Ilyas Kurklu, Mitbegründer und CEO von Replenit – Interviewreihe

Ilyas Kurklu, Mitbegründer und CEO von Replenit, ist ein Unternehmer und Führungskraft im Einzelhandelstechnologiebereich, der sich darauf konzentriert, künstliche Intelligenz auf Kundenentscheidungen und -engagement anzuwenden. Bei Replenit leitet er Strategie, Produktentwicklung und Partnerschaften und baut dabei auf mehr als ein Jahrzehnt Erfahrung beim Skalieren von Unternehmens‑Einzelhandels‑Engagement‑Geschäften von etwa 10 Millionen $ bis 2 Milliarden $ Umsatz, während er mit über 300 Einzelhändlern zusammenarbeitete. Seine Laufbahn umfasst zudem Beratungs‑ und Geschäftsentwicklungsrollen sowie sechs Jahre als Teamleiter und Wettervorhersager bei der Generaldirektion für Meteorologie der Türkei, wo er mit Echtzeitdaten, Radar, Satellitenbildern und Vorhersagesystemen arbeitete.

Replenit ist eine KI‑Entscheidungsplattform, die für den Einzelhandel und den E‑Commerce entwickelt wurde und eine Schicht zwischen der Dateninfrastruktur eines Händlers und dessen bestehenden Kunden‑Engagement‑Systemen bereitstellt. Seine KI‑Entscheidungs‑Engine kombiniert Kunden‑, Produkt‑, Verhaltens‑ und weitere Signale, um in Echtzeit die jeweils beste nächste Aktion für einzelne Kunden zu bestimmen, während der Maestro AI CRM Manager eigenständig Workflows wie Nachbestückung, Cross‑Selling, Engagement, Abwanderungsprävention und Rückgewinnung verwalten kann. Anstatt Händler zu zwingen, ihren bestehenden Technologiestack zu ersetzen, ist Replenit darauf ausgelegt, sich in aktuelle Handels‑, Marketing‑ und Datenplattformen zu integrieren und seine Entscheidungen in umsetzbare Kommunikations‑ und Aktions‑Outputs zu überführen. Das Unternehmen gibt an, dass seine Technologie von Einzelhändlern wie L’Occitane, Mumzworld, e-bebek, Beko und Faith In Nature eingesetzt wird.

Sie haben jahrelang dabei geholfen, Unternehmens‑Einzelhandelstechnologien zu skalieren, bevor Sie Replenit mit fünf Mitgründern gegründet haben. Was haben Sie immer wieder bei Händlern beobachtet, das Sie davon überzeugte, dass eine Entscheidungs‑Schicht im Technologiestack fehlt, und wie führte diese Erkenntnis zu Replenit?

Wir arbeiteten mit Hunderten von Einzelhändlern in verschiedenen Märkten zusammen und hörten und sahen immer wieder dasselbe Problem: Einzelhändler waren sehr gut darin, Daten zu sammeln, und sehr gut in der Ausführung, doch die Intelligenz dazwischen fehlte. Sie verfügten über CDPs, Data‑Warehouses, CRM‑Plattformen und Marketing‑Automatisierungssysteme, doch die Entscheidung – was genau als Nächstes für diesen einzelnen Kunden geschehen soll? – war nach wie vor ein Ratespiel, das auf statischen Regeln, breiten Segmenten, Kampagnenkalendern und menschlichem Urteil beruhte. Der Stack und das Team waren beide im Grunde Work‑arounds für die Tatsache, dass niemand in der Lage war, über jeden Kunden individuell im großen Maßstab zu entscheiden. Replenit ist genau diese fehlende Entscheidungs‑ und Begründungsschicht. Wir haben eine Engine gebaut, die den Kunden‑ und Produktkontext auf individueller Ebene interpretieren, die passende nächste kommerzielle Aktion bestimmen und dann die bestehenden Systeme des Händlers zur Ausführung nutzen kann.

Replenit argumentiert, dass Einzelhändler bereits über zahlreiche Kundendaten und viele Werkzeuge zur Durchführung von Kampagnen verfügen, jedoch die Intelligenz fehlt, die entscheiden kann, was als Nächstes geschehen soll. Warum konnten Customer Data Platforms (CDPs), Customer Relationship Management (CRM)-Plattformen und Marketing‑Automatisierungssysteme dieses Problem nicht selbst lösen?

Diese Systeme wurden für andere Aufgaben entwickelt. Ein CDP kann Kundendaten vereinheitlichen, doch die Vereinheitlichung von Daten ist nicht dasselbe wie die Entscheidung, was damit geschehen soll. CRM‑ und Marketing‑Automatisierungsplattformen sind sehr gute Ausführungsschichten. Sie können Kommunikation senden, orchestrieren und optimieren, sobald jemand die spezifische Zielgruppe, den Workflow oder die Kampagne definiert hat.

Selbst wenn diese Plattformen prädiktive Scores, generative KI und Optimierung des Versandzeitpunkts hinzufügen, bleibt die grundlegende Arbeitseinheit häufig die Kampagne, Reise, Zielgruppe oder das Segment. Die KI kann etwas optimieren, das ein Marketer bereits ausgewählt hat. Sie entscheidet nicht zwingend, ob überhaupt etwas geschehen soll, welches Lebenszyklus‑Ziel für den jeweiligen Kunden am wichtigsten ist, welches Produkt relevant ist, warum gerade jetzt, in welchem Ton und in Richtung welches kommerziellen Ergebnisses. Das ist der Unterschied, den wir zwischen einem Score und einer Entscheidung ziehen. Vorhersage kann die Wahrscheinlichkeit ranken. Eine Entscheidung erfordert ein Abwägen von Kontext und Alternativen und anschließend das Festlegen einer Aktion. Replenit sitzt über dem bestehenden Stack, um diese Schicht bereitzustellen, anstatt Händler zu zwingen, die bereits vorhandenen Systeme zu ersetzen.

Ein zentraler Bestandteil von Replenits Ansatz ist die Anwendung von Theory of Mind, um die Absicht, den Kontext und das wahrscheinliche zukünftige Verhalten eines Kunden zu erschließen. Wie übersetzen Sie ein Konzept aus der Kognitionswissenschaft in ein KI‑System, das zuverlässige kommerzielle Entscheidungen treffen kann, und wie validieren Sie, ob das System die Kundenabsicht korrekt interpretiert hat?

Wir übersetzen Theory of Mind in eine Begründungsschicht, die über das hinausblickt, was ein Kunde getan hat, und fragt, warum dieses Verhalten stattgefunden haben könnte, welche Absicht es signalisiert und welche Bedeutung es im Kontext hat. Anstatt sich ausschließlich auf historische Muster oder Produktähnlichkeiten zu stützen, argumentiert das System auf Ebene jeder einzelnen Kunden‑Produkt‑Beziehung und nutzt diesen Kontext, um zu bestimmen, was als Nächstes geschehen soll.

Diese Begründung kann das Verständnis der wahrscheinlichen Motivation hinter einem Kauf, die Beziehung zwischen Produkten, das Bedürfnis, das der Kunde zu befriedigen versucht, und die Frage, ob das Timing für eine bestimmte Aktion passend ist, umfassen. Replenit geht dann über das bloße Vorschlagen einer Option hinaus: Es trifft eine Entscheidung und bereitet diese Entscheidung für die Ausführung über die bestehenden Systeme des Händlers vor.

Die Validierung erfolgt anhand von Ergebnissen. Sobald eine Entscheidung getroffen ist, verfolgt Replenit, was tatsächlich geschehen ist, und speist dieses Ergebnis in zukünftige Entscheidungen für diesen Kunden ein. Gleichzeitig bewertet das System fortlaufend, welche seiner Fähigkeiten und Entscheidungsansätze Ergebnisse liefern, skaliert die gut funktionierenden und reduziert die weniger erfolgreichen. In diesem Sinne wird das System besser darin, die richtige Maßnahme für den richtigen Kunden zum richtigen Zeitpunkt zu kennen, weil es aus realen Ergebnissen lernt, anstatt dieselbe Logik immer wieder auszuführen.

Die meisten Personalisierungssysteme sind letztlich Vorhersage‑Engines, die schätzen, worauf jemand wahrscheinlich klicken oder kaufen wird. Replenit legt den Fokus darauf, von der Vorhersage zur Entscheidungsfindung überzugehen. Aus Sicht der KI‑Architektur ändert sich, was passiert, wenn das Modell die nächste Aktion tatsächlich auswählen muss, anstatt nur eine Wahrscheinlichkeit oder Empfehlung zu erzeugen?

Bei Replenit gibt es vier wichtige Bestandteile dieser Architektur. Der erste ist der Golden Memory: lebendige Aufzeichnungen von Kunde, Produkt und Marke, die dem System Kontext jenseits einer einzelnen Transaktion liefern. Wenn Informationen unvollständig sind, kann Replenit die verfügbaren Daten zudem anreichern und synthetischen Kontext erzeugen, um diese Lücken zu schließen.

Der zweite Bestandteil sind mehr als 100 branchenspezifische Fähigkeiten. Dabei handelt es sich um spezialisierte Reasoning‑Kompetenzen für bestimmte Kategorien und Situationen – etwa einen Kosmetik‑Routinen‑Builder für Beauty‑Einzelhändler oder einen Innenarchitekten für Möbel‑ und DIY‑Unternehmen. Neben diesen Fähigkeiten können 15 unterstützende Prüfungen parallel zu einer Entscheidung laufen, darunter Substitutions‑, Kompatibilitäts‑, Duplikats‑ und Unterdrückungsprüfungen.

Der dritte Bestandteil ist die Workflow‑Verantwortung. Anstatt nur eine Empfehlung zu erzeugen und dort zu stoppen, kann Maestro über Lebenszyklus‑Workflows wie Nachschub, Cross‑Sell, Engagement, Rückgewinnung, Abwanderung, Promotion und Substitution hinweg reasoning. Diese Workflows können kontinuierlich und parallel für einen einzelnen Kunden betrieben werden, wobei Maestro in dem jeweiligen Moment die passende Aktion bestimmt.

Abschließend verpacken wir das in das, was wir einen Golden Decision Event nennen: eine protokollierte, ausführungsgerechte Entscheidung, die die Aktion und deren Begründung enthält und direkt in das CRM, die Marketing‑Automation, den E‑Commerce, die App oder die Datensysteme des Einzelhändlers über mehr als 120 Plattformen eingespeist werden kann.

Der Unterschied besteht also darin, dass wir von einem Modell, das vorhersagt, was wahrscheinlich passieren wird, zu einem System übergehen, das den Kontext speichern, das passende Fachwissen einbringen, die verfügbaren Aktionen bewerten, sich für eine Entscheidung festlegen und diese ausführbar machen kann.

Maestro kann eigenständig entscheiden, ob ein einzelner Kunde eine Nachschub‑Erinnerung, ein Cross‑Sell‑Angebot, eine Promotion, eine Engagement‑Nachricht, einen Rückgewinnungsversuch oder möglicherweise keinerlei Intervention erhalten soll. Wie gewichtet das System diese konkurrierenden Aktionen und ermittelt, was tatsächlich die beste Entscheidung für diesen Kunden in diesem Moment ist?

Der Ausgangspunkt ist der Kunde und das kommerzielle Ziel. Der Einzelhändler legt Strategie, Prioritäten und Leitplanken fest. Maestro reasoning dann über den verfügbaren Kunden‑, Produkt‑ und Workflow‑Kontext, um zu bestimmen, was als Nächstes geschehen soll.
Dazu kann gehören, welches kommerzielle Ziel priorisiert werden soll, welcher Workflow relevant ist, welche Fähigkeit oder Kombination von Fähigkeiten angewendet werden soll, welche Produkte sinnvoll sind und wann die Aktion stattfinden sollte. Einzelhändler können zudem Prioritäten hinsichtlich Kennzahlen wie Umsatz, Kaufhäufigkeit, durchschnittlicher Bestellwert, Margenschutz oder Abwanderungsprävention definieren.

Unser Theory‑of‑Mind‑Reasoning fügt den individuellen Kontext hinzu: was das Verhalten zu bedeuten scheint, was der Kunde tatsächlich benötigen könnte und warum dies möglicherweise nicht der richtige Moment ist. Unsere spezialisierten Fähigkeiten und die unterstützenden Prüfungen können parallel zu diesem Reasoning laufen. Wenn die beste Entscheidung darin besteht, nicht einzugreifen, tut Maestro das nicht. Sobald Maestro zu einem Ergebnis kommt, verankert er die Entscheidung und deren Begründung als ausführungsgerechtes Ereignis, anstatt lediglich einem Marketer ein Menü von Empfehlungen zurückzugeben.

Replenit verwendet eine Schwarm‑Architektur, in der mehrere spezialisierte KI‑Agenten parallel arbeiten können. Was geschieht, wenn mehrere Agenten gleichzeitig über denselben Kunden reasoning, und wie verhindert man, dass widersprüchliche Empfehlungen oder Aktionen ausgeführt werden?

Die Schwarm‑Engine von Replenit erzeugt keine Agentenkonflikte, weil es nicht darum geht, Kundenentscheidungen zu parallelisieren; es geht darum, die Komponenten einer einzelnen Entscheidung parallel auszuführen. Wenn Maestro über einen Kunden reasoning, aktiviert er gleichzeitig mehrere spezialisierte Agenten: ein Gate‑Netzwerk leitet die Entscheidung an die richtigen Modelle weiter, ein Reasoning‑LLM bewertet den Kundenkontext und -verhalten, Anreicherungs‑Agenten erzeugen fehlende Kunden‑ oder Produktdaten in Echtzeit, und spezialisierte Modelle prüfen Produkt‑Kunden‑Beziehungen und Passgenauigkeit.

Anstatt diese Schritte nacheinander auszuführen, was langsamer und teurer wäre, arbeiten sie parallel am selben Kundenstatus und konvergieren anschließend zu einer einheitlichen Entscheidung darüber, was als Nächstes geschehen soll. Es gibt keinen Konflikt, weil sie nicht um unterschiedliche Aktionen konkurrieren; jeder trägt eine andere Dimension zum selben Ergebnis bei.

Zum Beispiel kann Anreicherung fehlende Kunden- oder Produktsignale aufdecken, die Reasoning‑Ebene interpretiert die Kaufhistorie und das kommerzielle Ziel, Produktbeziehungs‑Modelle identifizieren das Anker‑Produkt und brauchbare Ersatzprodukte, und das Scoring gewichtet die potenzielle geschäftliche Auswirkung. All das geschieht parallel, führt jedoch zu einem Ergebnis. Dieses Maß an Parallelisierung ist ein wichtiger architektonischer Vorteil. Es ist schwierig, es in Engines nachzurüsten, die als Single‑Tool‑Wrapper gebaut wurden, während Replenit es von Anfang an in den Kern integriert hat.

Persistenter Speicher ist ein weiterer wichtiger Teil der Plattform, der es Entscheidungen ermöglicht, auf dem aufzubauen, was zuvor mit jedem Kunden geschehen ist. Wie wichtig ist Langzeitgedächtnis für wirklich autonome KI‑Agenten, und welche Schutzmaßnahmen sind erforderlich, wenn dieses Gedächtnis potenziell sensible Kundenverhaltensdaten beinhaltet?

Speicher ist grundlegend für autonome Entscheidungsfindung, weil Kontext dynamisch ist. Wenn Maestro den ersten Kauf eines Babyprodukts sieht, erinnert es sich daran, dass sich der Haushaltskontext geändert hat, und zukünftige Entscheidungen sollten den Eltern‑Lebenszyklus widerspiegeln. Wenn es erste Hautpflegekäufe erkennt, merkt es sich, dass dieser Kunde eine Routine aufbaut. Wenn Kaufmuster im Bereich Fitness oder Wellness entstehen, erfasst es die sich bildende Gewohnheit.

Jeder Kauf aktualisiert das, was das System über diesen Kunden versteht – nicht nur demografische Daten, sondern was ihn antreibt, welche Verhaltensweisen er etabliert und welche Lebensmomente sich entfalten – sodass die nächste Entscheidung nicht generisch ist, sondern im tatsächlichen Kontext des Kunden verankert ist. Dieses kumulative Gedächtnis ist es, das Entscheidungen intelligenter macht.

Die Schutzmaßnahme ist einfach: Wir bewahren Kaufereignisse und die daraus entstehenden kontextuellen Muster – Lebenszyklus‑Signale, Gewohnheitsbildung, Kaufanreize und Kategoriezugehörigkeit – mit strengen Aufbewahrungsrichtlinien und, wo möglich, Pseudonymisierung. Der Datenumfang bleibt eng. Wir verfolgen, was passiert ist und welcher Kontext sich verschoben hat, nichts weiter. Ohne diese Leitplanken wird persistenter Speicher zu einer Belastung statt zu einem Vermögenswert.

Replenit ist so konzipiert, dass es auf der bereits von Einzelhändlern genutzten Technologie aufsetzt, anstatt sie zu zwingen, ihren bestehenden Stack zu ersetzen. Was haben Sie aus der Implementierung bei mehr als 30 Enterprise‑Einzelhändlern über die größten technischen oder organisatorischen Hürden gelernt, einer KI bedeutungsvolle Entscheidungsbefugnisse zu geben?

Das eindeutigste technische Problem, dem wir begegnet sind, ist nicht ein Mangel an Daten, sondern der Zustand dieser Daten. Enterprise‑Einzelhändler verfügen häufig über eine große Menge an Daten, die über Systeme hinweg fragmentiert, inkonsistent oder anderweitig unvollständig sind. Deshalb wurde Anreicherung zu einem wichtigen Bestandteil der zugrunde liegenden Architektur. Das System muss genügend sinnvollen Kontext erzeugen, um zu argumentieren, selbst wenn der zugrundeliegende Datensatz unvollkommen ist.

Organisatorisch ist die schwierigere Frage das Vertrauen. Einer KI bedeutungsvolle Entscheidungsbefugnisse zu geben, berührt gleichzeitig mehrere Funktionen. Daten‑ und IT‑Teams verlangen Erklärbarkeit, Sicherheit und geringe Integrationsaufwände. Marketing‑Teams benötigen die Gewissheit, dass die Kundenkommunikation markenkonform bleibt. CRM‑Teams wollen die strategische Kontrolle behalten, anstatt das Gefühl zu haben, dass ein KI‑System die Kundenbeziehung von ihnen wegnimmt.

Unser Ansatz war daher, Strategie von Ausführung zu trennen. Menschen definieren die Ziele, Markenrichtlinien und Leitplanken, während Maestro die wiederholbaren einzelnen Entscheidungen und die Ausführung innerhalb dieser Grenzen übernimmt. Jede getroffene Entscheidung ist so konzipiert, dass sie nachvollziehbar ist, und das System arbeitet auf dem bestehenden Stack, anstatt eine Plattformmigration zu erzwingen.

Wenn KI für die Optimierung von Umsatz und Kundenbindung verantwortlich wird, wie verhindern Sie, dass ein autonomes System zu aggressiv nach kurzfristigen Kennzahlen optimiert, etwa indem es unnötige Aktionen oder Käufe vorantreibt, zum Nachteil des Kundenvertrauens und des langfristigen Markenwerts?

Maestro optimiert anhand der von Menschen definierten KPIs, nicht anhand von Kennzahlen, die es selbst wählt. Wenn Sie die Ziele als Customer Lifetime Value und Retentionsrate festlegen, optimiert es darauf, nicht auf Transaktionsgeschwindigkeit oder Promotionsvolumen. Wenn aggressive kurzfristige Taktiken die Retention beeinträchtigen, scheitern sie an den tatsächlichen KPIs. Das System lernt diesen Zielkonflikt direkt, weil jedes Ergebnis in das Gedächtnis zurückfließt, sodass Strategien, die die langfristige Retention schädigen, nachweislich schlechter für das festgelegte Geschäfts‑Ziel abschneiden.

Die Einschränkung ist strukturell. Maestro arbeitet innerhalb der von Ihnen festgelegten Leitplanken. Es kann nicht um sie herum optimieren; es agiert innerhalb dieser Grenzen. Jede Entscheidung ist nachvollziehbar, sodass Sie prüfen können, warum Maestro sich für das Senden oder Zurückhalten entschieden hat, welche KPIs diese Wahl gewichtet haben und welches erwartete Ergebnis vorgesehen war. Ohne klare KPI‑Definition, Leitplanken und Entscheidungstransparenz könnte ein KI‑System zu aggressiv vorgehen. Das Modell von Replenit ist jedoch transparent und darauf ausgelegt, dies zu verhindern. Das Unternehmen definiert, was wichtig ist, Maestro führt diese Ziele mit voller Nachvollziehbarkeit aus, und jedes Ergebnis hilft zu bestimmen, ob die Strategie tatsächlich funktioniert.

Foundation‑Modelle verbessern sich rasant und immer fähigere Agenten werden fast allen Einzelhändlern zur Verfügung stehen. Woher wird Ihrer Meinung nach langfristig der verteidigungsfähige Vorteil in der KI‑Entscheidungsfindung kommen: proprietäre Modelle, kundenbezogenes Gedächtnis, domänenspezifisches Schließen, Feedback‑Schleifen, Infrastruktur oder etwas völlig anderes?

Foundation-Modelle werden commoditisiert, sodass jeder Zugang zu immer leistungsfähigeren Reasoning-Engines hat. Die Verteidigungsfähigkeit liegt nicht im Modell selbst, sondern darin, was Sie über jeden Kunden wissen und wie schnell Sie dieses Wissen vervielfachen. Der Vorteil von Maestro ist das kundenbezogene Gedächtnis, das sich mit jedem Kauf und jedem Ergebnis vertieft. Nach sechs Monaten an Ergebnissen kennt das System Ihren Kunden besser als ein generisches Modell jemals könnte. Nicht nur demografische Daten, sondern was sie antreibt, wann sie empfänglich sind und was Abwanderung auslöst.

Dieses Gedächtnis schafft zudem Kontinuität. Der Wechsel zu einem anderen System bedeutet den Verlust von zwei Jahren erlernten Kontextes. Darüber hinaus verfügt Replenit über branchenspezifische Fähigkeiten, die für den Einzelhandel kodiert sind, einschließlich des Verständnisses von Lebenszyklusphasen, Kaufgeschwindigkeitsmustern, Nachschubauslösern und Kategoriena affinitäten im Bereich Beauty oder Lebensmittel. Aber Fähigkeiten können kopiert werden. Der eigentliche Vorteil ist die Feedback‑Schleife: Maestro trifft eine Entscheidung, erfasst das Ergebnis, aktualisiert das Gedächtnis und nutzt dieses Lernen, um die nächste Entscheidung intelligenter zu treffen. Diese Schleife ist kontinuierlich und kumulativ. Im Laufe der Zeit wird ein System, das auf Ihren Daten läuft, zunehmend besser als ein frisches System mit generischen Modellen.

Auch die Infrastruktur spielt eine Rolle. Schwarm‑Parallelität und eigene Modelle verbessern die Wirtschaftlichkeit, doch das ist Grundvoraussetzung, kein Schutzwall. Der verteidigungsfähige Vorteil liegt in der Kombination aus Kundendaten‑Gravitation (Wechselkosten), kontinuierlichem Lernen (Ergebnisse fließen in zukünftige Entscheidungen zurück) und branchenspezifischem Schließen (einzelhandelsspezifischer Kontext), die zusammenwirken. Isoliert ist jedes Element kopierbar. Zusammen sind sie schwer genug zu replizieren, um aufzuholen.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Replenit besuchen.