Ilyas Kurklu, medgründer og administrerende direktør i Replenit – Intervjuserie

Ilyas Kurklu, medgründer og administrerende direktør i Replenit, er en entreprenør og leder innen detaljhandelteknologi med fokus på å anvende kunstig intelligens på kundebeslutninger og engasjement. Hos Replenit leder han strategi, produktutvikling og partnerskap, med mer enn et tiår med erfaring i å skalere bedriftsdetaljhandelsengasjement fra omtrent $10 millioner til $2 milliarder i omsetning, og har jobbet med over 300 detaljhandlere. Karrieren hans inkluderer også rådgivnings- og forretningsutviklingsroller, samt seks år som teamleder og værvarsler i Tyrkias Generaldirektorat for meteorologi, hvor han arbeidet med sanntidsdata, radar, satellittbilder og prognosesystemer.

Replenit er en AI‑beslutningsplattform designet for detaljhandel og netthandel, som gir et lag mellom en detaljhandels datainfrastruktur og deres eksisterende kundebeholdningssystemer. Dens AI Decision Engine kombinerer kunde-, produkt-, atferds- og andre signaler for å fastslå den neste beste handlingen for individuelle kunder i sanntid, mens Maestro AI CRM Manager kan autonomt håndtere arbeidsflyter som påfylling, kryssalg, engasjement, churn‑forebygging og gjenoppretting av tapte kunder. I stedet for at detaljhandlere må erstatte sin eksisterende teknologisk stack, er Replenit laget for å integreres med nåværende handels-, markedsførings- og dataplattformer og omforme beslutningene til kommunikasjons- og handlingsklare utførelser. Selskapet oppgir at teknologien brukes av detaljhandlere som L’Occitane, Mumzworld, e-bebek, Beko og Faith In Nature.

Du tilbrakte år med å hjelpe med å skalere bedriftsdetaljhandelteknologi før du grunnla Replenit sammen med fem medgründere. Hva så du gjentatte ganger at detaljhandlere slet med, som overbeviste deg om at det manglet et beslutningslag i teknologisk stack, og hvordan førte den innsikten til Replenit?

Ved å samarbeide med hundrevis av detaljhandlere på ulike markeder, hørte og så vi stadig det samme problemet: detaljhandlere hadde blitt svært gode til å samle inn data og til å gjennomføre handlinger, men intelligensen i mellom manglet fortsatt. De hadde CDPer, lagre, CRM‑plattformer og systemer for markedsføringsautomatisering, men beslutningen – hva som faktisk skal skje neste for denne enkelte kunden? – var fortsatt gjetning basert på statiske regler, brede segmenter, kampanjekalendere og menneskelig vurdering. Stacken og teamet var begge i praksis midlertidige løsninger på faktumet at ingen kunne resonere om hver enkelt kunde i skala. Replenit er det manglende resonnerings‑ og beslutningslaget. Vi har bygget en motor som kan tolke kunde‑ og produktkontekst på individnivå, bestemme den passende neste kommersielle handlingen, og deretter bruke detaljhandlerens eksisterende systemer til å utføre den.

Replenit hevder at detaljhandlere allerede har rikelig med kundedata og mange verktøy for å gjennomføre kampanjer, men mangler intelligens som kan bestemme hva som skal skje neste. Hvorfor har ikke Customer Data Platforms (CDP‑er), Customer Relationship Management (CRM)‑plattformer og systemer for markedsføringsautomatisering kunnet løse dette problemet selv?

Disse systemene ble bygget for andre oppgaver. En CDP kan samle kundedata, men å samle data er ikke det samme som å bestemme hva man skal gjøre med dem. CRM‑ og markedsføringsautomatiseringsplattformer er svært gode utførelseslag. De kan sende, orkestrere og optimalisere kommunikasjon så snart noen har definert den spesifikke målgruppen, arbeidsflyten eller kampanjen.

Selv når disse plattformene legger til prediktive poeng, generativ AI og optimalisering av sendetid, er den grunnleggende arbeidsenheten ofte fortsatt kampanjen, reisen, målgruppen eller segmentet. AI kan optimalisere noe en markedsfører allerede har valgt å gjøre. Den bestemmer ikke nødvendigvis om noe skal skje i det hele tatt, hvilken livssyklus‑målsetting som er viktigst for den aktuelle kunden, hvilket produkt som er relevant, hvorfor nå, i hvilken tone, og mot hvilket kommersielt resultat. Det er forskjellen vi gjør mellom en poengsum og en beslutning. Prediksjon kan rangere sannsynlighet. En beslutning krever resonnering på tvers av kontekst og alternativer og deretter forplikte seg til en handling. Replenit ligger over den eksisterende stacken for å levere dette laget i stedet for å be detaljhandlere om å erstatte systemene de allerede har.

En kjernekomponent i Replenits tilnærming er å anvende Theory of Mind for å utlede en kundes intensjon, kontekst og sannsynlig fremtidig atferd. Hvordan oversetter du et konsept fra kognitiv vitenskap til et AI‑system som kan ta pålitelige kommersielle beslutninger, og hvordan validerer du om systemet har tolket en kundes intensjon korrekt?

Vi oversetter Theory of Mind til et resonneringslag som ser utover hva en kunde gjorde og spør hvorfor den atferden kan ha skjedd, hva den signaliserer om intensjon, og hva den betyr i kontekst. I stedet for å kun stole på historiske mønstre eller produktlikhet, resonnerer systemet på nivået av hver enkelt kunde‑produkt‑relasjon og bruker den konteksten til å fastslå hva som skal skje neste.

Dette resonneringen kan omfatte forståelse av den sannsynlige motivasjonen bak et kjøp, hvordan produkter forholder seg til hverandre, hvilket behov kunden prøver å oppfylle, og om timingen er riktig for en bestemt handling. Replenit går deretter utover å bare foreslå et alternativ: den tar en beslutning og forbereder den for utførelse gjennom detaljhandlerens eksisterende systemer.

Valideringen skjer gjennom resultater. Når en beslutning er tatt, sporer Replenit hva som faktisk skjedde og sender dette resultatet tilbake til fremtidige beslutninger for den kunden. Den evaluerer også kontinuerlig hvilke av dens ferdigheter og beslutningsmetoder som leverer resultater, skalerer de som fungerer bra og deprioriterer de som ikke gjør det. På den måten blir systemet bedre til å vite riktig handling for riktig kunde på riktig tidspunkt fordi det lærer av faktiske resultater, i stedet for bare å kjøre den samme logikken gjentatte ganger.

De fleste personaliseringssystemer er i hovedsak prediksjonsmotorer som estimerer hva noen sannsynligvis vil klikke på eller kjøpe. Replenit legger vekt på å gå fra prediksjon til beslutningstaking. Fra et AI-arkitekturperspektiv, hva endrer seg når modellen faktisk må velge neste handling i stedet for bare å produsere en sannsynlighet eller anbefaling?

Hos Replenit er det fire viktige deler av den arkitekturen. Den første er Golden Memory: levende registre over kunden, produktet og merket som gir systemet kontekst utover en isolert transaksjon. Når informasjonen er ufullstendig, kan Replenit også berike de tilgjengelige dataene og generere syntetisk kontekst for å hjelpe med å lukke disse hullene.

Den andre er mer enn 100 bransjespesifikke ferdigheter. Dette er spesialiserte resonneringskapasiteter for bestemte kategorier og situasjoner – for eksempel en sminkrutinebygger for skjønnhetsforhandlere eller en interiørarkitekt for møbel- og gjør‑det‑selv‑selskaper. I tillegg til disse ferdighetene kan 15 støttende kontroller kjøre parallelt rundt en beslutning, inkludert erstatnings-, kompatibilitets-, duplikat- og undertrykkingskontroller.

Tredje er arbeidsflyteierskap. I stedet for bare å produsere en anbefaling og stoppe der, kan Maestro resonere på tvers av livssyklusarbeidsflyter som påfyll, kryssalg, engasjement, tilbakevinning, churn, kampanje og erstatning. Disse arbeidsflytene kan operere kontinuerlig og parallelt for en individuell kunde, med Maestro som bestemmer hvilken handling som er passende i akkurat det øyeblikket.

Til slutt pakker vi dette inn i det vi kaller et Golden Decision Event: en loggført, kjøringsklar beslutning som inneholder handlingen og begrunnelsen, og som kan overføres direkte til forhandlerens CRM, markedsføringsautomatisering, netthandel, app eller datasystemer på mer enn 120 plattformer.

Så forskjellen er at vi går fra en modell som forutsier hva som sannsynligvis vil skje, til et system som kan huske konteksten, hente inn riktig ekspertise, evaluere de tilgjengelige handlingene, forplikte seg til én beslutning og gjøre den kjørbar.

Maestro kan autonomt bestemme om en individuell kunde skal motta en påfyllingspåminnelse, kryssalg, kampanje, engasjementsmelding, tilbakevinningsforsøk, eller potensielt ingen intervensjon i det hele tatt. Hvordan veier systemet disse konkurrerende handlingene og fastslår hva som virkelig er den beste beslutningen for den kunden i akkurat det øyeblikket?

Utgangspunktet er kunden og det kommersielle målet. Forhandleren fastsetter strategi, prioriteringer og rammer. Maestro resonnerer deretter på tvers av tilgjengelig kunde-, produkt- og arbeidsflytkontekst for å avgjøre hva som skal skje neste.
Dette kan inkludere å bestemme hvilket kommersielt mål som skal prioriteres, hvilken arbeidsflyt som er relevant, hvilken ferdighet eller kombinasjon av ferdigheter som skal brukes, hvilke produkter som er hensiktsmessige, og når handlingen skal gjennomføres. Forhandlere kan også definere prioriteringer basert på måleparametere som inntekt, kjøpsfrekvens, gjennomsnittlig ordreverdi, marginbeskyttelse eller forebygging av churn.

Vår Theory-of-Mind-resonnering legger til den individuelle konteksten: hva atferden ser ut til å bety, hva kunden faktisk kan trenge og hvorfor dette kan være eller ikke være riktig tidspunkt. Våre spesialiserte ferdigheter og de støttende kontrollene kan kjøre parallelt med denne resonneringen. Når den beste beslutningen er å ikke intervenere, gjør ikke Maestro det. Når Maestro når en konklusjon, forplikter den beslutningen og begrunnelsen som en kjøringsklar hendelse i stedet for bare å returnere en meny med anbefalinger til en markedsfører.

Replenit bruker en sverm‑arkitektur der flere spesialiserte AI‑agenter kan operere parallelt. Hva skjer når flere agenter resonnerer om den samme kunden samtidig, og hvordan forhindrer du at motstridende anbefalinger eller handlinger blir utført?

Replenits sverm‑motor skaper ikke agentkonflikter fordi det ikke handler om å parallellisere kundebeslutninger; det handler om å kjøre komponentene i én beslutning parallelt. Når Maestro resonnerer om en kunde, aktiverer den flere spesialiserte agenter samtidig: et gate‑nettverk ruter beslutningen til de riktige modellene, en resonnerende LLM evaluerer kundekontekst og atferd, berikelsesagenter syntetiserer manglende kunde‑ eller produktdata i sanntid, og spesialiserte modeller vurderer produkt‑kunde‑relasjoner og passform.

I stedet for å kjøre disse sekvensielt, noe som ville vært tregere og dyrere, opererer de parallelt på samme kundetilstand og konvergerer deretter til én samlet beslutning om hva som skal skje neste. Det er ingen konflikt fordi de ikke konkurrerer om å velge ulike handlinger; hver bidrar med en annen dimensjon til det samme resultatet.

For eksempel kan berikelse avdekke manglende kunde‑ eller produktsignaler, resonneringslaget tolker kjøpshistorikk og det kommersielle målet, produkt‑relasjonsmodeller identifiserer ankerproduktet og levedyktige erstatninger, og poengsetting veier den potensielle forretningspåvirkningen. Alt dette skjer parallelt, men gir ett resultat. Dette nivået av parallellisering er en viktig arkitektonisk fordel. Det er vanskelig å ettermontere i motorer bygget som enkeltverktøys‑innpakninger, mens Replenit har konstruert det inn i kjernen fra starten.

Vedvarende minne er en annen viktig del av plattformen, som gjør at beslutninger kan bygge på hva som har skjedd tidligere med hver kunde. Hvor viktig er langtidsminne for virkelig autonome AI‑agenter, og hvilke sikkerhetstiltak er nødvendige når dette minnet omfatter potensielt sensitiv kundeadferd?

Minne er grunnleggende for autonom beslutningstaking fordi konteksten er dynamisk. Når Maestro ser et første kjøp av et baby‑produkt, husker den at husholdningskonteksten har endret seg, og fremtidige beslutninger bør reflektere foreldre‑livssyklusen. Når den ser de første hudpleiekjøpene, husker den at kunden bygger en rutine. Når kjøpsmønstre dukker opp rundt trening eller velvære, fanger den opp vanen som dannes.

Hvert kjøp oppdaterer hva systemet forstår om den kunden – ikke bare demografi, men hva som driver dem, hvilke atferder de etablerer, og hvilke livshendelser som utfolder seg – slik at neste beslutning ikke er generisk, men forankret i kundens faktiske kontekst. Denne kumulerende minnet gjør beslutningene smartere.

Sikkerhetstiltaket er enkelt: vi beholder kjøpshendelser og de kontekstuelle mønstrene som oppstår fra dem – livssyklus‑signaler, vane‑dannelse, kjøpsdrivere og kategori‑affinitet – med strenge lagringsregler og pseudonymisering der det er mulig. Datomengden holdes stram. Vi sporer hva som skjedde og hvilken kontekst som endret seg, ingenting mer. Uten disse retningslinjene blir vedvarende minne en forpliktelse, ikke en ressurs.

Replenit er designet for å ligge på toppen av teknologien som forhandlere allerede bruker, i stedet for å kreve at de erstatter sin eksisterende stack. Hva har du lært av å implementere med mer enn 30 bedrifts‑forhandlere om de største tekniske eller organisatoriske barrierene for å gi AI meningsfull beslutningsmyndighet?

Det tydeligste tekniske problemet vi har støtt på er ikke mangel på data, men tilstanden til dataene. Store forhandlere har ofte store mengder data som er fragmentert på tvers av systemer, inkonsistente eller på annen måte ufullstendige. Derfor ble berikelse en viktig del av den underliggende arkitekturen. Systemet må skape nok meningsfull kontekst til å resonere selv når det underliggende datasettet er ufullkomment.

Organisatorisk er det vanskeligere spørsmålet tillit. Å gi AI meningsfull beslutningsmyndighet berører flere funksjoner samtidig. Data‑ og IT‑teamene ønsker forklarbarhet, sikkerhet og lav integrasjonsbelastning. Markedsføringsteamene trenger trygghet for at kundekommunikasjonen forblir i tråd med merkevaren. CRM‑teamene vil beholde strategisk kontroll i stedet for å føle at et AI‑system tar kunderelasjonen fra dem.

Vår tilnærming har derfor vært å skille strategi fra utførelse. Folk definerer mål, merkevare‑retningslinjer og sikkerhetsrammer, mens Maestro eier den repeterbare individuelle beslutningstakingen og utførelsen innenfor disse grensene. Hver forpliktede beslutning er designet for å være sporbar, og systemet fungerer på toppen av den eksisterende stacken i stedet for å tvinge frem en plattform‑migrasjon.

Når AI blir ansvarlig for å optimalisere inntekt og kundelojalitet, hvordan hindrer du at et autonomt system optimaliserer for aggressivt på kortsiktige måltall, som å presse unødvendige kampanjer eller kjøp, på bekostning av kundetillit og langsiktig merkevareverdi?

Maestro optimaliserer mot KPI‑ene som mennesker definerer, ikke mot måltall den selv velger. Hvis du definerer målene som kundens livstidsverdi og retensjonsrate, er det det den optimaliserer for, i stedet for transaksjons‑hastighet eller kampanjevolum. Hvis aggressive kortsiktige taktikker skader retensjonen, feiler de mot den faktiske KPI‑en. Systemet lærer denne avveiningen direkte fordi hvert resultat føres tilbake til minnet, så strategier som skader langsiktig retensjon blir tydelig dårligere for forretningsmålet som er satt.

Begrensningen er strukturell. Maestro arbeider innenfor de sikkerhetsrammene du etablerer. Den kan ikke optimalisere rundt dem; den opererer innenfor dem. Hver beslutning er sporbar, så du kan revidere hvorfor Maestro valgte å sende eller holde tilbake, hvilke KPI‑er som vektla valget, og hva den forventede utfallet var. Uten klare KPI‑definisjoner, sikkerhetsrammer og beslutningstransparens, kan et AI‑system presse for aggressivt. Men Replenits modell er transparent og designet for å unngå dette. Bedriften definerer hva som er viktig, Maestro utfører mot de målene med full revisjonsspor, og hvert resultat bidrar til å avgjøre om strategien faktisk fungerer.

Fundamentale modeller forbedres raskt, og stadig mer kapable agenter vil bli tilgjengelige for nesten alle forhandlere. På lang sikt, hvor tror du det forsvarlige konkurransefortrinnet i AI‑beslutningstaking vil komme fra: proprietære modeller, minne på kundesnivå, domenespesifikk resonnering, tilbakemeldingssløyfer, infrastruktur, eller noe helt annet?

Grunnlagsmodeller vil bli kommersialiserte, så alle vil få tilgang til stadig mer kapable resonneringsmotorer. Forsvarbarheten ligger ikke i selve modellen, men i hva du vet om hver kunde og hvor raskt du kan bygge på den kunnskapen. Maestro sin fordel er kundespesifikk hukommelse som utdypes med hvert kjøp og hver resultat. Etter seks måneder med resultater kjenner systemet kunden din bedre enn en generisk modell noen gang vil kunne.

Den hukommelsen skaper også kontinuitet. Å bytte til et annet system betyr å miste to år med lært kontekst. I tillegg har Replenit domenespesifikke ferdigheter kodet for detaljhandel, inkludert forståelse av livssyklusstadier, kjøpsfartsmønstre, påfyllingsutløsere og kategori‑affinitet innen skjønnhet eller dagligvarer. Men ferdigheter kan kopieres. Den egentlige fordelen er tilbakemeldingssløyfen: Maestro tar en beslutning, fanger opp resultatet, oppdaterer hukommelsen, og bruker den læringen til å gjøre neste beslutning smartere. Sløyfen er kontinuerlig og kumulativ. Over tid blir et system som kjører på dine data stadig bedre enn et nytt system basert på generiske modeller.

Infrastruktur spiller også en rolle. Swarm‑samtidighet og egne modeller gir bedre enhetsekonomi, men det er grunnleggende, ikke en moatsikring. Den forsvarbare fordelen er kombinasjonen av kundedata‑gravitasjon (byttekostnader), kontinuerlig læring (resultater som mates tilbake i fremtidige beslutninger) og domenespesifikk resonnering (detaljhandels‑spesifikk kontekst), som alle fungerer sammen. Isolert sett er hver enkelt kopierbar. Sammen er de vanskelige å replikere raskt nok til å ta igjen.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Replenit.