Ilyas Kurklu, mede-oprichter en CEO van Replenit – Interviewreeks

Ilyas Kurklu, mede-oprichter en CEO van Replenit, is een ondernemer en retailtechnologie‑executive die zich richt op het toepassen van kunstmatige intelligentie op klantbesluitvorming en -betrokkenheid. Bij Replenit leidt hij strategie, productontwikkeling en partnerschappen, voortbouwend op meer dan een decennium aan ervaring met het opschalen van enterprise‑retail‑engagementbedrijven van ongeveer $10 miljoen tot $2 miljard aan omzet, terwijl hij samenwerkte met meer dan 300 retailers. Zijn loopbaan omvat ook advies‑ en business‑developmentfuncties, evenals zes jaar als teamleider en weervoorspeller bij de Algemene Directie van Meteorologie van Turkije, waar hij werkte met realtime data, radar, satellietbeelden en voorspellingssystemen.

Replenit is een AI‑beslissingsplatform ontworpen voor retail en e‑commerce, dat een laag biedt tussen de data‑infrastructuur van een retailer en de bestaande klantbetrokkenheidssystemen. De AI Decision Engine combineert klant‑, product‑, gedrags‑ en andere signalen om in realtime de volgende beste actie voor individuele klanten te bepalen, terwijl de Maestro AI CRM Manager zelfstandig workflows kan beheren, waaronder replenishment, cross‑selling, engagement, churn‑prevention en win‑back. In plaats van retailers te dwingen hun bestaande technologie‑stack te vervangen, is Replenit ontworpen om te integreren met huidige commerce‑, marketing‑ en dataplatforms en haar beslissingen om te zetten in uitvoerklare communicatie en acties. Het bedrijf zegt dat haar technologie wordt gebruikt door retailers waaronder L’Occitane, Mumzworld, e-bebek, Beko en Faith In Nature.

Je hebt jaren geholpen bij het opschalen van enterprise‑retail‑technologie voordat je Replenit oprichtte met vijf mede-oprichters. Wat zag je keer op keer dat retailers moeite hadden, waardoor je overtuigd raakte dat er een ontbrekende beslissingslaag in de technologische stack ontbrak, en hoe leidde dat inzicht tot Replenit?

Door samen te werken met honderden retailers in verschillende markten, hoorden en zagen we steeds hetzelfde probleem: retailers waren zeer goed geworden in het verzamelen van data en in uitvoering, maar de intelligentie daartussen ontbrak nog. Ze hadden CDP’s, data‑warehouses, CRM‑platformen en marketing‑automatiseringssystemen, maar de beslissing — wat er eigenlijk als volgende moet gebeuren voor deze individuele klant? — bleef giswerk gebaseerd op statische regels, brede segmenten, campagne‑kalenders en menselijk oordeel. De stack en het team waren beide feitelijk omwegen voor het feit dat niemand op schaal over elke klant individueel kon redeneren. Replenit is die ontbrekende redeneer‑ en beslissingslaag. We hebben een engine gebouwd die de klant‑ en productcontext op individueel niveau kan interpreteren, de juiste volgende commerciële actie kan bepalen, en vervolgens de bestaande systemen van de retailer gebruikt om deze uit te voeren.

Replenit stelt dat retailers al veel klantdata en veel tools voor het uitvoeren van campagnes hebben, maar dat ze de intelligentie missen die kan bepalen wat er vervolgens moet gebeuren. Waarom hebben Customer Data Platforms (CDPs), Customer Relationship Management (CRM)-platformen en marketing‑automatiseringssystemen dat probleem niet zelf kunnen oplossen?

Die systemen zijn gebouwd voor andere taken. Een CDP kan klantdata verenigen, maar data verenigen is niet hetzelfde als beslissen wat ermee moet gebeuren. CRM‑ en marketing‑automatiseringsplatformen zijn zeer goede uitvoeringslagen. Ze kunnen communicatie verzenden, orkestreren en optimaliseren zodra iemand de specifieke doelgroep, workflow of campagne heeft gedefinieerd.

Ook al voegen die platformen voorspellende scores, generatieve AI en verzendtijdoptimalisatie toe, blijft de fundamentele werkeenheid vaak de campagne, reis, doelgroep of segment. De AI kan iets optimaliseren dat een marketeer al heeft gekozen. Ze beslist echter niet per se of er überhaupt iets moet gebeuren, welk levenscyclusdoel het belangrijkste is voor die specifieke klant, welk product relevant is, waarom nu, in welke toon, en naar welk commercieel resultaat. Dat is het onderscheid dat wij maken tussen een score en een beslissing. Een voorspelling kan de waarschijnlijkheid rangschikken. Een beslissing vereist redeneren over context en alternatieven en vervolgens een actie vastleggen. Replenit bevindt zich boven de bestaande stack om die laag te bieden in plaats van retailers te vragen de systemen die ze al hebben te vervangen.

Een kernonderdeel van de aanpak van Replenit is het toepassen van Theory of Mind om de intentie, context en waarschijnlijke toekomstige gedrag van een klant af te leiden. Hoe vertaal je een concept uit de cognitieve wetenschap naar een AI‑systeem dat betrouwbare commerciële beslissingen kan nemen, en hoe valideer je of het systeem de intentie van een klant correct heeft geïnterpreteerd?

We vertalen Theory of Mind naar een redeneerlijn die verder kijkt dan wat een klant deed en vraagt waarom dat gedrag heeft plaatsgevonden, wat het signaleert over intentie, en wat het in de context betekent. In plaats van alleen te vertrouwen op historische patronen of productgelijkenis, redeneert het systeem op het niveau van elke individuele klant‑productrelatie en gebruikt die context om te bepalen wat er vervolgens moet gebeuren.

Dat redeneren kan onder meer het begrijpen van de waarschijnlijke motivatie achter een aankoop, hoe producten met elkaar verband houden, welke behoefte de klant probeert te vervullen, en of de timing geschikt is voor een bepaalde actie. Replenit gaat vervolgens verder dan alleen een optie suggereren: het neemt een beslissing en bereidt die beslissing voor op uitvoering via de bestaande systemen van de retailer.

De validatie gebeurt via uitkomsten. Zodra een beslissing is genomen, volgt Replenit wat er daadwerkelijk is gebeurd en voert dat resultaat terug in toekomstige beslissingen voor die klant. Het evalueert bovendien continu welke van zijn vaardigheden en besluitvormingsmethoden resultaten opleveren, schaalt de goed presterende op en geeft de minder presterende minder prioriteit. In die zin wordt het systeem beter in het kennen van de juiste zet voor de juiste klant op het juiste moment, omdat het leert van echte uitkomsten, in plaats van simpelweg dezelfde logica herhaaldelijk uit te voeren.

De meeste personalisatiesystemen zijn uiteindelijk voorspellingsmachines, die inschatten wat iemand waarschijnlijk zal klikken of kopen. Replenit legt de nadruk op de overgang van voorspelling naar besluitvorming. Vanuit een AI-architectuurperspectief, wat verandert er wanneer het model daadwerkelijk de volgende actie moet kiezen in plaats van simpelweg een kans of aanbeveling te produceren?

Bij Replenit bestaat die architectuur uit vier belangrijke onderdelen. De eerste is Golden Memory: levende gegevens van de klant, het product en het merk die het systeem context geven buiten een geïsoleerde transactie. Waar informatie onvolledig is, kan Replenit de beschikbare data ook verrijken en synthetische context genereren om die hiaten te dichten.

De tweede bestaat uit meer dan 100 branchespecifieke vaardigheden. Dit zijn gespecialiseerde redeneercapaciteiten voor bepaalde categorieën en situaties — bijvoorbeeld een cosmetica‑routinebouwer voor beauty‑retailers of een interieurarchitect voor meubel‑ en doe‑het‑zelf‑bedrijven. Naast die vaardigheden kunnen 15 ondersteunende controles parallel draaien rond een beslissing, waaronder substitutie‑, compatibiliteits‑, duplicaat‑ en onderdrukkingscontroles.

Derde is eigenaarschap van de workflow. In plaats van alleen een aanbeveling te genereren en daar te stoppen, kan Maestro redeneren over lifecycle‑workflows zoals aanvulling, cross‑sell, betrokkenheid, win‑back, churn, promotie en substitutie. Deze workflows kunnen continu en parallel voor een individuele klant opereren, waarbij Maestro bepaalt welke actie op dat specifieke moment passend is.

Tenslotte verpakken we dat in wat we een Golden Decision Event noemen: een gelogde, uitvoerklare beslissing die de actie en de onderliggende redenering bevat, en die rechtstreeks kan worden doorgegeven aan het CRM, de marketingautomatisering, e‑commerce, de app of datasystemen van de retailer via meer dan 120 platforms.

Het verschil is dus dat we verschuiven van een model dat voorspelt wat waarschijnlijk zal gebeuren naar een systeem dat de context kan onthouden, de juiste expertise kan inbrengen, de beschikbare acties kan evalueren, zich aan één beslissing bindt en deze uitvoerbaar maakt.

Maestro kan autonoom beslissen of een individuele klant een aanvullingsherinnering, cross‑sell, promotie, betrokkenheidsbericht, win‑back‑poging, of mogelijk helemaal geen interventie moet ontvangen. Hoe weegt het systeem deze concurrerende acties af en bepaalt wat werkelijk de beste beslissing voor die klant op dat moment is?

Het uitgangspunt is de klant en het commerciële doel. De retailer stelt de strategie, prioriteiten en richtlijnen vast. Maestro redeneert vervolgens over de beschikbare klant‑, product‑ en workflow‑context om te bepalen wat er vervolgens moet gebeuren. Dat kan inhouden dat wordt besloten welk commercieel doel prioriteit krijgt, welke workflow relevant is, welke vaardigheid of combinatie van vaardigheden moet worden toegepast, welke producten zinvol zijn en wanneer de actie moet plaatsvinden. Retailers kunnen ook prioriteiten definiëren op basis van metrics zoals omzet, aankoopfrequentie, gemiddelde orderwaarde, margebescherming of churn‑preventie.

Onze Theory‑of‑Mind‑redenering voegt de individuele context toe: wat het gedrag lijkt te betekenen, wat de klant mogelijk echt nodig heeft en waarom dit al dan niet het juiste moment is. Onze gespecialiseerde vaardigheden en de ondersteunende controles kunnen parallel aan die redenering draaien. Wanneer de beste beslissing is om niet in te grijpen, doet Maestro dat niet. Zodra Maestro tot een conclusie komt, legt hij de beslissing en de onderliggende redenering vast als een uitvoerklare gebeurtenis in plaats van simpelweg een menu met aanbevelingen aan een marketeer te retourneren.

Replenit maakt gebruik van een zwermarchitectuur waarin meerdere gespecialiseerde AI‑agenten parallel kunnen opereren. Wat gebeurt er wanneer verschillende agenten tegelijkertijd over dezelfde klant redeneren, en hoe voorkom je dat conflicterende aanbevelingen of acties worden uitgevoerd?

De zwermengine van Replenit veroorzaakt geen agentconflicten omdat het niet gaat om het paralleliseren van klantbeslissingen; het draait om het parallel uitvoeren van de componenten van één enkele beslissing. Wanneer Maestro over een klant redeneert, activeert het meerdere gespecialiseerde agenten tegelijk: een gating‑netwerk leidt de beslissing naar de juiste modellen, een redenerende LLM evalueert de klantcontext en het gedrag, verrijkingsagenten synthetiseren ontbrekende klant‑ of productgegevens in realtime, en gespecialiseerde modellen beoordelen de product‑klantrelaties en geschiktheid.

In plaats van deze opeenvolgend uit te voeren, wat langzamer en duurder zou zijn, opereren ze parallel op dezelfde klantstatus en komen ze vervolgens uit op één eenduidige beslissing over wat er vervolgens moet gebeuren. Er is geen conflict omdat ze niet concurreren om verschillende acties te selecteren; elk draagt een andere dimensie bij aan hetzelfde resultaat.

Bijvoorbeeld kan verrijking ontbrekende klant- of productsignalen aan het licht brengen, de redeneerlagen interpreteren aankoopgeschiedenis en het commerciële doel, productrelatiemodellen identificeren het ankerproduct en levensvatbare alternatieven, en weegt scoring de potentiële zakelijke impact. Dit alles gebeurt parallel, maar levert één resultaat op. Dit niveau van parallelisatie is een belangrijk architecturaal voordeel. Het is moeilijk om dit achteraf toe te passen op engines die zijn gebouwd als single‑tool wrappers, terwijl Replenit het vanaf het begin in de kern heeft geïntegreerd.

Persistente geheugen is een ander belangrijk onderdeel van het platform, waardoor beslissingen kunnen voortbouwen op wat er eerder met elke klant is gebeurd. Hoe belangrijk is langetermijngeheugen voor werkelijk autonome AI‑agenten, en welke waarborgen zijn nodig wanneer dat geheugen potentieel gevoelige klantgedragingen omvat?

Geheugen is fundamenteel voor autonome besluitvorming omdat context dynamisch is. Wanneer Maestro een eerste aankoop van een babyproduct ziet, onthoudt het dat de huishoudelijke context is verschoven, en toekomstige beslissingen moeten de ouderlevenscyclus weerspiegelen. Wanneer het de eerste huidverzorgingsaankopen ziet, onthoudt het dat deze klant een routine opbouwt. Wanneer aankooppatronen rond fitness of welzijn ontstaan, legt het de gevormde gewoonte vast.

Elke aankoop werkt bij wat het systeem over die klant begrijpt – niet alleen demografische gegevens, maar wat hen drijft, welke gedragingen ze ontwikkelen en welke levensmomenten zich ontvouwen – zodat de volgende beslissing niet generiek is, maar geworteld in de daadwerkelijke context van de klant. Dat opeenvolgende geheugen is wat beslissingen slimmer maakt.

De waarborg is eenvoudig: we bewaren aankoopgebeurtenissen en de contextuele patronen die daaruit voortvloeien – levenscyclus‑signalen, gewoontevorming, aankoopdrijfveren en categorie‑affiniteit – met strikte retentie‑beleid en pseudonimisering waar mogelijk. De reikwijdte van de gegevens blijft beperkt. We volgen wat er is gebeurd en welke context is verschoven, niets meer. Zonder deze beveiligingsmaatregelen wordt persistent geheugen een last, geen asset.

Replenit is ontworpen om bovenop de technologie te zitten die retailers al gebruiken, in plaats van hen te dwingen hun bestaande stack te vervangen. Wat heb je geleerd van de inzet bij meer dan 30 enterprise‑retailers over de grootste technische of organisatorische barrières voor het geven van betekenisvolle besluitvormingsautoriteit aan AI?

Het duidelijkste technische probleem dat we zijn tegengekomen is geen tekort aan gegevens, maar de staat van die gegevens. Enterprise‑retailers beschikken vaak over een enorme hoeveelheid data die gefragmenteerd is over systemen, inconsistent of anderszins onvolledig. Daarom is verrijking een belangrijk onderdeel van de onderliggende architectuur geworden. Het systeem moet voldoende betekenisvolle context creëren om te redeneren, zelfs wanneer de onderliggende dataset onvolmaakt is.

Organisatorisch is de moeilijkere vraag vertrouwen. Het geven van betekenisvolle besluitvormingsautoriteit aan AI raakt tegelijk verschillende functies. Data‑ en IT‑teams willen verklaarbaarheid, beveiliging en een lage integratielast. Marketingteams hebben vertrouwen nodig dat klantcommunicatie on‑brand blijft. CRM‑teams willen strategische controle behouden in plaats van het gevoel te krijgen dat een AI‑systeem de klantrelatie van hen overneemt.

Onze aanpak is daarom geweest om strategie te scheiden van uitvoering. Mensen definiëren de doelstellingen, merkrichtlijnen en guardrails, terwijl Maestro de herhaalbare individuele besluitvorming en uitvoering binnen die grenzen bezit. Elke genomen beslissing is ontworpen om traceerbaar te zijn, en het systeem werkt bovenop de bestaande stack in plaats van een platformmigratie af te dwingen.

Nu AI verantwoordelijk wordt voor het optimaliseren van omzet en retentie, hoe voorkom je dat een autonoom systeem te agressief optimaliseert voor kortetermijnmetrics, zoals het pushen van onnodige promoties of aankopen, ten koste van klantvertrouwen en de langetermijnwaarde van het merk?

Maestro optimaliseert op basis van de KPI’s die mensen definiëren, niet op metrics die het zelf kiest. Als je de doelen definieert als klantlevenswaarde en retentiegraad, optimaliseert het daarop, in plaats van op transactie‑snelheid of promotie‑volume. Als agressieve kortetermijntactieken de retentie schaden, falen ze ten opzichte van de daadwerkelijke KPI. Het systeem leert die afweging direct omdat elke uitkomst terugvloeit in het geheugen, zodat strategieën die de langetermijnretentie beschadigen aantoonbaar slechter blijken voor het gestelde zakelijke doel.

De beperking is structureel. Maestro werkt binnen de guardrails die je opstelt. Het kan er niet omheen optimaliseren; het opereert erin. Elke beslissing is traceerbaar, zodat je kunt auditen waarom Maestro ervoor koos te verzenden of terug te houden, welke KPI’s die keuze hebben gewogen en wat de verwachte uitkomst was. Zonder duidelijke KPI‑definitie, guardrails en besluit‑transparantie zou een AI‑systeem te agressief kunnen pushen. Maar het model van Replenit is transparant en zo ontworpen om dat te voorkomen. Het bedrijf definieert wat belangrijk is, Maestro voert die doelen uit met volledige auditbaarheid, en elke uitkomst helpt bepalen of de strategie daadwerkelijk werkt.

Foundation‑modellen verbeteren snel en steeds capabelere agenten zullen beschikbaar worden voor bijna elke retailer. Op de lange termijn, waar denk je dat het verdedigbare voordeel in AI‑besluitvorming vandaan zal komen: eigen modellen, klant‑niveau geheugen, domeinspecifiek redeneren, feedback‑loops, infrastructuur, of iets heel anders?

Foundation-modellen zullen gecommodificeerd worden, zodat iedereen toegang krijgt tot steeds capabelere redeneer‑machines. De verdedigbaarheid zit niet in het model zelf, maar in wat je over elke klant weet en hoe snel je die kennis kunt laten groeien. Het voordeel van Maestro is klant‑niveau geheugen dat verdiept met elke aankoop en elke uitkomst. Na zes maanden aan uitkomsten kent het systeem jouw klant beter dan een generiek model ooit zal doen. Niet alleen demografische gegevens, maar wat hen drijft, wanneer ze ontvankelijk zijn, wat churn veroorzaakt.

Dat geheugen creëert ook continuïteit. Overschakelen naar een ander systeem betekent twee jaar aan geleerde context verliezen. Daarnaast heeft Replenit domeinspecifieke vaardigheden ingebed voor de detailhandel, waaronder inzicht in levenscyclusfasen, aankoop‑snelheids­patronen, aanvul‑triggers en categorie‑affiniteit in beauty of boodschappen. Maar vaardigheden kunnen worden gekopieerd. Het echte voordeel is de feedback‑lus: Maestro neemt een beslissing, legt de uitkomst vast, werkt het geheugen bij en gebruikt die kennis om de volgende beslissing slimmer te maken. Die lus is continu en groeit cumulatief. Na verloop van tijd wordt een systeem dat op jouw data draait steeds beter dan een nieuw systeem op generieke modellen.

Infrastructuur is ook belangrijk. Zwerm‑gelijktijdigheid en eigen modellen verbeteren de eenheidseconomie, maar dat is basis, geen vesting. Het verdedigbare voordeel is de combinatie van klantdatagraviteit (wisselkosten), continu leren (uitkomsten die terugvloeien in toekomstige beslissingen) en domeinspecifiek redeneren (retail‑specifieke context), die samen werken. In isolatie is elk element kopieerbaar. Samen zijn ze moeilijk genoeg te repliceren om snel in te halen.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht bij Replenit.