatisering, e‑handel, app eller datasystemer på mere end 120 platforme.

Forskellen er, at vi bevæger os fra en model, der forudsiger, hvad der sandsynligvis vil ske, til et system, der kan huske konteksten, bringe den rette ekspertise ind, evaluere de tilgængelige handlinger, forpligte sig til én beslutning og gøre den eksekverbar.

Maestro kan autonomt beslutte, om en individuel kunde skal modtage en genopfyldningspåmindelse, krydssalg, kampagne, engagementbesked, genvindsforsøg eller potentielt ingen indgriben overhovedet. Hvordan vejer systemet disse konkurrerende handlinger og fastslår, hvad der virkelig er den bedste beslutning for den pågældende kunde i netop det øjeblik?

Udgangspunktet er kunden og det kommercielle mål. Forhandleren fastsætter strategi, prioriteter og rammer. Maestro ræsonnerer derefter på tværs af den tilgængelige kunde-, produkt- og workflow‑kontekst for at bestemme, hvad der skal ske næste gang.
Det kan inkludere at beslutte, hvilket kommercielt mål der skal prioriteres, hvilket workflow der er relevant, hvilken færdighed eller kombination af færdigheder der skal anvendes, hvilke produkter der giver mening, og hvornår handlingen skal finde sted. Forhandlere kan også definere prioriteter omkring målinger såsom omsætning, købsfrekvens, gennemsnitlig ordreværdi, marginbeskyttelse eller forebyggelse af churn.

Vores Theory-of-Mind‑ræsonnement tilføjer den individuelle kontekst: hvad adfærden ser ud til at betyde, hvad kunden faktisk kan have brug for, og hvorfor dette måske er eller ikke er det rette tidspunkt. Vores specialiserede færdigheder og de understøttende kontroller kan køre parallelt med dette ræsonnement. Når den bedste beslutning er at ikke intervenere, gør Maestro det ikke. Når Maestro når en konklusion, forpligter den beslutningen og dens begrundelse som en eksekveringsklar begivenhed i stedet for blot at returnere en menu af anbefalinger til en marketingspecialist.

Replenit bruger en sværm‑arkitektur, hvor flere specialiserede AI‑agenter kan operere parallelt. Hvad sker der, når flere agenter ræsonnerer om den samme kunde på samme tid, og hvordan forhindrer man, at modstridende anbefalinger eller handlinger bliver udført?

Replenits sværm‑motor skaber ikke agentkonflikter, fordi den ikke handler om at parallelisere kundebeslutninger; den handler om at køre komponenterne i én enkelt beslutning parallelt. Når Maestro ræsonnerer om en kunde, aktiverer den flere specialiserede agenter samtidigt: et gating‑netværk dirigerer beslutningen til de rette modeller, en ræsonnerende LLM evaluerer kundekontekst og adfærd, berigelsesagenter syntetiserer manglende kunde‑ eller produktdata i realtid, og specialiserede modeller vurderer produkt‑kunderelationer og pasform.

I stedet for at køre disse sekventielt, hvilket ville være langsommere og dyrere, opererer de parallelt på den samme kundetilstand og konvergerer derefter til én samlet beslutning om, hvad der skal ske næste gang. Der er ingen konflikt, fordi de ikke konkurrerer om at vælge forskellige handlinger; hver enkelt bidrager med en anden dimension til det samme resultat.

For eksempel kan berigelse frembringe manglende kunde- eller produktsignaler, resonneringslaget fortolker købs‑historik og det kommercielle mål, produkt‑relationsmodeller identificerer ankerproduktet og mulige erstatninger, og scoring vægter den potentielle forretningsmæssige påvirkning. Alt dette foregår parallelt, men resulterer i ét resultat. Dette niveau af parallelisering er en vigtig arkitektonisk fordel. Det er svært at eftermontere i motorer, der er bygget som enkelt‑værktøjs‑indpakninger, mens Replenit har indbygget det i kernen fra starten.

Vedvarende hukommelse er en anden vigtig del af platformen, som gør det muligt for beslutninger at bygge på, hvad der tidligere er sket med hver kunde. Hvor vigtig er langtids‑hukommelse for virkelig autonome AI‑agenter, og hvilke sikkerhedsforanstaltninger er nødvendige, når denne hukommelse involverer potentielt følsom kundeadfærd?

Hukommelse er grundlæggende for autonom beslutningstagning, fordi konteksten er dynamisk. Når Maestro ser et første køb af et babyprodukt, husker den, at husholdningskonteksten har ændret sig, og fremtidige beslutninger bør afspejle forældrenes livscyklus. Når den ser de første hudplejekøb, husker den, at denne kunde opbygger en rutine. Når købs‑mønstre dukker op omkring fitness eller velvære, indfanger den den vane, der dannes.

Hvert køb opdaterer, hvad systemet forstår om den pågældende kunde – ikke kun demografi, men hvad der driver dem, hvilke adfærd de etablerer, og hvilke livsbegivenheder der udfolder sig – så den næste beslutning ikke er generisk, men forankret i kundens faktiske kontekst. Denne ophobende hukommelse er det, der gør beslutningerne smartere.

Sikkerhedsforanstaltningen er enkel: vi bevarer købs‑begivenheder og de kontekstuelle mønstre, der opstår ud fra dem – livscyklus‑signaler, vane‑dannelse, købsdrivere og kategori‑affinitet – med strenge opbevaringspolitikker og pseudonymisering, hvor det er muligt. Datamængden forbliver snæver. Vi sporer, hvad der skete, og hvilken kontekst der ændrede sig, intet andet. Uden disse sikkerhedsrammer bliver vedvarende hukommelse en forpligtelse frem for en ressource.

Replenit er designet til at ligge oven på den teknologi, som forhandlere allerede bruger, i stedet for at kræve, at de udskifter deres eksisterende stack. Hvad har du lært af implementeringen hos mere end 30 enterprise‑forhandlere om de største tekniske eller organisatoriske barrierer for at give AI meningsfuld beslutningsmyndighed?

Det mest tydelige tekniske problem, vi har stødt på, er ikke mangel på data, men datakvaliteten. Enterprise‑forhandlere har ofte en stor mængde data, der er fragmenteret på tværs af systemer, inkonsistente eller på anden måde ufuldstændige. Derfor blev berigelse en vigtig del af den underliggende arkitektur. Systemet skal skabe tilstrækkelig meningsfuld kontekst til at resonere, selv når det underliggende datasæt er ufuldkomment.

Organisatorisk er det sværere spørgsmål tillid. At give AI meningsfuld beslutningsmyndighed berører flere funktioner på én gang. Data‑ og IT‑teams ønsker forklarlighed, sikkerhed og lav integrationsbyrde. Marketing‑teams har brug for sikkerhed for, at kundekommunikationen forbliver i overensstemmelse med brandet. CRM‑teams vil bevare strategisk kontrol i stedet for at føle, at et AI‑system tager kunderelationen fra dem.

Vores tilgang har derfor været at adskille strategi fra udførelse. Folk definerer målene, brand‑retningslinjerne og sikkerhedsrammerne, mens Maestro ejer den gentagelige individuelle beslutningstagning og udførelse inden for disse grænser. Hver forpligtet beslutning er designet til at være sporbar, og systemet fungerer oven på den eksisterende stack i stedet for at tvinge en platformmigration.

Efterhånden som AI får ansvaret for at optimere indtægter og fastholdelse, hvordan forhindrer du et autonomt system i at optimere for aggressivt på kortsigtede målinger, såsom at presse unødvendige kampagner eller køb, på bekostning af kundetillid og langsigtet brandværdi?

Maestro optimerer i forhold til de KPI‑er, som mennesker definerer, ikke de målinger, den selv vælger. Hvis du definerer målene som kundens livstidsværdi og fastholdelsesrate, er det, hvad den optimerer for, i stedet for transaktionshastighed eller kampagnevolumen. Hvis aggressive kortsigtede taktikker skader fastholdelsen, fejler de i forhold til den faktiske KPI. Systemet lærer denne afvejning direkte, fordi hver udfald fødes tilbage i hukommelsen, så strategier, der skader langsigtet fastholdelse, bliver tydeligt dårligere for det forretningsmål, der er sat.

Begrænsningen er strukturel. Maestro arbejder inden for de sikkerhedsrammer, du fastlægger. Den kan ikke optimere udenom dem; den opererer inden for dem. Hver beslutning er sporbar, så du kan revidere, hvorfor Maestro valgte at sende eller holde tilbage, hvilke KPI‑er der vægtede valget, og hvad det forventede resultat var. Uden klare KPI‑definitioner, sikkerhedsrammer og beslutningstransparens kan et AI‑system presse for aggressivt. Men Replenits model er gennemsigtig og designet til at undgå dette. Virksomheden definerer, hvad der er vigtigt, Maestro udfører mod disse mål med fuld auditabilitet, og hvert udfald hjælper med at afgøre, om strategien faktisk fungerer.

Fundamentale modeller forbedres hurtigt, og stadig mere kapable agenter vil blive tilgængelige for næsten alle forhandlere. På længere sigt, hvor tror du, den forsvarlige fordel i AI‑beslutningstagning vil komme fra: proprietære modeller, hukommelse på kundesniveau, domænespecifik resonnering, feedback‑loops, infrastruktur eller noget helt andet?

Fundamentale modeller vil blive kommercialiseret, så alle vil få adgang til stadig mere kapable resonneringsmotorer. Forsvaret ligger ikke i selve modellen, men i hvad du ved om hver kunde, og hvor hurtigt du kan akkumulere den viden. Maestro’s fordel er kundespecifik hukommelse, der uddybes med hvert køb og hver resultat. Efter seks måneder med resultater kender systemet din kunde bedre end en generisk model nogensinde vil. Ikke kun demografi, men hvad der driver dem, hvornår de er modtagelige, hvad der udløser churn.

Den hukommelse skaber også kontinuitet. At skifte til et andet system betyder at miste to års indlært kontekst. Samtidig har Replenit domænespecifikke færdigheder indkodet for detailhandlen, herunder forståelse af livscyklusstadier, købs-velocity-mønstre, genopfyldningsudløsere og kategori‑affinitet inden for skønhed eller dagligvarer. Men færdigheder kan kopieres. Den reelle fordel er feedback‑sløjfen: Maestro træffer en beslutning, indfanger resultatet, opdaterer hukommelsen og bruger den læring til at gøre den næste beslutning smartere. Denne sløjfe er kontinuerlig og sammensat. Over tid bliver et system, der kører på dine data, progressivt bedre end et nyt system baseret på generiske modeller.

Infrastruktur betyder også noget. Swarm‑samtidighed og egne modeller holder enhedens økonomi bedre, men det er grundlæggende, ikke en moatsikring. Den forsvarlige fordel er kombinationen af kundedata‑tyngde (skifteomkostninger), kontinuerlig læring (resultater, der fodrer fremtidige beslutninger) og domænespecifik resonnering (detailhandlens kontekst), som alle arbejder sammen. Isoleret er hver enkelt kopierbar. Sammen er de svære at replikere hurtigt nok til at indhente.

Tak for det gode interview, læsere der ønsker at lære mere bør besøge Replenit.