Ilyas Kurklu, współzałożyciel i CEO Replenit – Interview Series

Ilyas Kurklu, współzałożyciel i CEO Replenit, jest przedsiębiorcą i menedżerem technologicznym w sektorze detalicznym, skoncentrowanym na zastosowaniu sztucznej inteligencji w podejmowaniu decyzji i zaangażowaniu klientów. W Replenit kieruje strategią, rozwojem produktów i partnerstwami, opierając się na ponad dekadzie doświadczenia w skalowaniu przedsiębiorstw detalicznych od przychodów w przybliżeniu $10 million do $2 billion, współpracując z ponad 300 detalistami. Jego kariera obejmuje także role doradcze i rozwoju biznesu, a także sześć lat jako lider zespołu i prognozujący pogodę w Generalnej Dyrekcji Meteorologii Turcji, gdzie pracował z danymi w czasie rzeczywistym, radarami, obrazami satelitarnymi i systemami prognozowania.

Replenit jest platformą decyzyjną AI przeznaczoną dla handlu detalicznego i e‑commerce, zapewniającą warstwę pomiędzy infrastrukturą danych detalisty a jego istniejącymi systemami zaangażowania klientów. Jej AI Decision Engine łączy sygnały dotyczące klienta, produktu, zachowań i inne, aby w czasie rzeczywistym określić najlepszą następną akcję dla poszczególnych klientów, podczas gdy Maestro AI CRM Manager może autonomicznie zarządzać przepływami pracy, w tym uzupełnianiem zapasów, cross‑sellingiem, zaangażowaniem, zapobieganiem churnowi i odzyskiwaniem klientów. Zamiast wymagać od detalistów wymiany istniejącego stosu technologicznego, Replenit jest zaprojektowany do integracji z bieżącymi platformami handlu, marketingu i danych oraz przekształcania swoich decyzji w gotowe do realizacji komunikaty i działania. Firma podaje, że jej technologia jest wykorzystywana przez detalistów, w tym L’Occitane, Mumzworld, e-bebek, Beko i Faith In Nature.

Spędziłeś lata pomagając skalować technologię detaliczną w przedsiębiorstwach, zanim założyłeś Replenit z pięcioma współzałożycielami. Co wielokrotnie zauważałeś, że detaliści mają problem, co przekonało Cię, że w stosie technologicznym brakuje warstwy decyzyjnej, i w jaki sposób to spostrzeżenie doprowadziło do powstania Replenit?

Pracując z setkami detalistów na różnych rynkach, nieustannie słyszeliśmy i obserwowaliśmy ten sam problem: detaliści stali się bardzo dobrzy w gromadzeniu danych i w realizacji, ale brakowało inteligencji pomiędzy tymi elementami. Mieli CDP‑y, hurtownie, platformy CRM i systemy automatyzacji marketingu, jednak decyzja — co powinno się faktycznie wydarzyć dalej dla tego konkretnego klienta? — wciąż była zgadywanką opartą na statycznych regułach, szerokich segmentach, kalendarzach kampanii i ludzkiej ocenie. Stos i zespół były w rzeczywistości obejściami faktu, że nikt nie potrafił rozumować o każdym kliencie indywidualnie w skali. Replenit jest brakującą warstwą rozumowania i podejmowania decyzji. Zbudowaliśmy silnik, który potrafi interpretować kontekst klienta i produktu na poziomie indywidualnym, określić odpowiednią następną akcję handlową i następnie wykorzystać istniejące systemy detalisty do jej realizacji.

Replenit twierdzi, że detaliści już posiadają mnóstwo danych o klientach i wiele narzędzi do realizacji kampanii, ale brakuje im inteligencji, która może zdecydować, co powinno się wydarzyć dalej. Dlaczego Platformy Danych Klienta (CDP), platformy Zarządzania Relacjami z Klientem (CRM) oraz systemy automatyzacji marketingu nie były w stanie samodzielnie rozwiązać tego problemu?

Te systemy zostały stworzone do innych zadań. CDP może ujednolicić dane o klientach, ale ujednolicenie danych nie jest tym samym, co podjęcie decyzji, co z nimi zrobić. Platformy CRM i automatyzacji marketingu są bardzo dobrymi warstwami wykonawczymi. Mogą wysyłać, koordynować i optymalizować komunikację, gdy ktoś określi konkretną grupę odbiorców, przepływ pracy lub kampanię.

Nawet gdy te platformy dodają prognozujące wyniki, generatywną AI i optymalizację czasu wysyłki, podstawową jednostką pracy jest często nadal kampania, ścieżka, grupa odbiorców lub segment. AI może optymalizować coś, co marketer już wybrał do realizacji. Nie decyduje ona koniecznie, czy w ogóle coś ma się wydarzyć, które cele cyklu życia są najważniejsze dla konkretnego klienta, który produkt jest istotny, dlaczego właśnie teraz, w jakim tonie i w kierunku jakiego wyniku handlowego. To jest rozróżnienie, które wprowadzamy między wynikiem a decyzją. Predykcja może ocenić prawdopodobieństwo. Decyzja wymaga rozumowania w kontekście i alternatyw oraz podjęcia konkretnej akcji. Replenit znajduje się ponad istniejącym stosem, aby dostarczyć tę warstwę, zamiast wymagać od detalistów wymiany już posiadanych systemów.

Kluczowym elementem podejścia Replenit jest zastosowanie Theory of Mind do wnioskowania o intencji, kontekście i prawdopodobnym przyszłym zachowaniu klienta. Jak przetłumaczyć koncepcję z nauk kognitywnych na system AI, który może podejmować wiarygodne decyzje handlowe, i jak zweryfikować, czy system poprawnie zinterpretował intencję klienta?

Tłumaczymy Theory of Mind na warstwę rozumowania, która wykracza poza to, co klient zrobił, i pyta, dlaczego takie zachowanie mogło wystąpić, co sygnalizuje o intencji i co oznacza w kontekście. Zamiast polegać wyłącznie na historycznych wzorcach czy podobieństwie produktów, system rozumuje na poziomie każdej indywidualnej relacji klient‑produkt i wykorzystuje ten kontekst do określenia, co powinno się wydarzyć dalej.

To rozumowanie może obejmować zrozumienie prawdopodobnej motywacji stojącej za zakupem, jak produkty ze sobą powiązane, jaką potrzebę klient stara się zaspokoić oraz czy timing jest odpowiedni dla konkretnej akcji. Replenit następnie wykracza poza samo sugerowanie opcji: podejmuje decyzję i przygotowuje ją do realizacji za pośrednictwem istniejących systemów detalisty.

Walidacja odbywa się poprzez wyniki. Gdy podjęta zostanie decyzja, Replenit śledzi, co faktycznie się wydarzyło, i wprowadza ten wynik z powrotem do przyszłych decyzji dla tego klienta. System stale ocenia, które z jego umiejętności i podejść decyzyjnych przynoszą rezultaty, skalując te, które działają dobrze, i depriorytetyzując te, które nie przynoszą efektów. W tym sensie system lepiej rozpoznaje właściwy ruch dla odpowiedniego klienta w odpowiednim czasie, ponieważ uczy się na podstawie rzeczywistych wyników, a nie po prostu powtarza tę samą logikę.

Większość systemów personalizacji to w zasadzie silniki predykcyjne, szacujące, co ktoś prawdopodobnie kliknie lub kupi. Replenit podkreśla przejście od prognozowania do podejmowania decyzji. Z perspektywy architektury AI, co się zmienia, gdy model musi faktycznie wybrać kolejną akcję, a nie tylko wygenerować prawdopodobieństwo lub rekomendację?

W Replenit istnieją cztery ważne elementy tej architektury. Pierwszy to Golden Memory: żywe rekordy klienta, produktu i marki, które dostarczają systemowi kontekst wykraczający poza pojedynczą transakcję. Gdy informacje są niekompletne, Replenit może również wzbogacić dostępne dane i wygenerować syntetyczny kontekst, aby pomóc w zamknięciu tych luk.

Drugim elementem jest ponad 100 umiejętności branżowych. Są to wyspecjalizowane zdolności rozumowania dla konkretnych kategorii i sytuacji — na przykład kreator rutyny kosmetycznej dla detalistów beauty lub architekt wnętrz dla firm meblarskich i DIY. Wraz z tymi umiejętnościami, 15 wspierających kontroli może działać równolegle wokół decyzji, w tym kontrole substytucji, kompatybilności, duplikatów i tłumienia.

Trzeci element to własność przepływu pracy. Zamiast jedynie wygenerować rekomendację i zatrzymać się, Maestro może rozumować w ramach przepływów cyklu życia, takich jak uzupełnianie zapasów, cross‑sell, zaangażowanie, odzyskiwanie klientów, churn, promocje i substytucje. Te przepływy mogą działać ciągle i równolegle dla pojedynczego klienta, przy czym Maestro określa, która akcja jest odpowiednia w danym momencie.

Na koniec pakujemy to w to, co nazywamy Golden Decision Event: zarejestrowaną, gotową do wykonania decyzję zawierającą akcję i jej uzasadnienie, którą można bezpośrednio przekazać do systemu CRM, automatyzacji marketingu, e‑commerce, aplikacji lub systemów danych detalisty, obsługującego ponad 120 platform.

Różnica polega więc na tym, że przechodzimy od modelu przewidującego, co prawdopodobnie się wydarzy, do systemu, który potrafi zapamiętać kontekst, przywołać odpowiednią wiedzę, ocenić dostępne działania, podjąć jedną decyzję i uczynić ją wykonalną.

Maestro może autonomicznie zdecydować, czy konkretny klient powinien otrzymać przypomnienie o uzupełnieniu, ofertę cross‑sell, promocję, wiadomość angażującą, próbę odzyskania, czy ewentualnie żadną interwencję. Jak system ocenia te konkurujące działania i określa, co naprawdę jest najlepszą decyzją dla tego klienta w danym momencie?

Punktem wyjścia jest klient i cel komercyjny. Detalista określa strategię, priorytety i ograniczenia. Maestro następnie rozważa dostępny kontekst klienta, produktu i przepływu pracy, aby określić, co powinno się wydarzyć dalej.
Może to obejmować decyzję, który cel komercyjny ma być priorytetowy, który przepływ jest istotny, którą umiejętność lub kombinację umiejętności zastosować, które produkty mają sens oraz kiedy akcja powinna nastąpić. Detaliści mogą także definiować priorytety w oparciu o metryki takie jak przychód, częstotliwość zakupów, średnia wartość zamówienia, ochrona marży czy zapobieganie churnowi.

Nasze rozumowanie Theory-of-Mind dodaje kontekst indywidualny: co zachowanie wydaje się oznaczać, czego klient faktycznie może potrzebować i dlaczego może to być lub nie być właściwy moment. Nasze wyspecjalizowane umiejętności i wspierające kontrole mogą działać równolegle z tym rozumowaniem. Gdy najlepszą decyzją jest nieinterweniowanie, Maestro tego nie robi. Gdy Maestro dochodzi do wniosku, zatwierdza decyzję i jej uzasadnienie jako zdarzenie gotowe do wykonania, zamiast po prostu zwracać listę rekomendacji marketerowi.

Replenit wykorzystuje architekturę roju, w której wiele wyspecjalizowanych agentów AI może działać równolegle. Co się dzieje, gdy kilku agentów rozważa tego samego klienta jednocześnie i jak zapobiec wykonywaniu sprzecznych rekomendacji lub działań?

Silnik roju Replenit nie generuje konfliktów agentów, ponieważ nie chodzi o równoległe podejmowanie decyzji klientów; chodzi o równoległe uruchamianie komponentów jednej decyzji. Gdy Maestro rozważa klienta, aktywuje jednocześnie wiele wyspecjalizowanych agentów: sieć bramkowa kieruje decyzję do odpowiednich modeli, model LLM ocenia kontekst i zachowanie klienta, agenci wzbogacający syntetyzują brakujące dane o kliencie lub produkcie w czasie rzeczywistym, a wyspecjalizowane modele oceniają relacje i dopasowanie produktu do klienta.

Zamiast uruchamiać je kolejno, co byłoby wolniejsze i droższe, działają równolegle na tym samym stanie klienta, a następnie konwergują do jednej, jednolitej decyzji o tym, co powinno się wydarzyć dalej. Nie ma konfliktu, ponieważ nie rywalizują o wybór różnych działań; każdy wnosi inną wymiar do tego samego wyniku.

Na przykład wzbogacanie może ujawnić brakujące sygnały dotyczące klienta lub produktu, warstwa rozumowania interpretuje historię zakupów i cel komercyjny, modele relacji produktów identyfikują produkt bazowy i dostępne zamienniki, a ocena waży potencjalny wpływ na biznes. Wszystko to odbywa się równolegle, ale daje jeden wynik. Ten poziom równoległości jest ważną przewagą architektoniczną. Trudno jest dokonać retrofitu w silnikach zbudowanych jako jednowarstwowe opakowania, podczas gdy Replenit zaprojektował to od podstaw w rdzeniu.

Pamięć trwała jest kolejnym ważnym elementem platformy, umożliwiając decyzjom budowanie na podstawie tego, co wcześniej wydarzyło się z każdym klientem. Jak ważna jest pamięć długoterminowa dla naprawdę autonomicznych agentów AI i jakie zabezpieczenia są potrzebne, gdy ta pamięć obejmuje potencjalnie wrażliwe zachowania klientów?

Pamięć jest podstawą autonomicznego podejmowania decyzji, ponieważ kontekst jest dynamiczny. Gdy Maestro zauważa pierwszy zakup produktu dla dziecka, zapamiętuje, że kontekst domowy się zmienił, i przyszłe decyzje powinny odzwierciedlać cykl życia rodziców. Gdy widzi pierwsze zakupy produktów do pielęgnacji skóry, pamięta, że ten klient buduje rutynę. Gdy pojawiają się wzorce zakupowe związane z fitness lub wellness, rejestruje powstający nawyk.

Każdy zakup aktualizuje to, co system rozumie o danym kliencie — nie tylko demografię, ale to, co go napędza, jakie zachowania kształtuje i jakie momenty życiowe się rozwijają — więc kolejna decyzja nie jest generyczna, lecz oparta na rzeczywistym kontekście klienta. To kumulująca się pamięć sprawia, że decyzje są inteligentniejsze.

Zabezpieczenie jest proste: zachowujemy zdarzenia zakupowe oraz powstające z nich wzorce kontekstowe — sygnały cyklu życia, formowanie nawyków, czynniki zakupowe i afiniczność kategorii — przy ścisłych zasadach przechowywania i pseudonimizacji, gdy to możliwe. Zakres danych pozostaje wąski. Śledzimy, co się wydarzyło i jaki kontekst się zmienił, nic więcej. Bez tych zabezpieczeń pamięć trwała staje się zobowiązaniem, a nie aktywem.

Replenit jest zaprojektowany tak, aby działał na istniejącej technologii używanej przez detalistów, zamiast wymagać wymiany ich obecnego stosu. Czego nauczyłeś się, wdrażając rozwiązanie u ponad 30 detalistów korporacyjnych, na temat największych technicznych lub organizacyjnych barier w przyznawaniu AI znaczącej władzy decyzyjnej?

Najbardziej oczywistym problemem technicznym, z którym się spotkaliśmy, nie jest brak danych, lecz ich jakość. Detaliści korporacyjni często dysponują dużą ilością danych, które są rozproszone w różnych systemach, niespójne lub niekompletne. Dlatego wzbogacanie stało się ważną częścią podstawowej architektury. System musi stworzyć wystarczająco znaczący kontekst, aby móc rozumować, nawet gdy podstawowy zestaw danych jest niedoskonały.

Organizacyjnie trudniejszym pytaniem jest zaufanie. Przyznanie AI znaczącej władzy decyzyjnej dotyka jednocześnie kilku funkcji. Zespoły ds. danych i IT oczekują wyjaśnialności, bezpieczeństwa i niskiego obciążenia integracyjnego. Zespoły marketingowe potrzebują pewności, że komunikacja z klientem pozostanie zgodna z marką. Zespoły CRM chcą zachować kontrolę strategiczną, a nie odczuwać, że system AI odbiera im relację z klientem.

Nasze podejście polega więc na oddzieleniu strategii od realizacji. Ludzie definiują cele, wytyczne marki i ograniczenia, podczas gdy Maestro zarządza powtarzalnym podejmowaniem indywidualnych decyzji i ich realizacją w ramach tych granic. Każda podjęta decyzja jest projektowana tak, aby była możliwa do śledzenia, a system działa na istniejącym stosie, zamiast wymuszać migrację platformy.

Gdy AI staje się odpowiedzialne za optymalizację przychodów i retencji, jak zapobiec, aby autonomiczny system nie optymalizował zbyt agresywnie pod kątem krótkoterminowych wskaźników, takich jak wymuszanie niepotrzebnych promocji lub zakupów, kosztem zaufania klientów i długoterminowej wartości marki?

Maestro optymalizuje pod kątem KPI określonych przez ludzi, a nie własnych metryk. Jeśli cele definiujesz jako wartość życiowa klienta i wskaźnik retencji, to właśnie te wskaźniki są optymalizowane, a nie szybkość transakcji czy wolumen promocji. Jeśli agresywne taktyki krótkoterminowe szkodzą retencji, nie spełniają rzeczywistego KPI. System uczy się tej wymiany bezpośrednio, ponieważ każdy wynik trafia z powrotem do pamięci, więc strategie, które szkodzą długoterminowej retencji, stają się wyraźnie gorsze dla ustalonego celu biznesowego.

Ograniczenie ma charakter strukturalny. Maestro działa w ramach ustalonych przez Ciebie ograniczeń. Nie może optymalizować poza nimi; funkcjonuje wewnątrz nich. Każda decyzja jest możliwa do śledzenia, więc możesz audytować, dlaczego Maestro zdecydował się wysłać lub wstrzymać, które KPI wpłynęły na ten wybór i jaki był oczekiwany rezultat. Bez jasnej definicji KPI, ograniczeń i przejrzystości decyzji system AI mógłby działać zbyt agresywnie. Model Replenit jest jednak przejrzysty i zaprojektowany, aby tego uniknąć. Biznes definiuje, co jest istotne, Maestro realizuje te cele z pełną audytowalnością, a każdy wynik pomaga określić, czy strategia rzeczywiście działa.

Modele podstawowe rozwijają się szybko, a coraz bardziej zdolni agenci będą dostępni dla prawie każdego detalisty. W długim okresie, skąd Twoim zdaniem będzie pochodzić obronna przewaga w podejmowaniu decyzji przez AI: modele własnościowe, pamięć na poziomie klienta, rozumowanie specyficzne dla domeny, pętle sprzężenia zwrotnego, infrastruktura, czy coś zupełnie innego?

Modele podstawowe staną się towarem, więc każdy będzie miał dostęp do coraz bardziej zdolnych silników rozumowania. Obrona nie leży w samym modelu, lecz w tym, co wiesz o każdym kliencie i jak szybko potrafisz tę wiedzę pomnażać. Zaletą Maestro jest pamięć na poziomie klienta, która pogłębia się przy każdym zakupie i każdym wyniku. Po 6 miesiącach wyników system zna Twojego klienta lepiej niż jakikolwiek ogólny model. Nie tylko demografia, ale także to, co ich napędza, kiedy są podatni, co wywołuje churn.

Ta pamięć również zapewnia ciągłość. Przejście na inny system oznacza utratę 2 lat wyuczonego kontekstu. Ponadto Replenit posiada umiejętności specyficzne dla handlu detalicznego, w tym rozumienie etapów cyklu życia, wzorców prędkości zakupów, wyzwalaczy uzupełnień oraz powiązań kategorii w kosmetykach lub artykułach spożywczych. Jednak umiejętności można skopiować. Prawdziwą przewagą jest pętla sprzężenia zwrotnego: Maestro podejmuje decyzję, rejestruje wynik, aktualizuje pamięć i wykorzystuje tę naukę, aby uczynić kolejną decyzję inteligentniejszą. Ta pętla jest ciągła i kumulująca się. Z czasem system działający na Twoich danych staje się stopniowo lepszy niż nowy system oparty na ogólnych modelach.

Infrastruktura również ma znaczenie. Współbieżność Swarm i własne modele poprawiają ekonomię jednostkową, ale to jedynie podstawowe wymagania, a nie przewaga konkurencyjna. Obronna przewaga to połączenie grawitacji danych klientów (koszty przejścia), ciągłego uczenia się (wyniki zwracające się do przyszłych decyzji) oraz rozumowania specyficznego dla danej dziedziny (kontekst handlu detalicznego), działających razem. Samodzielnie każdy z nich można skopiować. Razem są trudne do odtworzenia wystarczająco szybko, aby nadrobić zaległości.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Replenit.