Ilyas Kurklu, cofondateur et PDG de Replenit – Série d’interviews

Ilyas Kurklu, cofondateur et PDG de Replenit, est un entrepreneur et dirigeant de la technologie du commerce de détail spécialisé dans l’application de l’intelligence artificielle à la prise de décision et à l’engagement client. Chez Replenit, il dirige la stratégie, le développement produit et les partenariats, s’appuyant sur plus d’une décennie d’expérience dans l’extension d’entreprises d’engagement retail à l’échelle de l’entreprise, faisant passer leur chiffre d’affaires d’environ 10 millions $ à 2 milliards $ tout en travaillant avec plus de 300 détaillants. Sa carrière comprend également des fonctions de conseil et de développement commercial, ainsi que six ans en tant que chef d’équipe et météorologue à la Direction générale de la météorologie de la Turquie, où il a travaillé avec des données en temps réel, radar, imagerie satellite et systèmes de prévision.

Replenit est une plateforme de décision IA conçue pour le commerce de détail et le e‑commerce, offrant une couche entre l’infrastructure de données d’un détaillant et ses systèmes d’engagement client existants. Son moteur de décision IA combine les signaux client, produit, comportementaux et autres pour déterminer la meilleure action suivante pour chaque client en temps réel, tandis que son Maestro AI CRM Manager peut gérer de façon autonome les flux de travail incluant le réapprovisionnement, la vente croisée, l’engagement, la prévention du désabonnement et la reconquête. Plutôt que d’obliger les détaillants à remplacer leur pile technologique actuelle, Replenit est conçu pour s’intégrer aux plateformes de commerce, de marketing et de données en place et transformer ses décisions en communications et actions prêtes à être exécutées. L’entreprise affirme que sa technologie est utilisée par des détaillants tels que L’Occitane, Mumzworld, e-bebek, Beko et Faith In Nature.

Vous avez passé des années à aider à faire évoluer la technologie du commerce de détail d’entreprise avant de fonder Replenit avec cinq cofondateurs. Qu’avez‑vous constaté de façon récurrente comme difficulté des détaillants, ce qui vous a convaincu qu’il manquait une couche de prise de décision dans la pile technologique, et comment cette prise de conscience a‑t‑elle conduit à la création de Replenit ?

En travaillant avec des centaines de détaillants sur différents marchés, nous entendions et observions toujours le même problème : les détaillants étaient devenus très performants dans la collecte de données et dans l’exécution, mais l’intelligence intermédiaire faisait encore défaut. Ils disposaient de CDP, d’entrepôts, de plateformes CRM et de systèmes d’automatisation marketing, pourtant la décision — ce qui devrait réellement se passer ensuite pour ce client individuel ? — restait une supposition basée sur des règles statiques, des segments larges, des calendriers de campagnes et le jugement humain. La pile technologique et l’équipe constituaient tous deux des solutions de contournement au fait que personne ne pouvait raisonner sur chaque client individuellement à grande échelle. Replenit est cette couche manquante de raisonnement et de décision. Nous avons construit un moteur capable d’interpréter le contexte client et produit au niveau individuel, de déterminer l’action commerciale appropriée suivante, puis d’utiliser les systèmes existants du détaillant pour l’exécuter.

Replenit soutient que les détaillants disposent déjà de nombreuses données client et de nombreux outils pour exécuter des campagnes, mais qu’il leur manque l’intelligence capable de décider ce qui doit se produire ensuite. Pourquoi les plateformes de données client (CDP), les plateformes de gestion de la relation client (CRM) et les systèmes d’automatisation marketing n’ont‑ils pas pu résoudre ce problème eux‑mêmes ?

Ces systèmes ont été conçus pour des fonctions différentes. Un CDP peut unifier les données client, mais l’unification des données n’est pas équivalente à la décision de ce qu’il faut en faire. Les plateformes CRM et d’automatisation marketing constituent d’excellentes couches d’exécution. Elles peuvent envoyer, orchestrer et optimiser les communications une fois que quelqu’un a défini l’audience, le flux de travail ou la campagne spécifiques.

Même si ces plateformes ajoutent des scores prédictifs, de l’IA générative et une optimisation du moment d’envoi, l’unité fondamentale de travail reste souvent la campagne, le parcours, l’audience ou le segment. L’IA peut optimiser quelque chose que le marketeur a déjà choisi de faire. Elle ne décide pas nécessairement si quelque chose doit se produire, quel objectif du cycle de vie est le plus important pour ce client particulier, quel produit est pertinent, pourquoi maintenant, dans quel ton, et vers quel résultat commercial. C’est la distinction que nous faisons entre un score et une décision. La prédiction peut classer la probabilité. Une décision nécessite un raisonnement à travers le contexte et les alternatives, puis s’engage sur une action. Replenit se place au-dessus de la pile existante pour fournir cette couche plutôt que de demander aux détaillants de remplacer les systèmes qu’ils possèdent déjà.

Une partie centrale de l’approche de Replenit consiste à appliquer la théorie de l’esprit pour déduire l’intention, le contexte et le comportement futur probable d’un client. Comment traduisez‑vous un concept de la science cognitive en un système d’IA capable de prendre des décisions commerciales fiables, et comment validez‑vous que le système a correctement interprété l’intention du client ?

Nous traduisons la théorie de l’esprit en une couche de raisonnement qui va au‑delà de ce que le client a fait et s’interroge sur les raisons de ce comportement, ce qu’il indique concernant l’intention, et ce que cela signifie dans le contexte. Plutôt que de se baser uniquement sur des schémas historiques ou la similarité de produits, le système raisonne au niveau de chaque relation client‑produit individuelle et utilise ce contexte pour déterminer ce qui doit se produire ensuite.

Ce raisonnement peut inclure la compréhension de la motivation probable derrière un achat, la façon dont les produits sont liés entre eux, le besoin que le client cherche à satisfaire, et si le moment est opportun pour une action particulière. Replenit va ensuite au‑delà de la simple suggestion d’une option : il prend une décision et prépare cette décision pour son exécution via les systèmes existants du détaillant.

La validation se fait à travers les résultats. Une fois qu’une décision est prise, Replenit suit ce qui s’est réellement passé et réinjecte ce résultat dans les décisions futures pour ce client. Il évalue également en continu quelles compétences et approches décisionnelles donnent des résultats, en augmentant celles qui performent bien et en reléguant celles qui ne le font pas. En ce sens, le système s’améliore pour connaître le bon mouvement pour le bon client au bon moment, car il apprend des résultats réels, plutôt que de simplement appliquer la même logique de façon répétée.

La plupart des systèmes de personnalisation sont en fin de compte des moteurs de prédiction, estimant ce que quelqu’un est susceptible de cliquer ou d’acheter. Replenit met l’accent sur le passage de la prédiction à la prise de décision. Du point de vue de l’architecture IA, qu’est‑ce qui change lorsque le modèle doit réellement choisir l’action suivante plutôt que de simplement produire une probabilité ou une recommandation ?

Chez Replenit, quatre parties importantes composent cette architecture. La première est la Mémoire d’Or : des enregistrements vivants du client, du produit et de la marque qui donnent au système un contexte au‑delà d’une transaction isolée. Lorsque l’information est incomplète, Replenit peut également enrichir les données disponibles et générer un contexte synthétique pour combler ces lacunes.

La deuxième regroupe plus de 100 compétences sectorielles. Il s’agit de capacités de raisonnement spécialisées pour des catégories et des situations particulières — par exemple un créateur de routine cosmétique pour les détaillants de beauté ou un architecte d’intérieur pour les entreprises de meubles et de bricolage. En parallèle de ces compétences, 15 vérifications de soutien peuvent s’exécuter simultanément autour d’une décision, incluant les contrôles de substitution, de compatibilité, de duplication et de suppression.

La troisième concerne la propriété du flux de travail. Plutôt que de produire une simple recommandation et de s’arrêter là, Maestro peut raisonner à travers les flux de travail du cycle de vie tels que le réapprovisionnement, le cross‑sell, l’engagement, la reconquête, la prévention du churn, la promotion et la substitution. Ces flux peuvent fonctionner de façon continue et en parallèle pour chaque client, Maestro déterminant quelle action est appropriée à ce moment précis.

Enfin, nous regroupons tout cela dans ce que nous appelons un Événement de Décision d’Or : une décision enregistrée, prête à être exécutée, contenant l’action et son raisonnement, qui peut être transmise directement au CRM, à l’automatisation marketing, à l’e‑commerce, à l’application ou aux systèmes de données du détaillant sur plus de 120 plateformes.

Ainsi, la différence réside dans le fait que nous passons d’un modèle qui prédit ce qui est susceptible de se produire à un système capable de se souvenir du contexte, d’apporter l’expertise adéquate, d’évaluer les actions disponibles, de s’engager sur une décision et de la rendre exécutable.

Maestro peut décider de façon autonome si un client individuel doit recevoir un rappel de réapprovisionnement, un cross‑sell, une promotion, un message d’engagement, une tentative de reconquête, ou potentiellement aucune intervention du tout. Comment le système pèse‑t‑il ces actions concurrentes et détermine‑t‑il ce qui est réellement la meilleure décision pour ce client à ce moment‑là ?

Le point de départ est le client et l’objectif commercial. Le détaillant définit la stratégie, les priorités et les garde‑fous. Maestro raisonne ensuite à travers le contexte client, produit et flux de travail disponible pour déterminer ce qui doit se passer ensuite.
Cela peut inclure la décision de quel objectif commercial doit être priorisé, quel flux de travail est pertinent, quelle compétence ou combinaison de compétences doit être appliquée, quels produits ont du sens, et quand l’action doit avoir lieu. Les détaillants peuvent également définir des priorités autour de métriques telles que le chiffre d’affaires, la fréquence d’achat, la valeur moyenne des commandes, la protection des marges ou la prévention du churn.

Notre raisonnement de Théorie de l’Esprit ajoute le contexte individuel : ce que le comportement semble signifier, ce dont le client a réellement besoin et pourquoi cela peut ou non être le bon moment. Nos compétences spécialisées et les vérifications de soutien peuvent fonctionner parallèlement à ce raisonnement. Lorsque la meilleure décision est de ne pas intervenir, Maestro ne le fait pas. Une fois que Maestro arrive à une conclusion, il consigne la décision et son raisonnement comme un événement prêt à l’exécution plutôt que de simplement renvoyer un menu de recommandations à un marketeur.

Replenit utilise une architecture en essaim où plusieurs agents IA spécialisés peuvent fonctionner en parallèle. Que se passe‑t‑il lorsque plusieurs agents raisonnent sur le même client en même temps, et comment éviter que des recommandations ou actions conflictuelles soient exécutées ?

Le moteur en essaim de Replenit ne crée pas de conflits entre agents car il ne s’agit pas de paralléliser les décisions client ; il s’agit d’exécuter les composantes d’une même décision en parallèle. Lorsque Maestro raisonne sur un client, il active simultanément plusieurs agents spécialisés : un réseau de filtrage oriente la décision vers les bons modèles, un LLM de raisonnement évalue le contexte et le comportement du client, des agents d’enrichissement synthétisent les données client ou produit manquantes en temps réel, et des modèles spécialisés évaluent les relations produit‑client et l’ajustement.

Au lieu de les exécuter séquentiellement, ce qui serait plus lent et plus coûteux, ils fonctionnent en parallèle sur le même état client puis convergent vers une décision unifiée sur ce qui doit se passer ensuite. Il n’y a aucun conflit car ils ne sont pas en compétition pour sélectionner des actions différentes ; chacun contribue à une dimension différente du même résultat.

Par exemple, l’enrichissement peut faire apparaître des signaux client ou produit manquants, la couche de raisonnement interprète l’historique d’achats et l’objectif commercial, les modèles de relations produit identifient le produit d’ancrage et les substituts viables, et le scoring pèse l’impact commercial potentiel. Tout cela se produit en parallèle, mais produit un seul résultat. Ce niveau de parallélisation constitue un avantage architectural important. Il est difficile de le rétro‑adapter à des moteurs construits comme des enveloppes à outil unique, alors que Replenit l’a intégré au cœur dès le départ.

La mémoire persistante est un autre élément clé de la plateforme, permettant aux décisions de s’appuyer sur ce qui s’est déjà produit avec chaque client. Quelle importance la mémoire à long terme revêt‑elle pour de véritables agents IA autonomes, et quelles garde‑fous sont nécessaires lorsque cette mémoire implique des comportements client potentiellement sensibles ?

La mémoire est fondamentale pour la prise de décision autonome parce que le contexte est dynamique. Lorsque Maestro constate un premier achat de produit pour bébé, il se souvient que le contexte du foyer a changé, et les décisions futures doivent refléter le cycle de vie parental. Lorsqu’il voit des achats initiaux de soins de la peau, il se rappelle que ce client construit une routine. Lorsque des schémas d’achat apparaissent autour du fitness ou du bien‑être, il capture l’habitude qui se forme.

Chaque achat met à jour ce que le système comprend de ce client — pas seulement les données démographiques, mais ce qui le motive, les comportements qu’il établit et les moments de vie qui se déroulent — de sorte que la décision suivante n’est pas générique, elle est ancrée dans le contexte réel du client. Cette mémoire cumulative rend les décisions plus intelligentes.

Le garde‑fou est simple : nous conservons les événements d’achat et les schémas contextuels qui en résultent — signaux de cycle de vie, formation d’habitudes, moteurs d’achat et affinité de catégorie — avec des politiques de rétention strictes et une pseudonymisation lorsque cela est possible. L’étendue des données reste restreinte. Nous suivons ce qui s’est passé et quel contexte a changé, rien de plus. Sans ces garde‑fous, la mémoire persistante devient une responsabilité, pas un atout.

Replenit est conçu pour s’appuyer sur les technologies déjà utilisées par les détaillants plutôt que de les obliger à remplacer leur pile existante. Qu’avez‑vous appris en déployant auprès de plus de 30 détaillants d’entreprise concernant les principaux obstacles techniques ou organisationnels à la délégation d’une autorité décisionnelle significative à l’IA ?

Le problème technique le plus évident que nous avons rencontré n’est pas un manque de données, mais l’état de ces données. Les détaillants d’entreprise disposent souvent d’une grande quantité de données fragmentées entre plusieurs systèmes, incohérentes ou incomplètes. C’est pourquoi l’enrichissement est devenu une partie importante de l’architecture sous‑jacente. Le système doit créer suffisamment de contexte pertinent pour raisonner même lorsque le jeu de données sous‑jacent est imparfait.

Sur le plan organisationnel, la question la plus difficile est la confiance. Confier à l’IA une autorité décisionnelle significative touche plusieurs fonctions simultanément. Les équipes données et IT exigent explicabilité, sécurité et faible charge d’intégration. Les équipes marketing ont besoin de la certitude que la communication client restera conforme à la marque. Les équipes CRM souhaitent conserver le contrôle stratégique plutôt que de sentir qu’un système d’IA leur retire la relation client.

Notre approche a donc consisté à séparer la stratégie de l’exécution. Les personnes définissent les objectifs, les directives de marque et les garde‑fous, tandis que Maestro possède la prise de décision individuelle répétable et l’exécution à l’intérieur de ces limites. Chaque décision engagée est conçue pour être traçable, et le système fonctionne au-dessus de la pile existante plutôt que d’imposer une migration de plateforme.

À mesure que l’IA devient responsable de l’optimisation des revenus et de la rétention, comment empêcher un système autonome d’optimiser de façon trop agressive les métriques à court terme, comme pousser des promotions ou des achats inutiles, au détriment de la confiance client et de la valeur de la marque à long terme ?

Maestro optimise selon les KPI définis par les humains, pas selon des métriques qu’il choisirait lui‑même. Si vous définissez les objectifs comme la valeur vie client et le taux de rétention, c’est ce qu’il optimise, plutôt que la vitesse de transaction ou le volume de promotions. Si des tactiques à court terme agressives nuisent à la rétention, elles échouent face au KPI réel. Le système apprend directement ce compromis parce que chaque résultat alimente la mémoire, de sorte que les stratégies qui endommagent la rétention à long terme deviennent manifestement moins favorables à l’objectif commercial fixé.

La contrainte est structurelle. Maestro fonctionne à l’intérieur des garde‑fous que vous établissez. Il ne peut pas optimiser en contournant ces limites ; il opère à l’intérieur d’elles. Chaque décision est traçable, vous pouvez donc auditer pourquoi Maestro a choisi d’envoyer ou de retenir, quels KPI ont pondéré ce choix et quel était le résultat attendu. Sans une définition claire des KPI, des garde‑fous et de la transparence décisionnelle, un système d’IA pourrait pousser trop agressivement. Mais le modèle de Replenit est transparent et conçu pour éviter cela. L’entreprise définit ce qui compte, Maestro exécute ces objectifs avec une auditabilité complète, et chaque résultat aide à déterminer si la stratégie fonctionne réellement.

Les modèles de fondation s’améliorent rapidement et des agents de plus en plus capables seront disponibles pour presque chaque détaillant. À long terme, d’où pensez‑vous que proviendra l’avantage défendable dans la prise de décision IA : modèles propriétaires, mémoire au niveau client, raisonnement spécifique au domaine, boucles de rétroaction, infrastructure, ou autre chose entièrement ?

Les modèles de fondation deviendront des produits de base, de sorte que tout le monde aura accès à des moteurs de raisonnement de plus en plus performants. La défensabilité ne réside pas dans le modèle lui‑même, mais dans ce que vous savez sur chaque client et la rapidité avec laquelle vous accumulez ces connaissances. L’avantage de Maestro réside dans la mémoire au niveau du client qui s’approfondit à chaque achat et à chaque résultat. Après six mois de résultats, le système connaît votre client mieux qu’un modèle générique ne le pourra jamais. Il ne s’agit pas seulement de données démographiques, mais de ce qui les motive, du moment où ils sont réceptifs, de ce qui déclenche le churn.

Cette mémoire crée également de la continuité. Passer à un autre système signifie perdre deux ans de contexte appris. Parallèlement, Replenit possède des compétences spécifiques au domaine du commerce de détail, notamment la compréhension des étapes du cycle de vie, des schémas de vitesse d’achat, des déclencheurs de réapprovisionnement, de l’affinité des catégories dans la beauté ou l’épicerie. Mais les compétences peuvent être copiées. Le véritable avantage réside dans la boucle de rétroaction : Maestro prend une décision, capture le résultat, met à jour la mémoire et utilise cet apprentissage pour rendre la décision suivante plus intelligente. Cette boucle est continue et cumulative. Au fil du temps, un système fonctionnant sur vos données devient progressivement meilleur qu’un système neuf basé sur des modèles génériques.

L’infrastructure compte également. La concurrence en essaim et les modèles détenus améliorent la rentabilité unitaire, mais ce sont des exigences de base, pas un fossé protecteur. L’avantage défendable est la combinaison de la gravité des données client (coûts de changement), de l’apprentissage continu (les résultats alimentent les décisions futures) et du raisonnement spécifique au domaine (contexte propre au commerce de détail), le tout fonctionnant ensemble. Isolément, chaque élément est copiable. Ensemble, ils sont difficiles à reproduire assez rapidement pour rattraper le retard.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Replenit.