Ilyas Kurklu, cofundador y director ejecutivo de Replenit – Serie de entrevistas

Ilyas Kurklu, cofundador y director ejecutivo de Replenit, es un emprendedor y ejecutivo de tecnología minorista enfocado en aplicar inteligencia artificial a la toma de decisiones y al compromiso del cliente. En Replenit, lidera la estrategia, el desarrollo de productos y las alianzas, basándose en más de una década de experiencia ayudando a escalar negocios de compromiso minorista empresarial desde aproximadamente $10 millones hasta $2 mil millones en ingresos, mientras trabajaba con más de 300 minoristas. Su carrera también incluye roles de asesoría y desarrollo comercial, así como seis años como líder de equipo y meteorólogo en la Dirección General de Meteorología de Türkiye, donde trabajó con datos en tiempo real, radar, imágenes satelitales y sistemas de pronóstico.

Replenit es una plataforma de toma de decisiones basada en IA diseñada para el comercio minorista y electrónico, que proporciona una capa entre la infraestructura de datos de un minorista y sus sistemas existentes de compromiso con el cliente. Su Motor de Decisión de IA combina señales del cliente, del producto, de comportamiento y otras para determinar la mejor acción siguiente para cada cliente en tiempo real, mientras que su Maestro AI CRM Manager puede gestionar de forma autónoma flujos de trabajo que incluyen reposición, venta cruzada, compromiso, prevención de abandono y recuperación. En lugar de exigir a los minoristas que reemplacen su pila tecnológica actual, Replenit está diseñada para integrarse con las plataformas de comercio, marketing y datos existentes y convertir sus decisiones en comunicaciones y acciones listas para ejecutar. La empresa afirma que su tecnología está siendo utilizada por minoristas como L’Occitane, Mumzworld, e-bebek, Beko y Faith In Nature.

Pasaste años ayudando a escalar la tecnología minorista empresarial antes de fundar Replenit con cinco cofundadores. ¿Qué observaste repetidamente que los minoristas tenían dificultades y que te convenció de que faltaba una capa de toma de decisiones en la pila tecnológica, y cómo te llevó esa percepción a crear Replenit?

Al trabajar con cientos de minoristas en diferentes mercados, seguimos escuchando y viendo el mismo problema: los minoristas se habían vuelto muy buenos en recopilar datos y muy buenos en la ejecución, pero la inteligencia intermedia aún faltaba. Contaban con CDPs, almacenes, plataformas CRM y sistemas de automatización de marketing, sin embargo la decisión — ¿qué debería ocurrir realmente a continuación para este cliente individual? — seguía siendo una suposición basada en reglas estáticas, segmentos amplios, calendarios de campañas y juicio humano. La pila tecnológica y el equipo eran, en efecto, soluciones provisionales para el hecho de que nadie podía razonar sobre cada cliente de forma individual a gran escala. Replenit es esa capa faltante de razonamiento y decisión. Hemos construido un motor que puede interpretar el contexto del cliente y del producto a nivel individual, decidir la acción comercial adecuada a seguir y luego utilizar los sistemas existentes del minorista para ejecutarla.

Replenit sostiene que los minoristas ya disponen de abundantes datos de clientes y de numerosas herramientas para ejecutar campañas, pero carecen de la inteligencia que pueda decidir qué debe suceder a continuación. ¿Por qué las Plataformas de Datos de Clientes (CDPs), las plataformas de Gestión de Relaciones con el Cliente (CRM) y los sistemas de automatización de marketing no han podido resolver ese problema por sí mismos?

Esos sistemas fueron creados para diferentes tareas. Un CDP puede unificar los datos de los clientes, pero la unificación de datos no es lo mismo que decidir qué hacer con ellos. Las plataformas CRM y de automatización de marketing son capas de ejecución muy eficientes. Pueden enviar, orquestar y optimizar comunicaciones una vez que alguien ha definido la audiencia, el flujo de trabajo o la campaña específica.

Incluso cuando esas plataformas añaden puntuaciones predictivas, IA generativa y optimización del momento de envío, la unidad fundamental de trabajo sigue siendo a menudo la campaña, el recorrido, la audiencia o el segmento. La IA puede optimizar algo que el mercadólogo ya ha decidido hacer. No decide necesariamente si debe ocurrir algo en absoluto, cuál objetivo del ciclo de vida es más importante para ese cliente en particular, qué producto es relevante, por qué ahora, con qué tono y hacia qué resultado comercial. Esa es la distinción que hacemos entre una puntuación y una decisión. La predicción puede clasificar la probabilidad. Una decisión requiere razonamiento sobre el contexto y las alternativas y luego comprometerse con una acción. Replenit se sitúa por encima de la pila existente para proporcionar esa capa, en lugar de pedir a los minoristas que reemplacen los sistemas que ya poseen.

Una parte fundamental del enfoque de Replenit es aplicar Theory of Mind para inferir la intención, el contexto y el probable comportamiento futuro de un cliente. ¿Cómo traduces un concepto de la ciencia cognitiva a un sistema de IA que pueda tomar decisiones comerciales fiables, y cómo validas si el sistema ha interpretado correctamente la intención del cliente?

Traducimos Theory of Mind en una capa de razonamiento que va más allá de lo que hizo un cliente y pregunta por qué pudo haber ocurrido ese comportamiento, qué indica sobre la intención y qué significa en el contexto. En lugar de basarse únicamente en patrones históricos o similitud de productos, el sistema razona a nivel de cada relación individual cliente‑producto y utiliza ese contexto para determinar qué debe suceder a continuación.

Ese razonamiento puede incluir la comprensión de la probable motivación detrás de una compra, cómo se relacionan los productos entre sí, qué necesidad está tratando de satisfacer el cliente y si el momento es adecuado para una acción concreta. Replenit entonces va más allá de simplemente sugerir una opción: toma una decisión y la prepara para su ejecución a través de los sistemas existentes del minorista.

La validación ocurre a través de los resultados. Una vez que se toma una decisión, Replenit rastrea lo que realmente sucedió y devuelve ese resultado a las decisiones futuras para ese cliente. También evalúa continuamente cuáles de sus habilidades y enfoques de toma de decisiones están generando resultados, ampliando los que funcionan bien y depriorizando los que no. En ese sentido, el sistema mejora en saber cuál es el movimiento correcto para el cliente adecuado en el momento adecuado porque aprende de resultados reales, en lugar de simplemente ejecutar la misma lógica repetidamente.

La mayoría de los sistemas de personalización son, en última instancia, motores de predicción, que estiman lo que alguien probablemente hará clic o comprará. Replenit enfatiza pasar de la predicción a la toma de decisiones. Desde la perspectiva de la arquitectura de IA, ¿qué cambia cuando el modelo debe elegir realmente la siguiente acción en lugar de simplemente producir una probabilidad o recomendación?

En Replenit, hay cuatro partes importantes de esa arquitectura. La primera es Golden Memory: registros vivos del cliente, producto y marca que le dan al sistema contexto más allá de una transacción aislada. Cuando la información es incompleta, Replenit también puede enriquecer los datos disponibles y generar contexto sintético para ayudar a cerrar esas brechas.

La segunda son más de 100 habilidades industriales. Estas son capacidades de razonamiento especializadas para categorías y situaciones particulares —por ejemplo, un creador de rutinas de cosméticos para minoristas de belleza o un arquitecto de interiores para empresas de muebles y bricolaje. Junto a esas habilidades, 15 verificaciones de apoyo pueden ejecutarse en paralelo alrededor de una decisión, incluyendo verificaciones de sustitución, compatibilidad, duplicado y supresión.

La tercera es la propiedad del flujo de trabajo. En lugar de producir una recomendación y detenerse allí, Maestro puede razonar a través de flujos de trabajo de ciclo de vida como reposición, venta cruzada, compromiso, recuperación, abandono, promoción y sustitución. Esos flujos de trabajo pueden operar de forma continua y en paralelo para un cliente individual, con Maestro determinando qué acción es apropiada en ese momento particular.

Finalmente, empaquetamos eso en lo que llamamos un Evento de Decisión Dorada: una decisión registrada y lista para ejecutar que contiene la acción y su razonamiento, la cual puede enviarse directamente al CRM, la automatización de marketing, el comercio electrónico, la aplicación o los sistemas de datos del minorista en más de 120 plataformas.

Así que la diferencia es que pasamos de un modelo que predice lo que probablemente suceda a un sistema que puede recordar el contexto, aportar la experiencia adecuada, evaluar las acciones disponibles, comprometerse con una decisión y hacerla ejecutable.

Maestro puede decidir de forma autónoma si un cliente individual debe recibir un recordatorio de reposición, una venta cruzada, una promoción, un mensaje de compromiso, un intento de recuperación o, potencialmente, ninguna intervención. ¿Cómo pondera el sistema estas acciones competidoras y determina cuál es realmente la mejor decisión para ese cliente en ese momento?

Punto de partida es el cliente y el objetivo comercial. El minorista establece la estrategia, prioridades y límites. Maestro luego razona sobre el contexto disponible del cliente, producto y flujo de trabajo para determinar qué debe suceder a continuación. Eso puede incluir decidir qué objetivo comercial debe priorizarse, qué flujo de trabajo es relevante, qué habilidad o combinación de habilidades debe aplicarse, qué productos tienen sentido y cuándo debe ocurrir la acción. Los minoristas también pueden definir prioridades en métricas como ingresos, frecuencia de compra, valor medio del pedido, protección de margen o prevención de abandono.

Nuestro razonamiento de Theory-of-Mind agrega el contexto individual: lo que el comportamiento parece significar, lo que el cliente realmente puede necesitar y por qué este puede o no ser el momento adecuado. Nuestras habilidades especializadas y las verificaciones de apoyo pueden ejecutarse junto a ese razonamiento. Cuando la mejor decisión es no intervenir, Maestro no lo hace. Una vez que Maestro llega a una conclusión, compromete la decisión y su razonamiento como un evento listo para ejecutar en lugar de simplemente devolver un menú de recomendaciones a un comercializador.

Replenit utiliza una arquitectura de enjambre en la que múltiples agentes de IA especializados pueden operar en paralelo. ¿Qué ocurre cuando varios agentes razonan sobre el mismo cliente al mismo tiempo, y cómo se evitan recomendaciones o acciones conflictivas que se ejecuten?

El motor de enjambre de Replenit no crea conflictos entre agentes porque no se trata de paralelizar decisiones de clientes; se trata de ejecutar los componentes de una única decisión en paralelo. Cuando Maestro razona sobre un cliente, activa simultáneamente varios agentes especializados: una red de enrutamiento dirige la decisión a los modelos correctos, un LLM de razonamiento evalúa el contexto y comportamiento del cliente, agentes de enriquecimiento sintetizan datos faltantes del cliente o del producto en tiempo real, y modelos especializados evalúan las relaciones y el ajuste entre producto y cliente.

En lugar de ejecutarlos secuencialmente, lo que sería más lento y costoso, operan en paralelo sobre el mismo estado del cliente y luego convergen en una decisión unificada sobre qué debe suceder a continuación. No hay conflicto porque no compiten por seleccionar acciones diferentes; cada uno aporta una dimensión distinta al mismo resultado.

Por ejemplo, el enriquecimiento podría revelar señales faltantes de cliente o producto; la capa de razonamiento interpreta el historial de compras y el objetivo comercial; los modelos de relaciones entre productos identifican el producto ancla y los sustitutos viables; y la puntuación pondera el posible impacto empresarial. Todo eso ocurre en paralelo, pero produce un único resultado. Este nivel de paralelización es una ventaja arquitectónica importante. Es difícil adaptarlo a motores construidos como envoltorios de herramienta única, mientras que Replenit lo diseñó en el núcleo desde el principio.

La memoria persistente es otra parte importante de la plataforma, que permite que las decisiones se basen en lo que ha ocurrido previamente con cada cliente. ¿Qué tan importante es la memoria a largo plazo para agentes de IA verdaderamente autónomos, y qué salvaguardas se necesitan cuando esa memoria implica comportamientos potencialmente sensibles del cliente?

La memoria es fundamental para la toma de decisiones autónoma porque el contexto es dinámico. Cuando Maestro detecta una primera compra de un producto para bebé, recuerda que el contexto del hogar ha cambiado y las decisiones futuras deben reflejar el ciclo de vida de los padres. Cuando observa compras iniciales de cuidado de la piel, recuerda que este cliente está construyendo una rutina. Cuando emergen patrones de compra en torno al fitness o al bienestar, captura el hábito que se está formando.

Cada compra actualiza lo que el sistema comprende sobre ese cliente, no solo datos demográficos, sino qué los impulsa, qué comportamientos están estableciendo y qué momentos de vida están ocurriendo, de modo que la siguiente decisión no es genérica, sino que está arraigada en el contexto real del cliente. Esa memoria acumulativa es lo que hace que las decisiones sean más inteligentes.

La salvaguarda es sencilla: conservamos los eventos de compra y los patrones contextuales que emergen de ellos —señales de ciclo de vida, formación de hábitos, impulsores de compra y afinidad de categoría— con políticas de retención estrictas y pseudonimización cuando es posible. El alcance de los datos sigue siendo limitado. Registramos lo que ocurrió y qué contexto cambió, nada más. Sin estas barreras, la memoria persistente se convierte en una responsabilidad, no en un activo.

Replenit está diseñado para situarse sobre la tecnología que los minoristas ya utilizan, en lugar de obligarlos a reemplazar su stack existente. ¿Qué has aprendido al desplegar con más de 30 minoristas empresariales sobre las mayores barreras técnicas u organizativas para otorgar a la IA una autoridad significativa en la toma de decisiones?

El problema técnico más evidente que hemos encontrado no es la escasez de datos, sino la condición de esos datos. Los minoristas empresariales a menudo poseen una gran cantidad de datos que están fragmentados entre sistemas, son inconsistentes o están incompletos. Por eso el enriquecimiento se volvió una parte importante de la arquitectura subyacente. El sistema debe crear suficiente contexto significativo para razonar incluso cuando el conjunto de datos subyacente es imperfecto.

Organizacionalmente, la cuestión más difícil es la confianza. Otorgar a la IA una autoridad decisoria significativa afecta a varias funciones a la vez. Los equipos de datos y TI buscan explicabilidad, seguridad y una carga de integración baja. Los equipos de marketing necesitan la confianza de que la comunicación con el cliente se mantendrá alineada con la marca. Los equipos de CRM quieren conservar el control estratégico en lugar de sentir que un sistema de IA les está quitando la relación con el cliente.

Nuestro enfoque, por lo tanto, ha sido separar la estrategia de la ejecución. Las personas definen los objetivos, la directiva de marca y las salvaguardas, mientras que Maestro se encarga de la toma de decisiones individual repetible y la ejecución dentro de esos límites. Cada decisión comprometida está diseñada para ser rastreable, y el sistema funciona sobre el stack existente en lugar de forzar una migración de plataforma.

A medida que la IA se vuelve responsable de optimizar ingresos y retención, ¿cómo evitas que un sistema autónomo optimice de manera demasiado agresiva métricas a corto plazo, como impulsar promociones o compras innecesarias, en detrimento de la confianza del cliente y el valor de la marca a largo plazo?

Maestro optimiza según los KPI que los humanos definen, no según métricas que él elija por sí mismo. Si defines los objetivos como valor de vida del cliente y tasa de retención, eso es lo que optimiza, en lugar de la velocidad de transacción o el volumen de promociones. Si las tácticas agresivas a corto plazo dañan la retención, fallan frente al KPI real. El sistema aprende esa compensación directamente porque cada resultado retroalimenta la memoria, de modo que las estrategias que perjudican la retención a largo plazo se vuelven evidentemente peores para el objetivo comercial establecido.

La limitación es estructural. Maestro opera dentro de las salvaguardas que estableces. No puede optimizar alrededor de ellas; funciona dentro de ellas. Cada decisión es rastreable, por lo que puedes auditar por qué Maestro eligió enviar o retener, qué KPI ponderó esa elección y cuál era el resultado esperado. Sin una definición clara de KPI, salvaguardas y transparencia en la toma de decisiones, un sistema de IA podría impulsar de manera demasiado agresiva. Pero el modelo de Replenit es transparente y está diseñado para evitar eso. El negocio define lo que importa, Maestro ejecuta esos objetivos con plena auditabilidad, y cada resultado ayuda a determinar si la estrategia está funcionando realmente.

Los modelos de base están mejorando rápidamente y agentes cada vez más capaces estarán disponibles para casi todos los minoristas. A largo plazo, ¿de dónde crees que provendrá la ventaja defensible en la toma de decisiones de IA: modelos propietarios, memoria a nivel de cliente, razonamiento específico de dominio, bucles de retroalimentación, infraestructura, o algo completamente distinto?

Los modelos fundacionales se volverán commoditizados, por lo que todos tendrán acceso a motores de razonamiento cada vez más capaces. La defensibilidad no reside en el modelo en sí, sino en lo que sabes sobre cada cliente y en la rapidez con la que acumulas ese conocimiento. La ventaja de Maestro es una memoria a nivel de cliente que se profundiza con cada compra y cada resultado. Después de seis meses de resultados, el sistema conoce a tu cliente mejor que cualquier modelo genérico. No solo se trata de datos demográficos, sino de lo que los impulsa, cuándo están receptivos y qué desencadena la pérdida de clientes.

Esa memoria también genera continuidad. Cambiar a otro sistema implica perder dos años de contexto aprendido. Además, Replenit cuenta con habilidades específicas del dominio codificadas para el comercio minorista, que incluyen la comprensión de las etapas del ciclo de vida, los patrones de velocidad de compra, los disparadores de reposición y la afinidad de categoría en belleza o comestibles. Pero esas habilidades pueden ser copiadas. La verdadera ventaja es el bucle de retroalimentación: Maestro toma una decisión, captura el resultado, actualiza la memoria y utiliza ese aprendizaje para hacer la siguiente decisión más inteligente. Ese bucle es continuo y se acumula. Con el tiempo, un sistema que funciona con tus datos se vuelve progresivamente mejor que un sistema nuevo basado en modelos genéricos.

La infraestructura también importa. La concurrencia en enjambre y los modelos propios mejoran la economía de unidad, pero eso es un requisito básico, no una ventaja competitiva. La ventaja defensible es la combinación de la gravedad de los datos del cliente (costos de cambio), el aprendizaje continuo (los resultados retroalimentan decisiones futuras) y el razonamiento específico del dominio (contexto propio del comercio minorista), todo trabajando en conjunto. De forma aislada, cada elemento es replicable. Juntos, son difíciles de replicar con la rapidez necesaria para ponerse al día.

Gracias por la excelente entrevista, los lectores que deseen obtener más información deben visitar Replenit.