Ilyas Kurklu, cofundador e CEO da Replenit – Série de entrevistas

Ilyas Kurklu, cofundador e CEO da Replenit, é um empreendedor e executivo de tecnologia de varejo focado em aplicar inteligência artificial à tomada de decisão e ao engajamento do cliente. Na Replenit, ele lidera estratégia, desenvolvimento de produto e parcerias, baseando‑se em mais de uma década de experiência ajudando a escalar negócios de engajamento de varejo corporativo de aproximadamente US$ 10 milhões para US$ 2 bilhões em receita, atuando com mais de 300 varejistas. Sua carreira também inclui cargos de consultoria e desenvolvimento de negócios, além de seis anos como líder de equipe e meteorologista na Direção Geral de Meteorologia da Turquia, onde trabalhou com dados em tempo real, radar, imagens de satélite e sistemas de previsão.

Replenit é uma plataforma de decisão baseada em IA projetada para varejo e comércio eletrônico, oferecendo uma camada entre a infraestrutura de dados de um varejista e seus sistemas existentes de engajamento do cliente. Seu Motor de Decisão de IA combina sinais de cliente, produto, comportamento e outros para determinar a melhor ação seguinte para cada cliente em tempo real, enquanto o Maestro AI CRM Manager pode gerenciar autonomamente fluxos de trabalho, incluindo reposição, venda cruzada, engajamento, prevenção de churn e reconquista. Em vez de exigir que os varejistas substituam sua pilha tecnológica atual, a Replenit foi desenvolvida para integrar‑se às plataformas de comércio, marketing e dados existentes e transformar suas decisões em comunicações e ações prontas para execução. A empresa afirma que sua tecnologia está sendo usada por varejistas como L’Occitane, Mumzworld, e-bebek, Beko e Faith In Nature.

Você passou anos ajudando a escalar tecnologia de varejo corporativo antes de fundar a Replenit com cinco cofundadores. O que você viu repetidamente os varejistas enfrentarem que o convenceu de que faltava uma camada de tomada de decisão na pilha tecnológica, e como essa percepção levou à criação da Replenit?

Trabalhando com centenas de varejistas em diferentes mercados, continuávamos ouvindo e observando o mesmo problema: os varejistas se tornaram muito bons em coletar dados e muito bons em execução, mas a inteligência entre esses dois pontos ainda faltava. Eles possuíam CDPs, armazéns, plataformas de CRM e sistemas de automação de marketing, porém a decisão — o que realmente deve acontecer a seguir para esse cliente individual? — ainda era um palpite baseado em regras estáticas, segmentos amplos, calendários de campanha e julgamento humano. A pilha tecnológica e a equipe eram, na prática, soluções alternativas para o fato de que ninguém conseguia raciocinar sobre cada cliente individualmente em escala. A Replenit é essa camada ausente de raciocínio e decisão. Construímos um motor que pode interpretar o contexto do cliente e do produto no nível individual, decidir a ação comercial apropriada a seguir e, então, usar os sistemas existentes do varejista para executá‑la.

A Replenit argumenta que os varejistas já possuem abundantes dados de clientes e muitas ferramentas para executar campanhas, mas carecem de inteligência que possa decidir o que deve acontecer a seguir. Por que as Plataformas de Dados de Cliente (CDPs), as plataformas de Gestão de Relacionamento com o Cliente (CRM) e os sistemas de automação de marketing não conseguiram resolver esse problema por conta própria?

Esses sistemas foram criados para funções diferentes. Um CDP pode unificar os dados do cliente, mas unificar dados não é o mesmo que decidir o que fazer com eles. As plataformas de CRM e de automação de marketing são camadas de execução muito eficazes. Elas podem enviar, orquestrar e otimizar comunicações depois que alguém define o público‑alvo, o fluxo de trabalho ou a campanha específicos.

Mesmo quando essas plataformas adicionam pontuações preditivas, IA generativa e otimização de horário de envio, a unidade fundamental de trabalho ainda costuma ser a campanha, a jornada, o público ou o segmento. A IA pode otimizar algo que o profissional de marketing já decidiu fazer. Ela não decide necessariamente se algo deve acontecer, qual objetivo de ciclo de vida é mais importante para aquele cliente específico, qual produto é relevante, por que agora, em que tom e em direção a qual resultado comercial. Essa é a distinção que fazemos entre uma pontuação e uma decisão. A previsão pode classificar a probabilidade. Uma decisão requer raciocínio sobre o contexto e as alternativas e, então, o comprometimento com uma ação. A Replenit se posiciona acima da pilha existente para fornecer essa camada, em vez de exigir que os varejistas substituam os sistemas que já possuem.

Uma parte central da abordagem da Replenit é aplicar Teoria da Mente para inferir a intenção, o contexto e o provável comportamento futuro de um cliente. Como você traduz um conceito da ciência cognitiva para um sistema de IA que pode tomar decisões comerciais confiáveis, e como valida se o sistema interpretou corretamente a intenção do cliente?

Transformamos a Teoria da Mente em uma camada de raciocínio que vai além do que o cliente fez e questiona por que esse comportamento pode ter ocorrido, o que ele sinaliza sobre a intenção e o que significa no contexto. Em vez de confiar apenas em padrões históricos ou semelhança de produtos, o sistema raciocina no nível de cada relação individual cliente‑produto e utiliza esse contexto para determinar o que deve acontecer a seguir.

Esse raciocínio pode incluir a compreensão da provável motivação por trás de uma compra, como os produtos se relacionam entre si, qual necessidade o cliente está tentando atender e se o momento é adequado para uma ação específica. A Replenit então vai além de simplesmente sugerir uma opção: ela toma uma decisão e a prepara para execução através dos sistemas existentes do varejista.

A validação ocorre por meio de resultados. Uma vez que uma decisão é tomada, a Replenit rastreia o que realmente aconteceu e devolve esse resultado para decisões futuras desse cliente. Ela também avalia continuamente quais de suas habilidades e abordagens de tomada de decisão estão entregando resultados, ampliando as que têm bom desempenho e depriorizando as que não têm. Nesse sentido, o sistema melhora em saber a ação correta para o cliente certo no momento certo porque aprende com resultados reais, em vez de simplesmente executar a mesma lógica repetidamente.

A maioria dos sistemas de personalização são, em última análise, motores de previsão, estimando o que alguém provavelmente clicará ou comprará. A Replenit enfatiza a transição da previsão para a tomada de decisão. Do ponto de vista da arquitetura de IA, o que muda quando o modelo deve realmente escolher a próxima ação em vez de simplesmente gerar uma probabilidade ou recomendação?

Na Replenit, há quatro partes importantes nessa arquitetura. A primeira é a Memória Dourada: registros vivos do cliente, do produto e da marca que fornecem ao sistema contexto além de uma transação isolada. Quando as informações são incompletas, a Replenit também pode enriquecer os dados disponíveis e gerar contexto sintético para ajudar a fechar essas lacunas.

Em segundo lugar, há mais de 100 habilidades setoriais. São capacidades de raciocínio especializadas para categorias e situações específicas—por exemplo, um construtor de rotinas de cosméticos para varejistas de beleza ou um arquiteto de interiores para empresas de móveis e bricolagem. Juntamente com essas habilidades, 15 verificações de apoio podem ser executadas em paralelo ao redor de uma decisão, incluindo verificações de substituição, compatibilidade, duplicidade e supressão.

Em terceiro lugar, há a propriedade do fluxo de trabalho. Em vez de produzir uma recomendação e parar por aí, o Maestro pode raciocinar através de fluxos de trabalho de ciclo de vida, como reposição, venda cruzada, engajamento, reconquista, churn, promoção e substituição. Esses fluxos de trabalho podem operar de forma contínua e paralela para um cliente individual, com o Maestro determinando qual ação é apropriada naquele momento específico.

Por fim, empacotamos isso no que chamamos de Evento de Decisão Dourada: uma decisão registrada e pronta para execução, contendo a ação e seu raciocínio, que pode ser enviada diretamente ao CRM, automação de marketing, comércio eletrônico, aplicativo ou sistemas de dados do varejista, em mais de 120 plataformas.

Portanto, a diferença é que estamos passando de um modelo que prevê o que provavelmente acontecerá para um sistema que pode lembrar o contexto, trazer a expertise correta, avaliar as ações disponíveis, comprometer‑se com uma única decisão e torná‑la executável.

O Maestro pode decidir autonomamente se um cliente individual deve receber um lembrete de reposição, venda cruzada, promoção, mensagem de engajamento, tentativa de reconquista ou, potencialmente, nenhuma intervenção. Como o sistema pondera essas ações concorrentes e determina qual é realmente a melhor decisão para esse cliente naquele momento?

O ponto de partida é o cliente e o objetivo comercial. O varejista define a estratégia, prioridades e limites. O Maestro então raciocina sobre o contexto disponível de cliente, produto e fluxo de trabalho para determinar o que deve acontecer a seguir.
Isso pode incluir decidir qual objetivo comercial deve ser priorizado, qual fluxo de trabalho é relevante, qual habilidade ou combinação de habilidades deve ser aplicada, quais produtos fazem sentido e quando a ação deve ocorrer. Os varejistas também podem definir prioridades em torno de métricas como receita, frequência de compra, valor médio do pedido, proteção de margem ou prevenção de churn.

Nosso raciocínio de Theory-of-Mind adiciona o contexto individual: o que o comportamento parece significar, o que o cliente realmente pode precisar e por que isso pode ou não ser o momento certo. Nossas habilidades especializadas e as verificações de apoio podem ser executadas em paralelo a esse raciocínio. Quando a melhor decisão é não intervir, o Maestro não o faz. Uma vez que o Maestro chega a uma conclusão, ele compromete a decisão e seu raciocínio como um evento pronto para execução, em vez de simplesmente retornar um menu de recomendações a um profissional de marketing.

A Replenit usa uma arquitetura swarm na qual múltiplos agentes de IA especializados podem operar em paralelo. O que acontece quando vários agentes estão raciocinando sobre o mesmo cliente ao mesmo tempo, e como evitar que recomendações ou ações conflitantes sejam executadas?

O motor swarm da Replenit não cria conflitos entre agentes porque não se trata de paralelizar decisões de clientes; trata‑se de executar os componentes de uma única decisão em paralelo. Quando o Maestro raciocina sobre um cliente, ele ativa múltiplos agentes especializados simultaneamente: uma rede de controle direciona a decisão para os modelos corretos, um LLM de raciocínio avalia o contexto e o comportamento do cliente, agentes de enriquecimento sintetizam dados ausentes de cliente ou produto em tempo real, e modelos especializados avaliam as relações e o ajuste entre produto e cliente.

Em vez de executá‑los sequencialmente, o que seria mais lento e caro, eles operam em paralelo sobre o mesmo estado do cliente e depois convergem para uma decisão unificada sobre o que deve acontecer a seguir. Não há conflito porque não competem para selecionar ações diferentes; cada um contribui com uma dimensão distinta para o mesmo resultado.

Por exemplo, o enriquecimento pode revelar sinais ausentes de cliente ou produto, a camada de raciocínio interpreta o histórico de compras e o objetivo comercial, os modelos de relacionamento de produtos identificam o produto âncora e substitutos viáveis, e a pontuação pondera o potencial impacto nos negócios. Tudo isso acontece em paralelo, mas produz um único resultado. Esse nível de paralelização é uma vantagem arquitetural importante. É difícil adaptar isso em motores construídos como wrappers de ferramenta única, enquanto a Replenit o projetou no núcleo desde o início.

A memória persistente é outra parte importante da plataforma, permitindo que as decisões se baseiem no que já aconteceu anteriormente com cada cliente. Quão importante é a memória de longo prazo para agentes de IA verdadeiramente autônomos, e quais salvaguardas são necessárias quando essa memória envolve comportamentos de cliente potencialmente sensíveis?

A memória é fundamental para a tomada de decisão autônoma porque o contexto é dinâmico. Quando o Maestro vê a primeira compra de um produto para bebê, ele lembra que o contexto doméstico mudou, e as decisões futuras devem refletir o ciclo de vida dos pais. Quando ele vê as primeiras compras de cuidados com a pele, lembra que esse cliente está construindo uma rotina. Quando padrões de compra surgem em torno de fitness ou bem‑estar, ele captura o hábito que está sendo formado.

Cada compra atualiza o que o sistema entende sobre esse cliente — não apenas dados demográficos, mas o que os motiva, quais comportamentos estão estabelecendo e quais momentos de vida estão se desenrolando — de modo que a próxima decisão não seja genérica, mas fundamentada no contexto real do cliente. Essa memória acumulada é o que torna as decisões mais inteligentes.

A salvaguarda é simples: mantemos os eventos de compra e os padrões contextuais que surgem deles — sinais de ciclo de vida, formação de hábitos, motivadores de compra e afinidade de categoria — com políticas de retenção rigorosas e pseudonimização quando possível. O escopo dos dados permanece restrito. Rastreamos o que aconteceu e qual contexto mudou, nada além disso. Sem essas barreiras, a memória persistente torna‑se um passivo, não um ativo.

A Replenit foi projetada para ficar sobre a tecnologia que os varejistas já utilizam, em vez de exigir que substituam sua pilha existente. O que você aprendeu ao implantar com mais de 30 varejistas corporativos sobre as maiores barreiras técnicas ou organizacionais para conceder à IA autoridade de tomada de decisão significativa?

O problema técnico mais evidente que encontramos não é a falta de dados, mas a condição desses dados. Varejistas corporativos frequentemente possuem uma grande quantidade de dados que estão fragmentados entre sistemas, inconsistentes ou de outra forma incompletos. Por isso, o enriquecimento se tornou uma parte importante da arquitetura subjacente. O sistema precisa criar contexto significativo suficiente para raciocinar mesmo quando o conjunto de dados subjacente é imperfeito.

Organizacionalmente, a questão mais difícil é a confiança. Conceder à IA autoridade de decisão significativa afeta várias funções simultaneamente. As equipes de Dados e TI desejam explicabilidade, segurança e baixa carga de integração. As equipes de Marketing precisam de confiança de que a comunicação com o cliente permanecerá alinhada à marca. As equipes de CRM querem manter o controle estratégico em vez de sentir que um sistema de IA está assumindo o relacionamento com o cliente.

Nosso enfoque, portanto, tem sido separar a estratégia da execução. As pessoas definem os objetivos, a diretriz da marca e as salvaguardas, enquanto o Maestro controla a tomada de decisão individual repetível e a execução dentro desses limites. Cada decisão comprometida é projetada para ser rastreável, e o sistema funciona sobre a pilha existente em vez de impor uma migração de plataforma.

À medida que a IA se torna responsável por otimizar receita e retenção, como você impede que um sistema autônomo otimize de forma excessivamente agressiva métricas de curto prazo, como impulsionar promoções ou compras desnecessárias, em detrimento da confiança do cliente e do valor da marca a longo prazo?

O Maestro otimiza com base nos KPIs definidos pelos humanos, não em métricas que ele escolhe por conta própria. Se você define os objetivos como valor vitalício do cliente e taxa de retenção, é isso que ele otimiza, em vez de velocidade de transação ou volume de promoções. Se táticas agressivas de curto prazo prejudicarem a retenção, elas falham em relação ao KPI real. O sistema aprende essa troca diretamente porque cada resultado retroalimenta a memória, de modo que estratégias que danificam a retenção a longo prazo se tornam demonstravelmente piores para o objetivo de negócio estabelecido.

A restrição é estrutural. O Maestro opera dentro das salvaguardas que você estabelece. Ele não pode otimizar ao contorná‑las; funciona dentro delas. Cada decisão é rastreável, permitindo auditar por que o Maestro optou por enviar ou reter, quais KPIs ponderaram essa escolha e qual foi o resultado esperado. Sem definição clara de KPIs, salvaguardas e transparência nas decisões, um sistema de IA poderia agir de forma excessivamente agressiva. Mas o modelo da Replenit é transparente e foi projetado para evitar isso. O negócio define o que importa, o Maestro executa em direção a esses objetivos com plena auditabilidade, e cada resultado ajuda a determinar se a estratégia está realmente funcionando.

Os modelos de base estão melhorando rapidamente e agentes cada vez mais capazes estarão disponíveis para quase todos os varejistas. A longo prazo, de onde você acredita que virá a vantagem defensável na tomada de decisão por IA: modelos proprietários, memória em nível de cliente, raciocínio específico de domínio, ciclos de feedback, infraestrutura ou algo totalmente diferente?

Os modelos de fundação se tornarão comoditizados, de modo que todos terão acesso a motores de raciocínio cada vez mais capazes. A defensibilidade não está no modelo em si, mas no que você sabe sobre cada cliente e na rapidez com que você acumula esse conhecimento. A vantagem do Maestro é a memória em nível de cliente, que se aprofunda a cada compra e a cada resultado. Após seis meses de resultados, o sistema conhece seu cliente melhor do que um modelo genérico jamais conhecerá. Não apenas dados demográficos, mas o que os motiva, quando estão receptivos, o que desencadeia o churn.

Essa memória também cria continuidade. Trocar para outro sistema significa perder dois anos de contexto aprendido. Além disso, a Replenit possui habilidades específicas de domínio codificadas para o varejo, incluindo compreensão das fases do ciclo de vida, padrões de velocidade de compra, gatilhos de reposição, afinidade de categoria em beleza ou mercearia. Mas as habilidades podem ser copiadas. A verdadeira vantagem está no loop de feedback: o Maestro toma uma decisão, captura o resultado, atualiza a memória e usa esse aprendizado para tornar a próxima decisão mais inteligente. Esse loop é contínuo e cumulativo. Com o tempo, um sistema operando com seus dados torna‑se progressivamente melhor que um sistema novo baseado em modelos genéricos.

A infraestrutura também importa. A concorrência em enxame e os modelos próprios mantêm a economia unitária melhor, mas isso é o básico, não um fosso. A vantagem defensável é a combinação da gravidade dos dados do cliente (custos de migração), aprendizado contínuo (resultados que retroalimentam decisões futuras) e raciocínio específico de domínio (contexto próprio do varejo), tudo trabalhando em conjunto. Isoladamente, cada um é copiável. Juntos, são difíceis de replicar rapidamente o suficiente para alcançar.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Replenit.