Ilyas Kurklu、Replenit共同創業者兼CEO – インタビューシリーズ

Ilyas Kurklu、Replenitの共同創業者兼CEOであり、起業家で小売テクノロジーのエグゼクティブとして、人工知能を顧客の意思決定とエンゲージメントに適用することに注力しています。Replenitでは、戦略、製品開発、パートナーシップを主導し、10年以上の経験を活かして、約 $10 million から $2 billion の売上規模へと企業小売エンゲージメント事業を拡大させ、300 社以上の小売業者と協働してきました。また、顧問や事業開発の役割に加え、トルコ気象庁（Türkiye’s General Directorate of Meteorology）でチームリーダー兼気象予報士として 6 年間勤務し、リアルタイムデータ、レーダー、衛星画像、予測システムを扱ってきました。

Replenitは小売・eコマース向けに設計されたAI意思決定プラットフォームで、リテーラーのデータ基盤と既存の顧客エンゲージメントシステムの間にレイヤーを提供します。そのAI Decision Engineは顧客、製品、行動、その他のシグナルを組み合わせ、個々の顧客に対してリアルタイムで次に取るべき最適なアクションを決定します。また、Maestro AI CRM Managerは補充、クロスセル、エンゲージメント、解約防止、再獲得といったワークフローを自律的に管理できます。既存のテクノロジースタックを置き換える必要はなく、Replenitは現在のコマース、マーケティング、データプラットフォームと統合し、意思決定を実行可能なコミュニケーションやアクションに変換します。同社によれば、同技術は L’Occitane、Mumzworld、e-bebek、Beko、Faith In Nature などの小売業者で利用されています。

Replenitを5人の共同創業者と共に設立する前に、企業小売テクノロジーのスケールアップに何年も取り組んできましたが、リテーラーが繰り返し直面している課題は何で、それがテクノロジースタックに欠けている意思決定層があると確信させ、どのようにReplenitへと結びついたのですか？

さまざまな市場で数百の小売業者と協働する中で、同じ課題が繰り返し聞かれ、目にしました。小売業者はデータ収集と実行に非常に優れていましたが、その間にあるインテリジェンスが依然として欠如していたのです。CDPやデータウェアハウス、CRMプラットフォーム、マーケティングオートメーションシステムは備えていたものの、次に何をすべきかという意思決定（個々の顧客に対して実際に何が起こるべきか）は、静的なルールや広範なセグメント、キャンペーンカレンダー、人間の判断に基づく推測に過ぎませんでした。スタックもチームも、スケールで個々の顧客を推論できないという事実に対する事実上の回避策でした。Replenitはその欠けていた推論と意思決定の層です。私たちは、顧客と製品のコンテキストを個別レベルで解釈し、適切な次の商業アクションを決定し、そして小売業者の既存システムを用いて実行できるエンジンを構築しました。

Replenitは、小売業者はすでに豊富な顧客データとキャンペーン実行ツールを持っているものの、次に何が起きるべきかを決定できるインテリジェンスが欠如していると主張します。なぜカスタマーデータプラットフォーム（CDP）やカスタマーリレーションシップマネジメント（CRM）プラットフォーム、マーケティングオートメーションシステムはこの問題を自ら解決できなかったのでしょうか？

これらのシステムは別々の目的で構築されています。CDPは顧客データを統合できますが、データを統合することとそれをどう活用するかを決定することは同じではありません。CRMやマーケティングオートメーションプラットフォームは実行レイヤーとして非常に優れており、特定のオーディエンス、ワークフロー、キャンペーンが定義されれば、コミュニケーションの送信、オーケストレーション、最適化を行うことができます。

これらのプラットフォームが予測スコアや生成AI、送信タイミング最適化を追加したとしても、基本的な作業単位は依然としてキャンペーン、ジャーニー、オーディエンス、またはセグメントです。AIはマーケターが既に選択した何かを最適化することはありますが、全く新たに何かを行うべきか、特定の顧客にとって最も重要なライフサイクル目標は何か、どの製品が関連するか、なぜ今なのか、どのようなトーンで、どの商業的成果を目指すのか、といった判断は行いません。これがスコアと意思決定の違いです。予測は可能性をランク付けしますが、意思決定はコンテキストと代替案を考慮し、行動にコミットすることを要します。Replenitは既存のスタックの上に位置し、その層を提供することで、リテーラーにシステムを置き換えさせることなく機能します。

Replenitのアプローチの核心は、心の理論を適用して顧客の意図、コンテキスト、将来の行動を推測することです。認知科学の概念を、信頼できる商業的意思決定を行えるAIシステムにどのように翻訳し、システムが顧客の意図を正しく解釈したかをどのように検証しますか？

私たちは心の理論を推論レイヤーに変換し、顧客が何をしたかだけでなく、その行動がなぜ起きたのか、意図をどのように示すのか、コンテキストで何を意味するのかを問います。過去のパターンや製品類似性だけに依存せず、システムは個々の顧客と製品の関係レベルで推論し、そのコンテキストを用いて次に何をすべきかを決定します。

この推論には、購入の背後にある可能性の高い動機、製品同士の関係、顧客が満たそうとしているニーズ、特定のアクションに対するタイミングが適切かどうかの理解が含まれます。Replenitは単に選択肢を提案するだけでなく、意思決定を行い、その決定を小売業者の既存システムを通じて実行できる形に整えます。

検証は結果を通じて行われます。決定が下された後、Replenitは実際に何が起こったかを追跡し、その結果をその顧客の将来の決定にフィードバックします。また、どのスキルや意思決定アプローチが成果を上げているかを継続的に評価し、うまく機能しているものを拡大し、機能しないものの優先度を下げます。その意味で、システムは同じロジックを繰り返し実行するのではなく、実際の結果から学習することで、適切な顧客に対し適切なタイミングで正しい行動を取ることがより上手くなります。

ほとんどのパーソナライゼーションシステムは最終的に予測エンジンであり、ユーザーがクリックまたは購入する可能性が高いものを推定します。Replenitは予測から意思決定への移行を強調しています。AIアーキテクチャの観点から、モデルが単に確率や推奨を出すのではなく、実際に次のアクションを選択しなければならない場合に何が変わるのでしょうか？

Replenitでは、アーキテクチャは4つの重要な部分から構成されています。まずはゴールデンメモリです。これは顧客、製品、ブランドの生きた記録であり、単一の取引を超えたコンテキストをシステムに提供します。情報が不完全な場合、Replenitは利用可能なデータを補完し、合成コンテキストを生成してギャップを埋めることもできます。

次に、100以上の業界スキルがあります。これらは特定のカテゴリや状況向けに特化した推論能力で、たとえば美容小売向けのコスメティック・ルーティン構築や、家具・DIY企業向けのインテリア・アーキテクトなどがあります。これらのスキルに加えて、15のサポートチェックが意思決定の周囲で並行して実行され、代替、互換性、重複、抑制チェックなどが含まれます。

3番目はワークフローの所有権です。単に推奨を提示して止まるのではなく、Maestroは補充、クロスセル、エンゲージメント、再獲得、解約防止、プロモーション、代替といったライフサイクルワークフロー全体を横断して推論できます。これらのワークフローは個々の顧客に対して継続的かつ並行に動作し、Maestroがその瞬間に適切なアクションを判断します。

最終的に、これらを「ゴールデン・ディシジョン・イベント」と呼ばれる形でパッケージ化します。これは実行可能な決定として記録され、アクションとその根拠を含み、120以上のプラットフォームにわたる小売業者のCRM、マーケティングオートメーション、eコマース、アプリ、データシステムへ直接渡すことができます。

したがって、私たちが移行しているのは、起こり得ることを予測するモデルから、コンテキストを記憶し、適切な専門知識を呼び込み、利用可能なアクションを評価し、1つの決定にコミットして実行可能にするシステムへの変化です。

Maestroは、個々の顧客に対して補充リマインダー、クロスセル、プロモーション、エンゲージメントメッセージ、再獲得試行、あるいは介入しないという選択肢のいずれかを自律的に判断できます。システムはこれらの競合するアクションをどのように評価し、その瞬間に顧客にとって本当に最適な決定を導き出すのでしょうか？

出発点は顧客と商業目標です。小売業者が戦略、優先順位、ガードレールを設定し、Maestroは利用可能な顧客、製品、ワークフローのコンテキストを横断して次に何をすべきかを推論します。これには、どの商業目標を優先すべきか、どのワークフローが関連するか、どのスキルまたはスキルの組み合わせを適用すべきか、どの製品が適切か、そしてアクションの実施タイミングが含まれます。小売業者は売上、購入頻度、平均注文額、マージン保護、解約防止といった指標に基づく優先順位も定義できます。

私たちのTheory-of-Mind推論は、個別のコンテキストを加えます。すなわち、行動が何を意味するのか、顧客が実際に何を必要としているのか、そしてそれが今が適切なタイミングかどうかです。専門スキルとサポートチェックはこの推論と並行して実行されます。最適な決定が介入しないことだった場合、Maestroは介入しません。Maestroが結論に達したら、単にマーケターに推奨メニューを返すのではなく、決定とその根拠を実行可能なイベントとして確定します。

Replenitはスウォームアーキテクチャを採用しており、複数の専門AIエージェントが並行して動作できます。同じ顧客について複数のエージェントが同時に推論する場合、どのようにして矛盾する推奨やアクションが実行されるのを防ぐのでしょうか？

Replenitのスウォームエンジンはエージェント間の競合を生み出しません。なぜなら、顧客の決定を並列化することが目的ではなく、単一の決定の構成要素を並列に実行することが目的だからです。Maestroが顧客について推論する際、複数の専門エージェントが同時に起動します。ゲーティングネットワークが適切なモデルへ決定を振り分け、推論LLMが顧客コンテキストと行動を評価し、エンリッチメントエージェントがリアルタイムで欠損した顧客または製品データを合成し、専門モデルが製品と顧客の関係性と適合性を評価します。

これらを順次実行すると遅くなりコストも高くなりますが、同じ顧客状態上で並行に動作し、次に何をすべきかという統一された決定に収束します。競合が生じないのは、異なるアクションを選択し合うのではなく、同一の結果に向けて異なる次元の情報を提供しているからです。

たとえば、エンリッチメントにより欠落している顧客や製品のシグナルが表面化し、推論層が購入履歴と商業目標を解釈し、製品関係モデルが基軸製品と有望な代替品を特定し、スコアリングが潜在的なビジネスインパクトを評価します。これらはすべて並行して行われますが、1つの結果を生み出します。このレベルの並列化は重要なアーキテクチャ上の利点です。単一ツールのラッパーとして構築されたエンジンに後付けするのは困難ですが、Replenitは最初からコアに組み込んでいます。

永続的なメモリはプラットフォームのもう一つの重要な要素であり、各顧客に対して過去に起きたことに基づいて意思決定を構築できるようにします。長期的なメモリは真に自律的なAIエージェントにとってどれほど重要であり、そのメモリが潜在的に機密性の高い顧客行動を含む場合、どのような保護策が必要でしょうか？

メモリは自律的な意思決定の基盤であり、コンテキストは動的です。Maestroが初めてベビー用品の購入を検知すると、世帯のコンテキストが変化したことを記憶し、今後の意思決定は親のライフサイクルを反映すべきだと判断します。スキンケアの初回購入を検知すると、その顧客がルーティンを構築していることを記憶します。フィットネスやウェルネスに関する購入パターンが現れると、形成中の習慣を捉えます。

各購入はシステムがその顧客について理解している内容を更新します—単なる属性情報だけでなく、顧客を動かす要因、確立しつつある行動、そして展開しているライフイベント—そのため次の意思決定は一般的なものではなく、顧客の実際のコンテキストに根ざしたものになります。この蓄積されたメモリこそが、意思決定をより賢くする要因です。

保護策はシンプルです：購入イベントとそこから生じるコンテキストパターン（ライフサイクルシグナル、習慣形成、購買ドライバー、カテゴリ親和性）を保持し、厳格な保持ポリシーと可能な限りの疑似匿名化を適用します。データの範囲は限定的です。何が起きたか、どのコンテキストが変化したかだけを追跡し、それ以上は追跡しません。これらのガードレールがなければ、永続的なメモリは資産ではなく負債となります。

Replenitは小売業者が既に使用しているテクノロジーの上に乗るよう設計されており、既存のスタックを置き換える必要はありません。30社以上のエンタープライズ小売業者への導入から、AIに意味のある意思決定権限を付与する際の最大の技術的・組織的障壁は何だったと学びましたか？

これまでに直面した最も明確な技術的課題は、データが不足していることではなく、データの状態です。エンタープライズ小売業者は大量のデータを保有していますが、システム間で断片化されていたり、一貫性がなかったり、欠損していることが多いです。そのため、エンリッチメントが基盤アーキテクチャの重要な部分となります。基礎データセットが不完全でも、十分な意味のあるコンテキストを生成して推論できるようにシステムは設計しなければなりません。

組織的に見て、より難しい課題は信頼です。AIに意味のある意思決定権限を付与すると、複数の機能が同時に関わります。データおよびITチームは説明可能性、セキュリティ、低い統合負荷を求めます。マーケティングチームは顧客コミュニケーションがブランド基準を保つことに自信を持ちたいと考えます。CRMチームは戦略的コントロールを保持したいと考え、AIシステムが顧客関係を奪うように感じないようにしたいと考えます。

そのため、私たちは戦略と実行を分離するアプローチを取っています。人が目的、ブランド指針、ガードレールを定義し、Maestroがそれらの枠組み内で繰り返し可能な個別意思決定と実行を担います。すべてのコミットされた意思決定は追跡可能に設計されており、システムは既存のスタックの上で動作するため、プラットフォームの移行を強制しません。

AIが収益とリテンションの最適化を担うようになると、短期的な指標（不要なプロモーションや購入の促進など）を過度に最適化し、顧客の信頼や長期的なブランド価値を損なうことを防ぐにはどうすればよいでしょうか？

Maestroは人間が定義したKPIに基づいて最適化し、AI自身が指標を選択することはありません。目標を顧客生涯価値とリテンション率に設定すれば、取引速度やプロモーション量ではなくそれらを最適化します。短期的な攻撃的戦術がリテンションを損なう場合、それは実際のKPIに対して失敗します。各結果がメモリにフィードバックされるため、長期的リテンションを損なう戦略はビジネス目標に対して明らかに劣ることが学習されます。

制約は構造的です。Maestroは設定されたガードレールの中で動作します。ガードレールの外で最適化することはできず、内部で動作します。すべての意思決定は追跡可能であるため、Maestroが送信または保留した理由、どのKPIがその選択を重み付けしたか、期待される結果は何かを監査できます。明確なKPI定義、ガードレール、意思決定の透明性がなければ、AIシステムは過度に攻撃的に動く可能性があります。しかし、Replenitのモデルは透明性が高く、そのような事態を防ぐよう設計されています。ビジネスが重要視するものを定義し、Maestroは完全な監査性を持ってその目標に向かって実行し、すべての結果が戦略の有効性を判断する材料となります。

基盤モデルは急速に進化しており、ますます高度なエージェントがほぼすべての小売業者に提供されるようになるでしょう。長期的に見て、AI意思決定における防御可能な優位性は、独自モデル、顧客レベルのメモリ、ドメイン固有の推論、フィードバックループ、インフラストラクチャ、あるいは全く別の要素のどれから生まれると考えますか？

基盤モデルは商品化され、誰もがますます高度な推論エンジンにアクセスできるようになるでしょう。防御力はモデルそのものではなく、各顧客について何を知っているか、そしてその知識をどれだけ速く蓄積できるかにあります。Maestro の優位性は、購入や結果ごとに深まる顧客レベルのメモリです。6か月間の結果を経た後、システムは汎用モデルが決して持てないほど顧客を深く理解します。単なる属性だけでなく、顧客を動かす要因、受け入れやすいタイミング、離脱を引き起こす要因まで把握します。

そのメモリは継続性も生み出します。別のシステムに切り替えると、2年分の学習済みコンテキストを失うことになります。さらに、Replenit には小売向けに組み込まれたドメイン固有のスキルがあり、ライフサイクル段階の理解、購入速度パターン、補充トリガー、美容品や食料品のカテゴリ親和性などを含みます。しかし、スキルはコピー可能です。真の優位性はフィードバックループにあります。Maestro が意思決定を行い、結果を捕捉し、メモリを更新し、その学習を次の意思決定をより賢くするために活用します。このループは継続的かつ累積的です。時間が経つにつれ、あなたのデータ上で動作するシステムは、汎用モデルのみを使用した新規システムよりも段階的に優れたものになります。

インフラも重要です。Swarm の同時実行性と自社モデルはユニットエコノミクスを改善しますが、これは基本的な条件であり、競争上の優位とは言えません。防御可能な優位性は、顧客データの重力（乗り換えコスト）、継続的学習（結果が将来の意思決定にフィードバックされること）、ドメイン固有の推論（小売特有のコンテキスト）という三要素が組み合わさり、相互に機能することにあります。個別に見ると、いずれもコピー可能です。しかし、これらが組み合わさると、追いつくほど速く再現することは困難です。

素晴らしいインタビューをありがとうございました。さらに詳しく知りたい読者は Replenit をご覧ください。