Ilyas Kurklu, Co-founder dan CEO Replenit – Seri Wawancara

Ilyas Kurklu, Co-founder dan CEO Replenit, adalah seorang wirausahawan dan eksekutif teknologi ritel yang berfokus pada penerapan kecerdasan buatan pada pengambilan keputusan dan keterlibatan pelanggan. Di Replenit, ia memimpin strategi, pengembangan produk, dan kemitraan, dengan mengandalkan lebih dari satu dekade pengalaman membantu meningkatkan skala bisnis keterlibatan ritel perusahaan dari kira-kira $10 juta hingga $2 miliar dalam pendapatan sambil bekerja dengan lebih dari 300 peritel. Kariernya juga mencakup peran penasihat dan pengembangan bisnis, serta enam tahun sebagai pemimpin tim dan peramal cuaca di Direktorat Jenderal Meteorologi Türkiye, di mana ia bekerja dengan data waktu nyata, radar, citra satelit, dan sistem perkiraan.

Replenit adalah platform pengambilan keputusan AI yang dirancang untuk ritel dan e‑commerce, menyediakan lapisan antara infrastruktur data retailer dan sistem keterlibatan pelanggan yang ada. Mesin Keputusan AI‑nya menggabungkan sinyal pelanggan, produk, perilaku, dan sinyal lainnya untuk menentukan tindakan terbaik berikutnya bagi masing‑masing pelanggan secara waktu nyata, sementara Maestro AI CRM Manager dapat secara otonom mengelola alur kerja termasuk pengisian kembali stok, cross‑selling, keterlibatan, pencegahan churn, dan win‑back. Alih‑alih meminta retailer mengganti tumpukan teknologi yang ada, Replenit dirancang untuk terintegrasi dengan platform perdagangan, pemasaran, dan data saat ini serta mengubah keputusannya menjadi komunikasi dan tindakan yang siap dieksekusi. Perusahaan menyatakan teknologinya digunakan oleh retailer termasuk L’Occitane, Mumzworld, e-bebek, Beko, dan Faith In Nature.

Anda menghabiskan bertahun‑tahun membantu meningkatkan skala teknologi ritel perusahaan sebelum mendirikan Replenit bersama lima co‑founder. Apa yang terus‑menerus Anda lihat menjadi tantangan retailer yang meyakinkan Anda bahwa ada lapisan pengambilan keputusan yang hilang dalam tumpukan teknologi, dan bagaimana wawasan itu menghasilkan Replenit?

Bekerja dengan ratusan retailer di berbagai pasar, kami terus mendengar dan melihat masalah yang sama: retailer telah menjadi sangat mahir dalam mengumpulkan data dan sangat mahir dalam pelaksanaan, namun kecerdasan di antaranya masih belum ada. Mereka memiliki CDP, gudang, platform CRM, dan sistem otomasi pemasaran, namun keputusan — apa yang sebenarnya harus terjadi selanjutnya untuk pelanggan individu ini? — masih bersifat tebakan berdasarkan aturan statis, segmen luas, kalender kampanye, dan penilaian manusia. Tumpukan teknologi dan tim keduanya pada dasarnya menjadi solusi sementara karena tidak ada yang dapat menalar setiap pelanggan secara individual pada skala besar. Replenit adalah lapisan penalaran dan pengambilan keputusan yang hilang itu. Kami telah membangun sebuah mesin yang dapat menginterpretasikan konteks pelanggan dan produk pada tingkat individu, menentukan tindakan komersial berikutnya yang tepat, dan kemudian menggunakan sistem yang dimiliki retailer untuk mengeksekusinya.

Replenit berpendapat bahwa retailer sudah memiliki banyak data pelanggan dan banyak alat untuk mengeksekusi kampanye, namun kurang kecerdasan yang dapat memutuskan apa yang harus terjadi selanjutnya. Mengapa Platform Data Pelanggan (CDP), platform Manajemen Hubungan Pelanggan (CRM), dan sistem otomasi pemasaran belum dapat menyelesaikan masalah tersebut secara mandiri?

Sistem‑sistem tersebut dibangun untuk pekerjaan yang berbeda. CDP dapat menyatukan data pelanggan, namun penyatuan data tidak sama dengan memutuskan apa yang harus dilakukan dengan data tersebut. Platform CRM dan otomasi pemasaran merupakan lapisan eksekusi yang sangat baik. Mereka dapat mengirim, mengatur, dan mengoptimalkan komunikasi setelah seseorang menentukan audiens, alur kerja, atau kampanye tertentu.

Bahkan ketika platform‑platform tersebut menambahkan skor prediktif, AI generatif, dan optimasi waktu pengiriman, unit kerja fundamental masih biasanya berupa kampanye, perjalanan, audiens, atau segmen. AI dapat mengoptimalkan sesuatu yang sudah dipilih pemasar. Namun AI tidak serta merta memutuskan apakah sesuatu harus terjadi, tujuan siklus hidup mana yang paling penting bagi pelanggan tertentu, produk mana yang relevan, mengapa sekarang, dengan nada apa, dan menuju hasil komersial apa. Itulah perbedaan yang kami buat antara skor dan keputusan. Prediksi dapat memberi peringkat kemungkinan. Keputusan memerlukan penalaran melintasi konteks dan alternatif, kemudian berkomitmen pada suatu tindakan. Replenit berada di atas tumpukan yang ada untuk menyediakan lapisan tersebut, alih‑alih meminta retailer mengganti sistem yang sudah mereka miliki.

Bagian inti dari pendekatan Replenit adalah menerapkan Theory of Mind untuk menafsirkan niat, konteks, dan perilaku masa depan yang kemungkinan dimiliki pelanggan. Bagaimana Anda menerjemahkan konsep dari ilmu kognitif ke dalam sistem AI yang dapat membuat keputusan komersial yang dapat diandalkan, dan bagaimana Anda memvalidasi apakah sistem telah menginterpretasikan niat pelanggan dengan tepat?

Kami menerjemahkan Theory of Mind menjadi lapisan penalaran yang melihat melampaui apa yang dilakukan pelanggan dan menanyakan mengapa perilaku tersebut mungkin terjadi, apa yang disinyalkannya tentang niat, dan apa artinya dalam konteks. Alih‑alih hanya mengandalkan pola historis atau kesamaan produk, sistem menalar pada tingkat masing‑masing hubungan pelanggan‑produk dan menggunakan konteks tersebut untuk menentukan apa yang harus terjadi selanjutnya.

Penalaran tersebut dapat mencakup pemahaman motivasi yang kemungkinan mendasari pembelian, bagaimana produk saling terkait, kebutuhan apa yang coba dipenuhi pelanggan, serta apakah timing tepat untuk tindakan tertentu. Replenit kemudian melampaui sekadar menyarankan opsi: ia membuat keputusan dan menyiapkan keputusan tersebut untuk dieksekusi melalui sistem yang dimiliki retailer.

Validasi terjadi melalui hasil. Setelah keputusan dibuat, Replenit melacak apa yang sebenarnya terjadi dan memasukkan hasil tersebut kembali ke dalam keputusan masa depan untuk pelanggan tersebut. Sistem ini juga terus mengevaluasi keterampilan dan pendekatan pengambilan keputusannya yang memberikan hasil, memperbesar yang berkinerja baik dan menurunkan prioritas yang tidak. Dalam hal ini, sistem menjadi lebih baik dalam mengetahui langkah yang tepat untuk pelanggan yang tepat pada waktu yang tepat karena belajar dari hasil nyata, alih-alih sekadar menjalankan logika yang sama berulang-ulang.

Sebagian besar sistem personalisasi pada akhirnya adalah mesin prediksi, memperkirakan apa yang kemungkinan akan diklik atau dibeli seseorang. Replenit menekankan peralihan dari prediksi ke pengambilan keputusan. Dari perspektif arsitektur AI, apa yang berubah ketika model harus benar‑benar memilih tindakan berikutnya alih‑alih hanya menghasilkan probabilitas atau rekomendasi?

Di Replenit, ada empat bagian penting dalam arsitektur tersebut. Pertama adalah Golden Memory: catatan hidup tentang pelanggan, produk, dan merek yang memberi sistem konteks di luar transaksi yang terisolasi. Ketika informasi tidak lengkap, Replenit juga dapat memperkaya data yang tersedia dan menghasilkan konteks sintetis untuk menutup kesenjangan tersebut.

Kedua, terdapat lebih dari 100 keterampilan industri. Ini adalah kemampuan penalaran khusus untuk kategori dan situasi tertentu—misalnya pembuat rutinitas kosmetik untuk retailer kecantikan atau arsitek interior untuk perusahaan furnitur dan DIY. Bersamaan dengan keterampilan tersebut, 15 pemeriksaan pendukung dapat dijalankan secara paralel di sekitar keputusan, termasuk pemeriksaan substitusi, kompatibilitas, duplikasi, dan penekanan.

Ketiga adalah kepemilikan alur kerja. Alih‑alih menghasilkan rekomendasi dan berhenti di situ, Maestro dapat menalar lintas alur kerja siklus hidup seperti pengisian kembali, cross‑sell, keterlibatan, win‑back, churn, promosi, dan substitusi. Alur kerja tersebut dapat beroperasi secara terus‑menerus dan paralel untuk setiap pelanggan, dengan Maestro menentukan tindakan apa yang tepat pada saat itu.

Akhirnya, kami mengemasnya menjadi apa yang kami sebut Golden Decision Event: keputusan yang tercatat dan siap dieksekusi, berisi tindakan dan alasan di baliknya, yang dapat langsung diteruskan ke CRM, otomatisasi pemasaran, e‑commerce, aplikasi, atau sistem data retailer melalui lebih dari 120 platform.

Jadi perbedaannya adalah kami beralih dari model yang memprediksi apa yang kemungkinan terjadi ke sistem yang dapat mengingat konteks, menghadirkan keahlian yang tepat, mengevaluasi tindakan yang tersedia, berkomitmen pada satu keputusan, dan menjadikannya dapat dieksekusi.

Maestro dapat secara otonom memutuskan apakah seorang pelanggan individu harus menerima pengingat pengisian kembali, cross‑sell, promosi, pesan keterlibatan, upaya win‑back, atau bahkan tidak ada intervensi sama sekali. Bagaimana sistem menilai tindakan‑tindakan yang bersaing ini dan menentukan apa yang benar‑benar merupakan keputusan terbaik untuk pelanggan tersebut pada saat itu?

Titik awalnya adalah pelanggan dan tujuan komersial. Retailer menetapkan strategi, prioritas, dan batasan. Maestro kemudian menalar melalui konteks pelanggan, produk, dan alur kerja yang tersedia untuk menentukan apa yang harus terjadi selanjutnya.
Hal ini dapat mencakup keputusan mengenai tujuan komersial mana yang harus diprioritaskan, alur kerja mana yang relevan, keterampilan atau kombinasi keterampilan apa yang harus diterapkan, produk apa yang masuk akal, dan kapan tindakan harus dilakukan. Retailer juga dapat menentukan prioritas berdasarkan metrik seperti pendapatan, frekuensi pembelian, nilai rata‑rata pesanan, perlindungan margin, atau pencegahan churn.

Penalaran Theory-of-Mind kami menambahkan konteks individu: apa arti perilaku tersebut, apa yang sebenarnya dibutuhkan pelanggan, dan mengapa ini mungkin atau mungkin tidak menjadi momen yang tepat. Keterampilan khusus kami dan pemeriksaan pendukung dapat berjalan bersamaan dengan penalaran tersebut. Ketika keputusan terbaik adalah tidak melakukan intervensi, Maestro tidak melakukannya. Setelah Maestro mencapai kesimpulan, ia mengunci keputusan dan alasannya sebagai peristiwa siap eksekusi, alih‑alih hanya mengembalikan menu rekomendasi kepada pemasar.

Replenit menggunakan arsitektur swarm di mana banyak agen AI khusus dapat beroperasi secara paralel. Apa yang terjadi ketika beberapa agen menalar tentang pelanggan yang sama pada saat bersamaan, dan bagaimana Anda mencegah rekomendasi atau tindakan yang bertentangan dieksekusi?

Mesin swarm Replenit tidak menimbulkan konflik agen karena bukan tentang memparalelkan keputusan pelanggan; melainkan menjalankan komponen‑komponen satu keputusan secara paralel. Ketika Maestro menalar tentang seorang pelanggan, ia mengaktifkan banyak agen khusus secara bersamaan: jaringan gating mengarahkan keputusan ke model yang tepat, LLM penalaran mengevaluasi konteks dan perilaku pelanggan, agen penyempurnaan menyintesis data pelanggan atau produk yang hilang secara real‑time, dan model khusus mengevaluasi hubungan dan kesesuaian antara produk dan pelanggan.

Alih‑alih menjalankannya secara berurutan, yang akan lebih lambat dan mahal, mereka beroperasi secara paralel pada status pelanggan yang sama dan kemudian menyatu menjadi satu keputusan terpadu tentang apa yang harus terjadi selanjutnya. Tidak ada konflik karena mereka tidak bersaing memilih tindakan yang berbeda; masing‑masing memberikan dimensi yang berbeda pada hasil yang sama.

Misalnya, proses pengayaan dapat mengungkap sinyal pelanggan atau produk yang hilang, lapisan penalaran menginterpretasikan riwayat pembelian dan tujuan komersial, model hubungan produk mengidentifikasi produk utama dan substitusi yang layak, serta penilaian menimbang potensi dampak bisnis. Semua itu terjadi secara paralel, tetapi menghasilkan satu hasil. Tingkat paralelisasi ini merupakan keunggulan arsitektural yang penting. Sulit untuk menyesuaikan kembali ke dalam mesin yang dibangun sebagai pembungkus satu alat, sementara Replenit merancangnya ke dalam inti sejak awal.

Memori persisten adalah bagian penting lainnya dari platform, memungkinkan keputusan dibangun berdasarkan apa yang telah terjadi sebelumnya dengan setiap pelanggan. Seberapa penting memori jangka panjang bagi agen AI yang benar-benar otonom, dan langkah pengaman apa yang diperlukan ketika memori tersebut melibatkan perilaku pelanggan yang berpotensi sensitif?

Memori merupakan dasar bagi pengambilan keputusan otonom karena konteks bersifat dinamis. Ketika Maestro melihat pembelian produk bayi pertama, ia mengingat bahwa konteks rumah tangga telah berubah, dan keputusan di masa depan harus mencerminkan siklus hidup orang tua. Ketika ia melihat pembelian perawatan kulit awal, ia mengingat bahwa pelanggan ini sedang membangun rutinitas. Ketika pola pembelian muncul seputar kebugaran atau kesehatan, ia menangkap kebiasaan yang sedang terbentuk.

Setiap pembelian memperbarui pemahaman sistem tentang pelanggan tersebut—bukan hanya demografi, tetapi apa yang memotivasi mereka, perilaku apa yang mereka bangun, dan momen hidup apa yang sedang terjadi—sehingga keputusan berikutnya bukan generik, melainkan berakar pada konteks aktual pelanggan. Memori yang terus bertambah inilah yang membuat keputusan menjadi lebih cerdas.

Langkah pengamanannya sederhana: kami menyimpan peristiwa pembelian dan pola kontekstual yang muncul darinya—sinyal siklus hidup, pembentukan kebiasaan, faktor pembelian, dan afinitas kategori—dengan kebijakan retensi yang ketat dan pseudonimisasi bila memungkinkan. Lingkup data tetap sempit. Kami melacak apa yang terjadi dan konteks apa yang berubah, tidak lebih. Tanpa pengaman ini, memori persisten menjadi beban, bukan aset.

Replenit dirancang untuk berada di atas teknologi yang sudah digunakan retailer alih-alih mengharuskan mereka mengganti stack yang ada. Apa yang Anda pelajari dari penerapan dengan lebih dari 30 retailer perusahaan mengenai hambatan teknis atau organisasi terbesar dalam memberikan otoritas pengambilan keputusan yang bermakna kepada AI?

Masalah teknis paling jelas yang kami temui bukan kekurangan data melainkan kondisi data tersebut. Retailer perusahaan sering memiliki banyak data yang terfragmentasi antar sistem, tidak konsisten, atau tidak lengkap. Karena itu, pengayaan menjadi bagian penting dari arsitektur dasar. Sistem harus menciptakan konteks bermakna yang cukup untuk melakukan penalaran bahkan ketika dataset dasar tidak sempurna.

Dari sisi organisasi, pertanyaan yang lebih sulit adalah kepercayaan. Memberikan otoritas keputusan yang bermakna kepada AI menyentuh beberapa fungsi sekaligus. Tim data dan TI menginginkan keterjelasan, keamanan, dan beban integrasi yang rendah. Tim pemasaran membutuhkan keyakinan bahwa komunikasi dengan pelanggan tetap sesuai merek. Tim CRM ingin mempertahankan kontrol strategis daripada merasa bahwa sistem AI mengambil alih hubungan dengan pelanggan.

Pendekatan kami karenanya memisahkan strategi dari pelaksanaan. Orang menentukan tujuan, arahan merek, dan batasan, sementara Maestro mengelola pengambilan keputusan individu yang dapat diulang dan pelaksanaan di dalam batas tersebut. Setiap keputusan yang diambil dirancang agar dapat dilacak, dan sistem bekerja di atas stack yang ada alih-alih memaksa migrasi platform.

Seiring AI menjadi bertanggung jawab untuk mengoptimalkan pendapatan dan retensi, bagaimana Anda mencegah sistem otonom mengoptimalkan secara terlalu agresif pada metrik jangka pendek, seperti mendorong promosi atau pembelian yang tidak perlu, dengan mengorbankan kepercayaan pelanggan dan nilai merek jangka panjang?

Maestro mengoptimalkan berdasarkan KPI yang ditetapkan manusia, bukan metrik yang dipilihnya sendiri. Jika Anda menetapkan tujuan sebagai nilai seumur hidup pelanggan dan tingkat retensi, itulah yang dioptimalkan, bukan kecepatan transaksi atau volume promosi. Jika taktik jangka pendek yang agresif merugikan retensi, mereka gagal terhadap KPI yang sebenarnya. Sistem mempelajari trade‑off tersebut secara langsung karena setiap hasil memberi umpan balik ke memori, sehingga strategi yang merusak retensi jangka panjang menjadi jelas lebih buruk bagi tujuan bisnis yang telah ditetapkan.

Kendala tersebut bersifat struktural. Maestro bekerja dalam batasan yang Anda tetapkan. Ia tidak dapat mengoptimalkan di luar batasan tersebut; ia beroperasi di dalamnya. Setiap keputusan dapat dilacak, sehingga Anda dapat mengaudit mengapa Maestro memilih untuk mengirim atau menahan, KPI mana yang memberi bobot pada pilihan itu, dan apa hasil yang diharapkan. Tanpa definisi KPI yang jelas, batasan, dan transparansi keputusan, sistem AI dapat mendorong secara terlalu agresif. Namun model Replenit transparan dan dirancang untuk menghindari hal itu. Bisnis menentukan apa yang penting, Maestro mengeksekusi menuju tujuan tersebut dengan auditabilitas penuh, dan setiap hasil membantu menentukan apakah strategi tersebut benar‑benar berhasil.

Model fondasi berkembang dengan cepat dan agen yang semakin canggih akan tersedia bagi hampir setiap retailer. Dalam jangka panjang, dari mana Anda percaya keunggulan defensif dalam pengambilan keputusan AI akan berasal: model kepemilikan, memori tingkat pelanggan, penalaran khusus domain, umpan balik, infrastruktur, atau sesuatu yang lain sepenuhnya?

Model fondasi akan menjadi komoditas, sehingga semua orang akan memiliki akses ke mesin penalaran yang semakin canggih. Keunggulan defensif bukan terletak pada model itu sendiri, melainkan pada apa yang Anda ketahui tentang setiap pelanggan dan seberapa cepat Anda menggabungkan pengetahuan tersebut. Keunggulan Maestro adalah memori tingkat pelanggan yang semakin dalam dengan setiap pembelian dan setiap hasil. Setelah enam bulan hasil, sistem mengetahui pelanggan Anda lebih baik daripada model generik mana pun. Bukan hanya demografi, tetapi apa yang memotivasi mereka, kapan mereka reseptif, apa yang memicu churn.

Memori itu juga menciptakan kontinuitas. Beralih ke sistem lain berarti kehilangan dua tahun konteks yang dipelajari. Selain itu, Replenit memiliki keahlian khusus domain yang terkode untuk ritel, termasuk pemahaman tahap siklus hidup, pola kecepatan pembelian, pemicu pengisian kembali, afinitas kategori dalam kecantikan atau bahan makanan. Namun keahlian dapat disalin. Keunggulan sebenarnya adalah umpan balik loop: Maestro membuat keputusan, menangkap hasilnya, memperbarui memori, dan menggunakan pembelajaran itu untuk membuat keputusan berikutnya lebih cerdas. Loop itu bersifat berkelanjutan dan bersifat mengakumulasi. Seiring waktu, sistem yang berjalan pada data Anda menjadi semakin baik dibandingkan sistem baru dengan model generik.

Infrastruktur juga penting. Konkruensi Swarm dan model milik sendiri menjaga ekonomi unit lebih baik, tetapi itu adalah standar dasar, bukan moat. Keunggulan defensif adalah kombinasi gravitasi data pelanggan (biaya beralih), pembelajaran berkelanjutan (hasil yang memberi umpan balik ke keputusan masa depan), dan penalaran khusus domain (konteks spesifik ritel), semuanya bekerja bersama. Secara terpisah, masing‑masing dapat disalin. Bersama‑sama, mereka sulit direplikasi cukup cepat untuk mengejar ketertinggalan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin belajar lebih lanjut harus mengunjungi Replenit.