Ilyas Kurklu, cofondatore e CEO di Replenit – Serie di interviste

Ilyas Kurklu, cofondatore e CEO di Replenit, è un imprenditore e dirigente tecnologico nel retail focalizzato sull’applicazione dell’intelligenza artificiale alla decisione e al coinvolgimento dei clienti. Presso Replenit, guida la strategia, lo sviluppo del prodotto e le partnership, basandosi su oltre un decennio di esperienza nell’aiutare a far crescere le attività di engagement retail aziendale da circa $10 milioni a $2 miliardi di fatturato, collaborando con più di 300 retailer. La sua carriera comprende anche ruoli di consulenza e sviluppo commerciale, oltre a sei anni come team lead e meteorologo presso la Direzione Generale della Meteorologia della Turchia, dove ha lavorato con dati in tempo reale, radar, immagini satellitari e sistemi di previsione.

Replenit è una piattaforma di decisione AI progettata per il retail e l’e‑commerce, che fornisce uno strato intermedio tra l’infrastruttura dati di un retailer e i suoi sistemi di engagement cliente esistenti. Il suo AI Decision Engine combina segnali relativi a cliente, prodotto, comportamento e altri per determinare la migliore azione successiva per ciascun cliente in tempo reale, mentre il Maestro AI CRM Manager può gestire autonomamente flussi di lavoro tra cui rifornimento, cross‑selling, engagement, prevenzione dell’abbandono e riconquista. Piuttosto che richiedere ai retailer di sostituire lo stack tecnologico esistente, Replenit è progettato per integrarsi con le piattaforme di commercio, marketing e dati attuali e trasformare le sue decisioni in comunicazioni e azioni pronte per l’esecuzione. L’azienda afferma che la sua tecnologia è utilizzata da retailer tra cui L’Occitane, Mumzworld, e-bebek, Beko e Faith In Nature.

Hai trascorso anni aiutando a far crescere la tecnologia retail aziendale prima di fondare Replenit con cinque cofondatori. Cosa hai osservato ripetutamente che i retailer faticavano a gestire, al punto da convincerti che mancasse uno strato decisionale nella stack tecnologica, e in che modo questa intuizione ha portato alla creazione di Replenit?

Collaborando con centinaia di retailer in diversi mercati, continuavamo a sentire e vedere lo stesso problema: i retailer erano molto bravi a raccogliere dati e molto bravi nell’esecuzione, ma l’intelligenza intermedia mancava ancora. Possedevano CDP, data warehouse, piattaforme CRM e sistemi di automazione del marketing, eppure la decisione — cosa dovrebbe accadere realmente dopo per questo cliente specifico? — era ancora un’ipotesi basata su regole statiche, segmenti ampi, calendari di campagne e giudizio umano. Lo stack e il team erano entrambi, di fatto, soluzioni alternative al fatto che nessuno potesse ragionare su ogni cliente individualmente su larga scala. Replenit è quello strato mancante di ragionamento e decisione. Abbiamo costruito un motore che può interpretare il contesto cliente‑prodotto a livello individuale, decidere l’azione commerciale più appropriata e poi utilizzare i sistemi esistenti del retailer per eseguirla.

Replenit sostiene che i retailer dispongono già di una grande quantità di dati sui clienti e di molti strumenti per eseguire campagne, ma mancano di intelligenza in grado di decidere cosa dovrebbe accadere successivamente. Perché le Customer Data Platforms (CDP), le piattaforme di Customer Relationship Management (CRM) e i sistemi di automazione del marketing non sono riusciti a risolvere questo problema da soli?

Quei sistemi sono stati creati per compiti diversi. Una CDP può unificare i dati dei clienti, ma unificare i dati non è la stessa cosa di decidere cosa farne. Le piattaforme CRM e di automazione del marketing sono ottime per l’esecuzione. Possono inviare, orchestrare e ottimizzare le comunicazioni una volta che qualcuno ha definito il pubblico specifico, il flusso di lavoro o la campagna.

Anche quando queste piattaforme aggiungono punteggi predittivi, IA generativa e ottimizzazione del momento di invio, l’unità fondamentale di lavoro rimane spesso la campagna, il percorso, il pubblico o il segmento. L’IA può ottimizzare qualcosa che il marketer ha già scelto di fare. Non decide necessariamente se qualcosa debba accadere, quale obiettivo di ciclo di vita sia più importante per quel cliente specifico, quale prodotto sia rilevante, perché ora, con quale tono e verso quale risultato commerciale. Questa è la differenza che facciamo tra un punteggio e una decisione. La previsione può classificare la probabilità. Una decisione richiede ragionamento sul contesto e sulle alternative e poi l’impegno in un’azione. Replenit si colloca sopra lo stack esistente per fornire tale strato, invece di chiedere ai retailer di sostituire i sistemi che già possiedono.

Una parte fondamentale dell’approccio di Replenit consiste nell’applicare Theory of Mind per dedurre l’intento, il contesto e il probabile comportamento futuro di un cliente. Come traduci un concetto della scienza cognitiva in un sistema di IA capace di prendere decisioni commerciali affidabili, e come verifichi se il sistema ha interpretato correttamente l’intento del cliente?

Traduciamo Theory of Mind in uno strato di ragionamento che guarda oltre ciò che un cliente ha fatto e si chiede perché quel comportamento possa essere avvenuto, cosa segnala riguardo all’intento e cosa significa nel contesto. Invece di basarsi solo su pattern storici o somiglianze di prodotto, il sistema ragiona a livello di ogni singola relazione cliente‑prodotto e utilizza quel contesto per determinare cosa dovrebbe accadere successivamente.

Questo ragionamento può includere la comprensione della probabile motivazione dietro un acquisto, come i prodotti si relazionano tra loro, quale necessità il cliente sta cercando di soddisfare e se il tempismo è corretto per una determinata azione. Replenit va quindi oltre il semplice suggerimento di un’opzione: prende una decisione e la prepara per l’esecuzione attraverso i sistemi esistenti del retailer.

La convalida avviene attraverso i risultati. Una volta presa una decisione, Replenit traccia ciò che è realmente accaduto e reinserisce quel risultato nelle decisioni future per quel cliente. Valuta inoltre in modo continuo quali delle sue competenze e approcci decisionali stanno producendo risultati, potenziando quelli che funzionano bene e de‑prioritizzando quelli che non lo fanno. In questo senso, il sistema migliora nella capacità di individuare la mossa giusta per il cliente giusto al momento giusto, perché apprende dai risultati reali, anziché eseguire semplicemente la stessa logica in modo ricorsivo.

La maggior parte dei sistemi di personalizzazione sono in sostanza motori di previsione, che stimano cosa una persona è probabile che clicchi o acquisti. Replenit pone l’accento sul passaggio dalla previsione alla presa di decisioni. Da una prospettiva di architettura AI, cosa cambia quando il modello deve effettivamente scegliere l’azione successiva anziché semplicemente produrre una probabilità o una raccomandazione?

In Replenit, l’architettura si compone di quattro parti fondamentali. La prima è Golden Memory: registri viventi del cliente, del prodotto e del brand che forniscono al sistema un contesto al di là di una singola transazione. Quando le informazioni sono incomplete, Replenit può anche arricchire i dati disponibili e generare un contesto sintetico per colmare tali lacune.

La seconda comprende oltre 100 competenze settoriali. Si tratta di capacità di ragionamento specializzate per categorie e situazioni specifiche—ad esempio un costruttore di routine cosmetiche per i rivenditori di bellezza o un architetto d’interni per aziende di arredamento e fai‑da‑te. Accanto a queste competenze, 15 controlli di supporto possono operare in parallelo attorno a una decisione, inclusi controlli di sostituzione, compatibilità, duplicazione e soppressione.

La terza è la proprietà del flusso di lavoro. Invece di produrre una raccomandazione e fermarsi, Maestro può ragionare attraverso i flussi di lavoro del ciclo di vita, come il rifornimento, il cross‑sell, l’engagement, il win‑back, la gestione dell’abbandono, le promozioni e la sostituzione. Questi flussi possono operare in modo continuo e parallelo per ciascun cliente, con Maestro che determina quale azione sia appropriata in quel preciso momento.

Infine, confezioniamo il tutto in quello che chiamiamo Golden Decision Event: una decisione registrata, pronta per l’esecuzione, contenente l’azione e il relativo ragionamento, che può essere trasferita direttamente nel CRM, nell’automazione marketing, nell’e‑commerce, nell’app o nei sistemi di dati del rivenditore, su più di 120 piattaforme.

Quindi la differenza è che stiamo passando da un modello che prevede ciò che è probabile accada a un sistema che può ricordare il contesto, introdurre l’expertise adeguata, valutare le azioni disponibili, impegnarsi in una decisione unica e renderla eseguibile.

Maestro può decidere autonomamente se un cliente individuale debba ricevere un promemoria di rifornimento, un cross‑sell, una promozione, un messaggio di engagement, un tentativo di win‑back, o potenzialmente nessun intervento. Come valuta il sistema queste azioni concorrenti e determina quale sia davvero la decisione migliore per quel cliente in quel momento?

Il punto di partenza è il cliente e l’obiettivo commerciale. Il rivenditore definisce la strategia, le priorità e i limiti. Maestro ragiona quindi sul contesto disponibile di cliente, prodotto e flusso di lavoro per determinare cosa dovrebbe accadere successivamente.
Ciò può includere la decisione su quale obiettivo commerciale dare priorità, quale flusso di lavoro sia rilevante, quale competenza o combinazione di competenze applicare, quali prodotti siano appropriati e quando l’azione debba avvenire. I rivenditori possono anche definire priorità basate su metriche come il fatturato, la frequenza di acquisto, il valore medio dell’ordine, la protezione del margine o la prevenzione dell’abbandono.

Il nostro ragionamento Theory‑of‑Mind aggiunge il contesto individuale: cosa sembra indicare il comportamento, di cosa il cliente potrebbe aver realmente bisogno e perché questo potrebbe o meno essere il momento giusto. Le nostre competenze specializzate e i controlli di supporto possono operare in parallelo a quel ragionamento. Quando la decisione migliore è non intervenire, Maestro non lo fa. Una volta che Maestro raggiunge una conclusione, impegna la decisione e il relativo ragionamento come evento pronto per l’esecuzione, anziché restituire semplicemente un elenco di raccomandazioni a un marketer.

Replenit utilizza un’architettura swarm in cui più agenti AI specializzati possono operare in parallelo. Cosa succede quando diversi agenti ragionano sullo stesso cliente contemporaneamente e come si evitano raccomandazioni o azioni conflittuali da eseguire?

Il motore swarm di Replenit non genera conflitti tra agenti perché non si tratta di parallelizzare le decisioni dei clienti; è invece di eseguire in parallelo i componenti di una singola decisione. Quando Maestro ragiona su un cliente, attiva simultaneamente più agenti specializzati: una rete di gating indirizza la decisione ai modelli appropriati, un LLM di ragionamento valuta il contesto e il comportamento del cliente, gli agenti di arricchimento sintetizzano in tempo reale i dati mancanti su cliente o prodotto, e i modelli specializzati valutano le relazioni e la compatibilità tra prodotto e cliente.

Invece di eseguirli in sequenza, il che sarebbe più lento e costoso, operano in parallelo sul medesimo stato del cliente e poi convergono in un’unica decisione unificata su cosa dovrebbe accadere successivamente. Non vi è conflitto perché non competono per selezionare azioni diverse; ciascuno contribuisce con una dimensione diversa allo stesso risultato.

Ad esempio, l’arricchimento potrebbe far emergere segnali mancanti su clienti o prodotti, lo strato di ragionamento interpreta la cronologia degli acquisti e l’obiettivo commerciale, i modelli di relazione prodotto identificano il prodotto di riferimento e i sostituti validi, e la valutazione pesa il potenziale impatto sul business. Tutto ciò avviene in parallelo, ma produce un unico risultato. Questo livello di parallelizzazione è un importante vantaggio architettonico. È difficile retrofittare motori costruiti come wrapper a singolo strumento, mentre Replenit lo ha integrato nel nucleo fin dall’inizio.

La memoria persistente è un’altra parte importante della piattaforma, consentendo alle decisioni di basarsi su quanto accaduto in precedenza con ciascun cliente. Quanto è importante la memoria a lungo termine per agenti IA veramente autonomi, e quali salvaguardie sono necessarie quando quella memoria coinvolge comportamenti potenzialmente sensibili dei clienti?

La memoria è fondamentale per il processo decisionale autonomo perché il contesto è dinamico. Quando Maestro rileva il primo acquisto di un prodotto per bambini, ricorda che il contesto familiare è cambiato e le decisioni future dovrebbero riflettere il ciclo di vita dei genitori. Quando rileva i primi acquisti di prodotti per la cura della pelle, ricorda che questo cliente sta costruendo una routine. Quando emergono pattern di acquisto legati a fitness o benessere, cattura l’abitudine che si sta formando.

Ogni acquisto aggiorna ciò che il sistema comprende di quel cliente — non solo le informazioni demografiche, ma ciò che lo motiva, i comportamenti che sta instaurando e i momenti di vita che si stanno svolgendo — così la decisione successiva non è generica, ma radicata nel contesto reale del cliente. Questa memoria cumulativa è ciò che rende le decisioni più intelligenti.

La salvaguardia è semplice: conserviamo gli eventi di acquisto e i pattern contestuali che ne emergono — segnali di ciclo di vita, formazione di abitudini, driver di acquisto e affinità di categoria — con politiche di conservazione rigorose e pseudonimizzazione dove possibile. L’ambito dei dati rimane ristretto. Tracciamo ciò che è accaduto e quale contesto è cambiato, nient’altro. Senza queste barriere, la memoria persistente diventa una passività, non un asset.

Replenit è progettato per sovrapporsi alla tecnologia che i retailer già utilizzano, piuttosto che richiedere la sostituzione dell’infrastruttura esistente. Cosa avete imparato dal deployment con più di 30 retailer enterprise riguardo le maggiori barriere tecniche o organizzative al conferire all’IA un’autorità decisionale significativa?

Il problema tecnico più evidente che abbiamo riscontrato non è una carenza di dati, ma la loro condizione. I retailer enterprise spesso dispongono di una grande quantità di dati frammentati tra sistemi, incoerenti o comunque incompleti. Per questo l’arricchimento è diventato una parte importante dell’architettura di base. Il sistema deve creare un contesto significativo sufficiente per ragionare anche quando il dataset di base è imperfetto.

Organizzativamente, la questione più difficile è la fiducia. Conferire all’IA un’autorità decisionale significativa tocca più funzioni contemporaneamente. I team dati e IT richiedono spiegabilità, sicurezza e un onere di integrazione ridotto. I team di marketing hanno bisogno di fiducia che la comunicazione con i clienti rimanga coerente con il brand. I team CRM vogliono mantenere il controllo strategico piuttosto che sentire che un sistema IA stia sottraendo loro la relazione con il cliente.

Il nostro approccio è stato quindi quello di separare strategia ed esecuzione. Le persone definiscono gli obiettivi, le direttive di brand e le salvaguardie, mentre Maestro gestisce le decisioni individuali ripetibili e l’esecuzione all’interno di quei confini. Ogni decisione impegnata è progettata per essere tracciabile, e il sistema opera sopra lo stack esistente anziché forzare una migrazione della piattaforma.

Man mano che l’IA diventa responsabile dell’ottimizzazione di ricavi e fidelizzazione, come si impedisce a un sistema autonomo di ottimizzare in modo eccessivamente aggressivo metriche a breve termine, come la spinta di promozioni o acquisti non necessari, a scapito della fiducia del cliente e del valore a lungo termine del brand?

Maestro ottimizza rispetto ai KPI definiti dagli esseri umani, non a metriche che sceglie autonomamente. Se si definiscono gli obiettivi come valore della vita del cliente e tasso di fidelizzazione, è a quello che ottimizza, piuttosto che sulla velocità delle transazioni o sul volume delle promozioni. Se tattiche aggressive a breve termine danneggiano la fidelizzazione, falliscono rispetto al KPI reale. Il sistema apprende direttamente questo trade‑off perché ogni risultato alimenta la memoria, così le strategie che danneggiano la fidelizzazione a lungo termine diventano dimostrabilmente peggiori per l’obiettivo di business stabilito.

La limitazione è strutturale. Maestro opera entro le salvaguardie che si stabiliscono. Non può ottimizzare aggirandole; funziona all’interno di esse. Ogni decisione è tracciabile, così è possibile verificare perché Maestro ha scelto di inviare o trattenere, quali KPI hanno pesato su quella scelta e quale risultato ci si aspettava. Senza una chiara definizione dei KPI, delle salvaguardie e della trasparenza decisionale, un sistema IA potrebbe spingere troppo aggressivamente. Ma il modello di Replenit è trasparente e progettato per evitare ciò. L’azienda definisce ciò che è importante, Maestro esegue verso quegli obiettivi con piena auditabilità, e ogni risultato aiuta a determinare se la strategia sta realmente funzionando.

I modelli di base stanno migliorando rapidamente e agenti sempre più capaci saranno disponibili per quasi tutti i retailer. A lungo termine, da dove ritieni deriverà il vantaggio difendibile nel decision‑making IA: modelli proprietari, memoria a livello cliente, ragionamento specifico di dominio, loop di feedback, infrastruttura, o qualcos’altro completamente?

I modelli di base diventeranno una merce, quindi tutti avranno accesso a motori di ragionamento sempre più capaci. La difendibilità non è il modello in sé, ma ciò che sai di ogni cliente e la rapidità con cui accumuli tale conoscenza. Il vantaggio di Maestro è la memoria a livello cliente, che si approfondisce ad ogni acquisto e a ogni risultato. Dopo sei mesi di risultati, il sistema conosce il tuo cliente meglio di qualsiasi modello generico. Non solo le demografie, ma ciò che li motiva, quando sono ricettivi, cosa innesca l’abbandono.

Quella memoria crea anche continuità. Passare a un altro sistema significa perdere due anni di contesto appreso. In parallelo, Replenit possiede competenze specifiche per il settore retail, tra cui la comprensione delle fasi del ciclo di vita, i pattern di velocità di acquisto, i trigger di rifornimento e l’affinità di categoria in bellezza o generi alimentari. Ma le competenze possono essere copiate. Il vero vantaggio è il ciclo di feedback: Maestro prende una decisione, ne cattura il risultato, aggiorna la memoria e utilizza quell’apprendimento per rendere più intelligente la decisione successiva. Quel ciclo è continuo e cumulativo. Nel tempo, un sistema che opera sui tuoi dati diventa progressivamente migliore di un nuovo sistema basato su modelli generici.

Anche l’infrastruttura è importante. La concorrenza Swarm e i modelli proprietari migliorano l’economia di unità, ma ciò è un requisito di base, non un vantaggio competitivo. Il vantaggio difendibile è la combinazione della gravità dei dati dei clienti (costi di switching), dell’apprendimento continuo (i risultati che alimentano le decisioni future) e del ragionamento specifico per dominio (contesto specifico del retail), tutti operanti insieme. Isolatamente, ciascuno è copiabile. Insieme, sono difficili da replicare abbastanza rapidamente da recuperare.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare Replenit.