Ilyas Kurklu, Replenit 공동 창업자 겸 CEO – 인터뷰 시리즈

Ilyas Kurklu, Replenit의 공동 창업자 겸 CEO는 인공지능을 고객 의사결정 및 참여에 적용하는 데 집중하는 기업가이자 소매 기술 임원이다. Replenit에서 그는 전략, 제품 개발 및 파트너십을 이끌며, 약 $10 million에서 $2 billion에 이르는 매출을 가진 기업 소매 참여 비즈니스를 확장한 10년 이상의 경험을 바탕으로 300개가 넘는 소매업체와 협업해 왔다. 그의 경력에는 자문 및 사업 개발 역할과 함께 Türkiye’s General Directorate of Meteorology에서 팀 리드 및 기상 예보관으로 6년간 근무하며 실시간 데이터, 레이더, 위성 이미지 및 예보 시스템을 다룬 경험도 포함된다.

Replenit은 소매 및 전자상거래를 위해 설계된 AI 의사결정 플랫폼으로, 소매업체의 데이터 인프라와 기존 고객 참여 시스템 사이에 레이어를 제공한다. AI Decision Engine은 고객, 제품, 행동 및 기타 신호를 결합해 개별 고객에게 실시간으로 최적의 다음 행동을 결정하고, Maestro AI CRM Manager는 보충, 교차 판매, 참여, 이탈 방지 및 재유치 등을 포함한 워크플로를 자동으로 관리할 수 있다. 기존 기술 스택을 교체하도록 요구하지 않고, Replenit은 현재의 커머스, 마케팅 및 데이터 플랫폼과 통합되어 의사결정을 실행 준비가 된 커뮤니케이션 및 행동으로 전환하도록 설계되었다. 회사에 따르면 이 기술은 L’Occitane, Mumzworld, e-bebek, Beko, Faith In Nature 등 소매업체에서 사용되고 있다.

당신은 Replenit을 다섯 공동 창업자와 함께 설립하기 전에 기업 소매 기술을 확장하는 데 수년을 보냈습니다. 소매업체들이 반복적으로 겪는 어려움은 무엇이며, 그것이 기술 스택에 결여된 의사결정 레이어가 존재한다는 확신을 주었고, 그 통찰이 어떻게 Replenit으로 이어졌습니까?

다양한 시장의 수백 개 소매업체와 협업하면서 우리는 같은 문제를 계속 듣고 보았다: 소매업체들은 데이터 수집과 실행에 매우 능숙해졌지만, 그 사이의 인텔리전스는 여전히 부족했다. 그들은 CDPs, warehouses, CRM platforms 및 마케팅 자동화 시스템을 보유하고 있었지만, 개별 고객에게 다음에 실제로 무엇을 해야 할지에 대한 결정은 — 정적 규칙, 광범위한 세그먼트, 캠페인 일정 및 인간 판단에 기반한 추측에 불과했다. 스택과 팀 모두가 규모에 맞게 모든 고객을 개별적으로 논리화할 수 없다는 사실에 대한 우회책이었다. Replenit은 그 결여된 논리와 의사결정 레이어이다. 우리는 고객과 제품 컨텍스트를 개별 수준에서 해석하고 적절한 다음 상업 행동을 결정한 뒤, 소매업체의 기존 시스템을 활용해 실행할 수 있는 엔진을 구축했다.

Replenit은 소매업체가 이미 풍부한 고객 데이터와 캠페인 실행 도구를 보유하고 있지만, 다음에 무엇을 해야 할지 결정할 수 있는 인텔리전스가 부족하다고 주장한다. 왜 고객 데이터 플랫폼(CDPs), 고객 관계 관리(CRM) 플랫폼 및 마케팅 자동화 시스템이 스스로 그 문제를 해결하지 못했을까?

그러한 시스템은 서로 다른 목적을 위해 구축되었다. CDP는 고객 데이터를 통합할 수 있지만, 데이터를 통합하는 것과 이를 어떻게 활용할지를 결정하는 것은 다르다. CRM 및 마케팅 자동화 플랫폼은 매우 뛰어난 실행 레이어이며, 누군가가 특정 대상, 워크플로 또는 캠페인을 정의하면 커뮤니케이션을 전송, 조정 및 최적화할 수 있다.

이러한 플랫폼이 예측 점수, 생성 AI 및 전송 시점 최적화를 추가하더라도, 작업의 기본 단위는 여전히 캠페인, 여정, 대상 또는 세그먼트인 경우가 많다. AI는 마케터가 이미 선택한 무언가를 최적화할 수 있지만, 실제로 무언가가 일어나야 하는지, 해당 고객에게 가장 중요한 라이프사이클 목표가 무엇인지, 어떤 제품이 관련 있는지, 왜 지금인지, 어떤 톤으로, 어떤 상업적 결과를 목표로 하는지는 반드시 결정하지 않는다. 이것이 점수와 결정 사이의 차이점이다. 예측은 가능성을 순위 매길 수 있지만, 결정은 컨텍스트와 대안을 고려한 추론과 행동에 대한 확정이 필요하다. Replenit은 기존 스택 위에 위치하여 그 레이어를 제공하며, 소매업체가 이미 보유한 시스템을 교체하도록 요구하지 않는다.

Replenit 접근 방식의 핵심 부분은 Theory of Mind를 적용해 고객의 의도, 컨텍스트 및 향후 행동 가능성을 추론하는 것이다. 인지 과학의 개념을 신뢰할 수 있는 상업적 결정을 내릴 수 있는 AI 시스템으로 어떻게 번역하고, 시스템이 고객의 의도를 정확히 해석했는지 어떻게 검증합니까?

우리는 Theory of Mind를 추론 레이어로 전환하여 고객이 한 행동을 넘어서 왜 그 행동이 발생했을 수 있는지, 그것이 의도에 대해 무엇을 나타내는지, 그리고 컨텍스트에서 무엇을 의미하는지를 묻는다. 과거 패턴이나 제품 유사성에만 의존하는 대신, 시스템은 개별 고객-제품 관계 수준에서 추론하고 그 컨텍스트를 활용해 다음에 무엇을 해야 할지 결정한다.

그 추론에는 구매 뒤에 있는 가능성 높은 동기 파악, 제품 간 관계, 고객이 충족하려는 필요, 특정 행동에 대한 시기가 적절한지 여부 등이 포함될 수 있다. Replenit은 단순히 옵션을 제안하는 수준을 넘어, 결정을 내리고 그 결정을 소매업체의 기존 시스템을 통해 실행할 수 있도록 준비한다.

검증은 결과를 통해 이루어집니다. 일단 결정이 내려지면 Replenit은 실제로 일어난 일을 추적하고 그 결과를 해당 고객의 향후 결정에 다시 반영합니다. 또한 지속적으로 어떤 기술과 의사결정 접근 방식이 성과를 내고 있는지 평가하여 성과가 좋은 것은 확대하고 그렇지 않은 것은 우선순위를 낮춥니다. 이런 의미에서 시스템은 동일한 논리를 반복적으로 적용하는 것이 아니라 실제 결과로부터 학습함으로써 올바른 시점에 올바른 고객에게 적절한 조치를 취하는 방법을 점점 더 잘 알게 됩니다.

대부분의 개인화 시스템은 궁극적으로 예측 엔진으로, 사용자가 클릭하거나 구매할 가능성이 높은 항목을 추정합니다. Replenit은 예측에서 의사결정으로 전환하는 것을 강조합니다. AI 아키텍처 관점에서 모델이 단순히 확률이나 추천을 제시하는 것이 아니라 실제로 다음 행동을 선택해야 할 때 무엇이 달라지는가?

Replenit에서는 해당 아키텍처를 구성하는 네 가지 중요한 요소가 있습니다. 첫 번째는 Golden Memory로, 고객, 제품 및 브랜드에 대한 살아있는 기록을 제공하여 개별 거래를 넘어선 컨텍스트를 시스템에 제공합니다. 정보가 불완전한 경우 Replenit은 사용 가능한 데이터를 보강하고 합성 컨텍스트를 생성하여 이러한 격차를 메울 수 있습니다.

두 번째는 100개가 넘는 산업 스킬입니다. 이는 특정 카테고리와 상황에 맞춘 전문적인 추론 능력으로, 예를 들어 뷰티 소매업체를 위한 화장품 루틴 빌더나 가구·DIY 기업을 위한 인테리어 설계자 등이 있습니다. 이러한 스킬과 함께 15개의 지원 검사도 의사결정 주변에서 병렬로 실행될 수 있으며, 여기에는 대체, 호환성, 중복 및 억제 검사가 포함됩니다.

세 번째는 워크플로우 소유권입니다. 단순히 추천을 제공하고 멈추는 것이 아니라 Maestro는 재고 보충, 교차 판매, 참여, 재구매 유도, 이탈 방지, 프로모션 및 대체와 같은 라이프사이클 워크플로우 전반에 걸쳐 추론할 수 있습니다. 이러한 워크플로우는 개별 고객에 대해 지속적이고 병렬적으로 운영될 수 있으며, Maestro는 특정 순간에 어떤 행동이 적절한지 판단합니다.

마지막으로 이를 Golden Decision Event라고 부르는 형태로 패키징합니다. 이는 행동과 그 이유를 포함한 기록된 실행 준비된 결정으로, 120개가 넘는 플랫폼의 소매업체 CRM, 마케팅 자동화, 전자상거래, 앱 또는 데이터 시스템에 직접 전달될 수 있습니다.

따라서 차이점은 우리가 단순히 발생 가능성을 예측하는 모델에서 컨텍스트를 기억하고 적절한 전문성을 도입하며 가능한 행동을 평가하고 하나의 결정을 확정하여 실행 가능한 시스템으로 전환하고 있다는 점입니다.

Maestro는 개별 고객에게 재고 보충 알림, 교차 판매, 프로모션, 참여 메시지, 재구매 시도 또는 전혀 개입하지 않을지를 자율적으로 결정할 수 있습니다. 시스템은 이러한 경쟁 행동들을 어떻게 평가하고 해당 순간에 고객에게 진정으로 최선의 결정을 내리는지를 어떻게 판단할까요?

시작점은 고객과 상업적 목표입니다. 소매업체는 전략, 우선순위 및 가드레일을 설정합니다. 그런 다음 Maestro는 사용 가능한 고객, 제품 및 워크플로우 컨텍스트를 종합적으로 추론하여 다음에 무엇을 해야 할지 결정합니다.
여기에는 어떤 상업적 목표를 우선시할지, 어떤 워크플로우가 관련될지, 어떤 스킬 또는 스킬 조합을 적용할지, 어떤 제품이 적합할지, 그리고 언제 행동을 취할지를 결정하는 것이 포함됩니다. 소매업체는 매출, 구매 빈도, 평균 주문 금액, 마진 보호 또는 이탈 방지와 같은 지표를 중심으로 우선순위를 정의할 수도 있습니다.

우리의 Theory-of-Mind 추론은 개별 컨텍스트를 추가합니다: 행동이 의미하는 바, 고객이 실제로 필요로 할 것, 그리고 이것이 현재 적절한 시점인지 여부를 파악합니다. 우리의 전문 스킬과 지원 검사는 이 추론과 병행하여 실행될 수 있습니다. 최선의 결정이 개입하지 않는 것이라면 Maestro는 개입하지 않습니다. Maestro가 결론에 도달하면 단순히 마케터에게 추천 메뉴를 제공하는 것이 아니라 실행 준비된 이벤트 형태로 결정과 그 이유를 확정합니다.

Replenit은 여러 전문 AI 에이전트가 병렬로 작동할 수 있는 스웜 아키텍처를 사용합니다. 여러 에이전트가 동시에 같은 고객에 대해 추론할 때 어떤 일이 발생하며, 충돌하는 추천이나 행동이 실행되지 않도록 어떻게 방지할 수 있을까요?

Replenit의 스웜 엔진은 에이전트 간 충돌을 일으키지 않습니다. 이는 고객 결정을 병렬화하는 것이 아니라 단일 결정의 구성 요소를 병렬로 실행하는 것이기 때문입니다. Maestro가 고객에 대해 추론할 때는 여러 전문 에이전트를 동시에 활성화합니다: 게이팅 네트워크가 결정을 적절한 모델에 라우팅하고, 추론 LLM이 고객 컨텍스트와 행동을 평가하며, 보강 에이전트가 실시간으로 누락된 고객 또는 제품 데이터를 합성하고, 전문 모델이 제품-고객 관계와 적합성을 평가합니다.

이들을 순차적으로 실행하면 속도가 느려지고 비용이 증가하지만, 동일한 고객 상태에서 병렬로 작동한 뒤 다음에 무엇을 해야 할지에 대한 하나의 통합된 결정으로 수렴합니다. 충돌이 발생하지 않는 이유는 서로 다른 행동을 선택하기 위해 경쟁하는 것이 아니라 각기 다른 차원을 동일한 결과에 기여하기 때문입니다.

예를 들어, 데이터 보강은 누락된 고객 또는 제품 신호를 드러낼 수 있고, 추론 레이어는 구매 이력과 상업적 목표를 해석하며, 제품 관계 모델은 핵심 제품과 가능한 대체품을 식별하고, 점수화는 잠재적인 비즈니스 영향을 평가합니다. 이러한 모든 작업이 병렬로 수행되지만 하나의 결과를 생성합니다. 이러한 수준의 병렬화는 중요한 아키텍처적 장점입니다. 단일 도구 래퍼로 구축된 엔진에 이를 적용하기는 어렵지만, Replenit은 처음부터 핵심에 이를 설계했습니다.

지속적인 메모리는 플랫폼의 또 다른 중요한 부분으로, 각 고객에게 이전에 일어난 일을 기반으로 의사결정을 구축할 수 있게 합니다. 진정으로 자율적인 AI 에이전트에게 장기 메모리가 얼마나 중요한지, 그리고 해당 메모리가 잠재적으로 민감한 고객 행동을 포함할 때 어떤 보호 장치가 필요한지에 대한 질문입니다.

메모리는 상황이 동적인 만큼 자율적인 의사결정의 기반이 됩니다. Maestro가 첫 번째 아기 제품 구매를 감지하면 가정 상황이 변했음을 기억하고, 이후 의사결정은 부모의 라이프사이클을 반영해야 합니다. 초기 스킨케어 구매를 감지하면 해당 고객이 루틴을 구축하고 있음을 기억합니다. 피트니스나 웰니스와 관련된 구매 패턴이 나타나면 형성 중인 습관을 포착합니다.

각 구매는 시스템이 해당 고객에 대해 이해하는 내용을 업데이트합니다—단순히 인구통계가 아니라 그들을 움직이는 요인, 그들이 형성하고 있는 행동, 그리고 진행 중인 삶의 순간까지—따라서 다음 의사결정은 일반적이지 않고 고객의 실제 상황에 기반합니다. 이러한 누적된 메모리가 의사결정을 더욱 스마트하게 만듭니다.

보호 장치는 간단합니다: 구매 이벤트와 그로부터 나타나는 상황 패턴(라이프사이클 신호, 습관 형성, 구매 동인, 카테고리 친화도)을 엄격한 보존 정책과 가능한 경우 가명화 처리와 함께 유지합니다. 데이터 범위는 제한적으로 유지됩니다. 우리는 발생한 일과 변화된 상황만을 추적하며 그 외는 기록하지 않습니다. 이러한 가드레일이 없으면 지속적인 메모리는 자산이 아니라 부채가 됩니다.

Replenit은 소매업체가 이미 사용하고 있는 기술 위에 놓이도록 설계되었으며, 기존 스택을 교체하도록 요구하지 않습니다. 30개 이상의 기업 소매업체에 배포하면서 AI에게 의미 있는 의사결정 권한을 부여하는 데 가장 큰 기술적 또는 조직적 장벽이 무엇인지에 대해 어떤 교훈을 얻었습니까?

우리가 직면한 가장 명확한 기술적 문제는 데이터 부족이 아니라 데이터의 상태입니다. 기업 소매업체는 시스템 전반에 걸쳐 파편화되고 일관성이 없거나 불완전한 방대한 데이터를 보유하고 있는 경우가 많습니다. 그래서 데이터 보강이 기본 아키텍처의 중요한 부분이 되었습니다. 시스템은 기본 데이터셋이 불완전하더라도 충분히 의미 있는 상황을 생성하여 추론할 수 있어야 합니다.

조직 차원에서 더 어려운 질문은 신뢰입니다. AI에게 의미 있는 의사결정 권한을 부여하면 여러 부서가 동시에 영향을 받습니다. 데이터 및 IT 팀은 설명 가능성, 보안 및 낮은 통합 부담을 원합니다. 마케팅 팀은 고객 커뮤니케이션이 브랜드 일관성을 유지할 것이라는 확신이 필요합니다. CRM 팀은 AI 시스템이 고객 관계를 빼앗아 가는 느낌을 받지 않도록 전략적 통제권을 유지하고 싶어합니다.

따라서 우리의 접근 방식은 전략과 실행을 분리하는 것입니다. 사람들은 목표, 브랜드 지침 및 가드레일을 정의하고, Maestro는 해당 경계 내에서 반복 가능한 개별 의사결정 및 실행을 담당합니다. 모든 확정된 의사결정은 추적 가능하도록 설계되며, 시스템은 기존 스택 위에서 작동하여 플랫폼 마이그레이션을 강요하지 않습니다.

AI가 매출 및 유지율 최적화를 담당하게 되면서, 불필요한 프로모션이나 구매를 과도하게 추진하여 단기 지표에만 집중하고 고객 신뢰와 장기 브랜드 가치를 해치지 않도록 어떻게 방지하고 있습니까?

Maestro는 인간이 정의한 KPI를 기준으로 최적화하며, 스스로 선택한 지표를 사용하지 않습니다. 목표를 고객 생애 가치와 유지율로 정의하면, 거래 속도나 프로모션 규모가 아니라 해당 KPI를 최적화합니다. 공격적인 단기 전략이 유지율을 해치면 실제 KPI에 부합하지 못하게 됩니다. 시스템은 각 결과가 메모리로 되돌아가면서 그 트레이드오프를 직접 학습하므로, 장기 유지율을 손상시키는 전략은 설정된 비즈니스 목표에 대해 명백히 더 나쁜 것으로 판정됩니다.

제약은 구조적입니다. Maestro는 사용자가 설정한 가드레일 내에서 작동합니다. 가드레일을 우회해 최적화할 수 없으며, 그 안에서만 운영됩니다. 모든 의사결정은 추적 가능하므로 Maestro가 전송하거나 보류한 이유, 어떤 KPI가 그 선택에 가중치를 두었는지, 예상 결과는 무엇이었는지를 감사할 수 있습니다. 명확한 KPI 정의와 가드레일, 의사결정 투명성이 없으면 AI 시스템이 과도하게 추진할 수 있습니다. 그러나 Replenit의 모델은 투명하게 설계되어 이를 방지합니다. 비즈니스가 중요한 것을 정의하면 Maestro는 완전한 감사 가능성을 갖고 그 목표를 실행하며, 모든 결과는 전략이 실제로 작동하는지를 판단하는 데 도움이 됩니다.

기초 모델이 빠르게 발전하고 점점 더 능력 있는 에이전트가 거의 모든 소매업체에 제공될 것입니다. 장기적으로 AI 의사결정에서 방어 가능한 경쟁우위는 무엇에서 비롯된다고 보십니까? 독점 모델, 고객 수준 메모리, 도메인 특화 추론, 피드백 루프, 인프라스트럭처, 혹은 전혀 다른 요소 등.

기초 모델은 점점 상용화되어 모든 사람이 점점 더 강력한 추론 엔진에 접근할 수 있게 될 것입니다. 방어력은 모델 자체가 아니라 각 고객에 대해 무엇을 알고 있는지와 그 지식을 얼마나 빠르게 축적하는가에 달려 있습니다. Maestro의 강점은 구매와 결과마다 깊어지는 고객 수준 메모리입니다. 6개월간의 결과 후에, 시스템은 일반 모델보다 고객을 더 잘 이해하게 됩니다. 단순히 인구통계학적 정보뿐만 아니라, 그들을 움직이는 요인, 언제 수용적인지, 이탈을 유발하는 요인까지 파악합니다.

그 메모리는 연속성도 제공합니다. 다른 시스템으로 전환하면 2년간 축적된 학습된 컨텍스트를 잃게 됩니다. 이와 함께 Replenit은 소매업에 특화된 도메인 기술을 내장하고 있으며, 라이프사이클 단계 이해, 구매 속도 패턴, 재보충 트리거, 뷰티 또는 식료품 카테고리 친화도 등을 포함합니다. 하지만 이러한 기술은 복제될 수 있습니다. 진정한 강점은 피드백 루프에 있습니다: Maestro가 결정을 내리고, 결과를 포착하며, 메모리를 업데이트하고, 그 학습을 활용해 다음 결정을 더 스마트하게 만듭니다. 이 루프는 지속적이며 복합적으로 작용합니다. 시간이 지나면서 귀하의 데이터로 운영되는 시스템은 일반 모델을 사용하는 새로운 시스템보다 점점 더 우수해집니다.

인프라도 중요합니다. 스웜 동시성 및 자체 모델은 단위 경제성을 개선하지만, 이는 기본 조건일 뿐 방어벽은 아닙니다. 방어 가능한 강점은 고객 데이터 중력(전환 비용), 지속적 학습(결과가 미래 결정에 피드백되는 과정), 그리고 도메인 특화 추론(소매업 특유의 컨텍스트)이라는 세 요소가 결합된 것입니다. 각각은 독립적으로 복제될 수 있지만, 이들이 함께 작동하면 빠르게 따라잡기 어려운 장벽이 됩니다.

멋진 인터뷰에 감사드립니다. 더 알고 싶은 독자분들은 Replenit을 방문하시기 바랍니다.