Ilyas Kurklu, соучредитель и генеральный директор Replenit — серия интервью

Ilyas Kurklu, соучредитель и генеральный директор Replenit, является предпринимателем и руководителем в сфере розничных технологий, сосредоточенным на применении искусственного интеллекта к принятию решений клиентами и их вовлечённости. В Replenit он возглавляет стратегию, разработку продуктов и партнёрства, опираясь на более чем десятилетний опыт масштабирования предприятий розничного взаимодействия с доходами от примерно $10 million до $2 billion, работая с более чем 300 розничными компаниями. Его карьера также включает консультативные и бизнес‑развития роли, а также шесть лет в качестве руководителя команды и метеоролога в General Directorate of Meteorology Турции, где он работал с данными в реальном времени, радаром, спутниковыми изображениями и системами прогнозирования.

Replenit — это платформа AI‑принятия решений, разработанная для розничной торговли и электронной коммерции, предоставляющая слой между инфраструктурой данных розничного продавца и его существующими системами взаимодействия с клиентами. Его AI Decision Engine сочетает сигналы о клиенте, продукте, поведении и другие данные, чтобы в режиме реального времени определить наилучшее следующее действие для каждого клиента, в то время как Maestro AI CRM Manager может автономно управлять рабочими процессами, включая пополнение запасов, кросс‑продажи, вовлечение, предотвращение оттока и возврат клиентов. Вместо того чтобы требовать от розничных продавцов замену существующего технологического стека, Replenit разработан для интеграции с текущими платформами коммерции, маркетинга и данных и преобразования своих решений в готовые к исполнению коммуникации и действия. Компания заявляет, что её технология используется такими розничными компаниями, как L’Occitane, Mumzworld, e-bebek, Beko и Faith In Nature.

Вы провели годы, помогая масштабировать технологии корпоративной розничной торговли, прежде чем основали Replenit вместе с пятью соучредителями. Что вы постоянно наблюдали у розничных продавцов, с чем они сталкивались, что убедило вас в отсутствии слоя принятия решений в технологическом стеке, и как это понимание привело к созданию Replenit?

Работая с сотнями розничных компаний в разных рынках, мы постоянно слышали и наблюдали одну и ту же проблему: продавцы стали очень хороши в сборе данных и в их реализации, но интеллект между ними всё ещё отсутствовал. У них были CDP, склады, CRM‑платформы и системы автоматизации маркетинга, однако решение — что именно должно произойти дальше для конкретного клиента? — оставалось догадкой, основанной на статических правилах, широких сегментах, календарях кампаний и человеческом суждении. И стек, и команда фактически служили обходными решениями того факта, что никто не мог рассуждать о каждом клиенте индивидуально в масштабе. Replenit — это недостающий слой рассуждений и принятия решений. Мы создали движок, который может интерпретировать контекст клиента и продукта на индивидуальном уровне, определить соответствующее следующее коммерческое действие и затем использовать существующие системы продавца для его выполнения.

Replenit утверждает, что у розничных продавцов уже есть обильные данные о клиентах и множество инструментов для проведения кампаний, но им не хватает интеллекта, способного решить, что должно произойти дальше. Почему платформы управления данными клиентов (CDP), платформы управления взаимоотношениями с клиентами (CRM) и системы автоматизации маркетинга не смогли решить эту проблему самостоятельно?

Эти системы созданы для разных задач. CDP может объединять данные о клиентах, но объединение данных не равно принятию решения о том, что с ними делать. Платформы CRM и автоматизации маркетинга являются отличными слоями исполнения. Они могут отправлять, координировать и оптимизировать коммуникации, как только кто‑то определит конкретную аудиторию, рабочий процесс или кампанию.

Даже когда эти платформы добавляют предиктивные оценки, генеративный ИИ и оптимизацию времени отправки, фундаментальная единица работы часто всё ещё остаётся кампанией, путешествием, аудиторией или сегментом. ИИ может оптимизировать то, что маркетолог уже решил выполнить. Он не обязательно решает, должно ли что‑то происходить вообще, какое жизненный цикл цель наиболее важна для конкретного клиента, какой продукт релевантен, почему сейчас, в каком тоне и к какому коммерческому результату. Это различие, которое мы проводим между оценкой и решением. Прогноз может ранжировать вероятность. Решение требует рассуждения над контекстом и альтернативами и последующего выбора действия. Replenit располагается над существующим стеком, предоставляя этот слой, вместо того чтобы просить розничных продавцов заменять уже имеющиеся системы.

Ключевая часть подхода Replenit — применение Theory of Mind для вывода намерений клиента, контекста и вероятного будущего поведения. Как вы переводите концепцию из когнитивной науки в ИИ‑систему, способную принимать надёжные коммерческие решения, и как вы проверяете, правильно ли система интерпретировала намерения клиента?

Мы переводим Theory of Mind в слой рассуждений, который выходит за пределы действий клиента и задаётся вопросом, почему такое поведение могло произойти, что оно сигнализирует о намерениях и что означает в контексте. Вместо того чтобы полагаться только на исторические модели или сходство продуктов, система рассуждает на уровне каждой индивидуальной связи клиент‑продукт и использует этот контекст для определения, что должно произойти дальше.

Это рассуждение может включать понимание вероятной мотивации покупки, взаимосвязей между продуктами, какой потребности пытается удовлетворить клиент и подходит ли время для конкретного действия. Затем Replenit переходит от простого предложения варианта: он принимает решение и подготавливает его к выполнению через существующие системы розничного продавца.

Валидация происходит через результаты. Как только принимается решение, Replenit отслеживает, что действительно произошло, и возвращает этот результат в будущие решения для данного клиента. Система также постоянно оценивает, какие из её навыков и подходов к принятию решений приносят результаты, масштабируя те, которые работают хорошо, и deprioritising (понижая приоритет) те, которые не работают. В этом смысле система становится лучше в определении правильного шага для правильного клиента в нужный момент, потому что она учится на реальных результатах, а не просто повторно применяет одну и ту же логику.

Большинство систем персонализации в конечном итоге являются предиктивными движками, оценивающими, что пользователь, вероятно, кликнет или купит. Replenit делает акцент на переходе от предсказания к принятию решений. С точки зрения архитектуры ИИ, что меняется, когда модель должна действительно выбрать следующее действие, а не просто выдать вероятность или рекомендацию?

В Replenit есть четыре важных компонента этой архитектуры. Первым является Golden Memory: живые записи о клиенте, продукте и бренде, которые дают системе контекст за пределами отдельной транзакции. Когда информация неполна, Replenit также может обогатить доступные данные и создать синтетический контекст, чтобы закрыть эти пробелы.

Вторым являются более 100 отраслевых навыков. Это специализированные возможности рассуждения для конкретных категорий и ситуаций — например, конструктор косметических процедур для ритейлеров красоты или интерьерный архитектор для компаний, занимающихся мебелью и DIY. Наряду с этими навыками 15 поддерживающих проверок могут работать параллельно вокруг решения, включая проверки замены, совместимости, дублирования и подавления.

Третьим является владение рабочим процессом. Вместо того чтобы просто выдавать рекомендацию и останавливаться, Maestro может рассуждать над жизненными циклами рабочих процессов, такими как пополнение запасов, кросс‑продажи, вовлечение, возврат клиента, отток, продвижение и замена. Эти рабочие процессы могут работать непрерывно и параллельно для отдельного клиента, при этом Maestro определяет, какое действие уместно в данный момент.

Наконец, мы упаковываем всё это в то, что называем Golden Decision Event: зарегистрированное, готовое к исполнению решение, содержащее действие и его обоснование, которое может быть передано напрямую в CRM, систему автоматизации маркетинга, электронную коммерцию, приложение или системы данных розничного продавца более чем на 120 платформах.

Таким образом, разница в том, что мы переходим от модели, предсказывающей, что, вероятно, произойдёт, к системе, способной помнить контекст, привлекать нужную экспертизу, оценивать доступные действия, принимать одно решение и делать его исполняемым.

Maestro может автономно решить, следует ли отдельному клиенту отправлять напоминание о пополнении, кросс‑продажу, акцию, сообщение о вовлечении, попытку вернуть клиента или, возможно, вовсе не вмешиваться. Как система взвешивает эти конкурирующие действия и определяет, что действительно является лучшим решением для клиента в данный момент?

Отправной точкой является клиент и коммерческая цель. Ритейлер задаёт стратегию, приоритеты и ограничения. Затем Maestro рассуждает над доступным контекстом клиента, продукта и рабочего процесса, чтобы определить, что должно произойти дальше.
Это может включать решение, какой коммерческой цели отдать приоритет, какой рабочий процесс актуален, какой навык или комбинацию навыков следует применить, какие продукты имеют смысл и когда должно произойти действие. Ритейлеры также могут задавать приоритеты по метрикам, таким как выручка, частота покупок, средний чек, защита маржи или предотвращение оттока.

Наше рассуждение Theory-of-Mind добавляет индивидуальный контекст: что поведение может означать, что клиент действительно может нуждаться и почему это может быть или не быть подходящим моментом. Наши специализированные навыки и поддерживающие проверки могут работать параллельно с этим рассуждением. Когда лучшим решением является отсутствие вмешательства, Maestro его не предпринимает. Как только Maestro приходит к выводу, он фиксирует решение и его обоснование как готовое к исполнению событие, а не просто возвращает список рекомендаций маркетологу.

Replenit использует архитектуру роя, в которой несколько специализированных AI‑агентов могут работать параллельно. Что происходит, когда несколько агентов рассуждают о том же клиенте одновременно, и как предотвратить выполнение конфликтующих рекомендаций или действий?

Рой‑движок Replenit не создаёт конфликтов между агентами, потому что речь идёт не о параллелизации решений для разных клиентов, а о параллельном выполнении компонентов единого решения. Когда Maestro рассуждает о клиенте, он одновременно активирует несколько специализированных агентов: сеть‑гейтинг направляет решение к нужным моделям, LLM‑рассуждение оценивает контекст и поведение клиента, агенты обогащения синтезируют недостающие данные о клиенте или продукте в реальном времени, а специализированные модели оценивают отношения продукта и клиента и их соответствие.

Вместо последовательного выполнения, что было бы медленнее и дороже, они работают параллельно над одним и тем же состоянием клиента и затем сходятся к единому решению о том, что должно произойти дальше. Конфликта нет, потому что они не конкурируют за выбор разных действий; каждый вносит свой измеримый вклад в общий результат.

Например, обогащение может выявлять недостающие сигналы о клиенте или продукте, слой рассуждений интерпретирует историю покупок и коммерческую цель, модели отношений продуктов определяют основной продукт и подходящие заменители, а оценка взвешивает потенциальное бизнес‑влияние. Всё это происходит параллельно, но приводит к единому результату. Такой уровень параллелизма является важным архитектурным преимуществом. Его трудно внедрять в движки, построенные как однофункциональные оболочки, тогда как Replenit реализовал его в ядре с самого начала.

Постоянная память — ещё один важный элемент платформы, позволяющий решениям опираться на то, что уже произошло с каждым клиентом. Насколько важна долгосрочная память для действительно автономных AI‑агентов и какие меры предосторожности необходимы, когда эта память включает потенциально чувствительное поведение клиентов?

Память является фундаментом автономного принятия решений, поскольку контекст динамичен. Когда Maestro фиксирует первую покупку детского товара, он запоминает, что семейный контекст изменился, и будущие решения должны отражать жизненный цикл родителей. Когда он видит первые покупки средств по уходу за кожей, он запоминает, что клиент формирует рутину. Когда появляются паттерны покупок, связанные с фитнесом или оздоровлением, он фиксирует формирующуюся привычку.

Каждая покупка обновляет понимание системы о клиенте — не только демографию, но и то, что его мотивирует, какие поведения он формирует и какие жизненные моменты происходят, поэтому следующее решение не является общим, а основано на реальном контексте клиента. Такое накопление памяти делает решения умнее.

Мера предосторожности проста: мы сохраняем события покупок и возникающие из них контекстные паттерны — сигналы жизненного цикла, формирование привычек, драйверы покупок и привязанность к категории, с жёсткой политикой хранения и, где возможно, псевдонимизацией. Объём данных остаётся ограниченным. Мы отслеживаем, что произошло и какой контекст изменился, ничего более. Без этих ограничений постоянная память превращается в обязательство, а не в актив.

Replenit разработан так, чтобы работать поверх технологий, уже используемых розничными компаниями, а не требовать замены их существующего стека. Что вы узнали, развертывая решение у более чем 30 крупных розничных компаний, о главных технических или организационных барьерах для предоставления AI значимых полномочий по принятию решений?

Самая очевидная техническая проблема, с которой мы столкнулись, — не нехватка данных, а их состояние. У крупных розничных компаний часто есть огромный объём данных, разбросанных по системам, непоследовательных или неполных. Поэтому обогащение стало важной частью базовой архитектуры. Система должна создавать достаточно значимого контекста для рассуждений, даже когда исходный набор данных несовершенен.

С организационной точки зрения более сложный вопрос — доверие. Предоставление AI значимых полномочий затрагивает сразу несколько функций. Команды данных и ИТ требуют объяснимости, безопасности и минимальной нагрузки по интеграции. Маркетинговые команды нуждаются в уверенности, что коммуникация с клиентами останется в рамках бренда. Команды CRM хотят сохранять стратегический контроль, а не ощущать, что система AI отбирает у них отношения с клиентами.

Поэтому наш подход состоит в разделении стратегии и исполнения. Люди определяют цели, бренд‑директивы и ограничения, а Maestro управляет повторяющимися индивидуальными решениями и их выполнением внутри этих границ. Каждое принятое решение спроектировано так, чтобы быть прослеживаемым, и система работает поверх существующего стека, а не заставляет мигрировать на новую платформу.

По мере того как AI берёт на себя оптимизацию доходов и удержания, как вы предотвращаете, чтобы автономная система не оптимизировала слишком агрессивно краткосрочные метрики, например, навязывая ненужные акции или покупки, в ущерб доверию клиентов и долгосрочной ценности бренда?

Maestro оптимизирует в соответствии с KPI, определёнными людьми, а не метриками, которые он выбирает сам. Если вы задаёте цели как пожизненная ценность клиента и уровень удержания, именно к этим показателям он будет стремиться, а не к скорости транзакций или объёму акций. Если агрессивные краткосрочные тактики вредят удержанию, они не соответствуют реальному KPI. Система напрямую учит этот компромисс, поскольку каждый результат возвращается в память, и стратегии, ухудшающие долгосрочное удержание, становятся явно менее выгодными для установленной бизнес‑цели.

Ограничение носит структурный характер. Maestro работает внутри заданных вами ограничений. Он не может оптимизировать их обходя; он действует в их рамках. Каждое решение прослеживаемо, поэтому вы можете проверить, почему Maestro решил отправить или удержать сообщение, какие KPI влияли на выбор и каков был ожидаемый результат. Без чёткого определения KPI, ограничений и прозрачности решений AI‑система могла бы действовать слишком агрессивно. Но модель Replenit прозрачна и разработана, чтобы этого избежать. Бизнес определяет, что важно, Maestro исполняет эти цели с полной аудируемостью, и каждый результат помогает понять, действительно ли стратегия работает.

Модели‑основы быстро развиваются, и всё более способные агенты станут доступны почти каждому ритейлеру. В долгосрочной перспективе откуда, по вашему мнению, будет происходить защищённое преимущество в AI‑принятии решений: собственные модели, память на уровне клиента, предметно‑специфическое рассуждение, обратные связи, инфраструктура или что‑то совершенно иное?

Модели фундаментального уровня станут товарными, поэтому каждый получит доступ к всё более способным движкам рассуждения. Защищённость заключается не в самой модели, а в том, что вы знаете о каждом клиенте и насколько быстро вы накапливаете эти знания. Преимущество Maestro — память на уровне клиента, которая углубляется с каждой покупкой и каждым результатом. После шести месяцев результатов система знает вашего клиента лучше, чем любой универсальный модель. Не только демография, но и то, что их мотивирует, когда они восприимчивы, что вызывает отток.

Эта память также создаёт непрерывность. Переход на другую систему означает потерю двух лет накопленного контекста. Кроме того, у Replenit есть специализированные навыки для розничной торговли, включая понимание стадий жизненного цикла, шаблонов скорости покупок, триггеров пополнения, привязанности к категориям в сфере красоты или продуктов питания. Но навыки можно скопировать. Реальное преимущество — обратный цикл обратной связи: Maestro принимает решение, фиксирует результат, обновляет память и использует это обучение, чтобы сделать следующее решение умнее. Этот цикл непрерывен и накапливается. Со временем система, работающая на ваших данных, становится всё лучше, чем свежая система на универсальных моделях.

Инфраструктура также имеет значение. Параллельность Swarm и собственные модели улучшают экономику единицы, но это базовый уровень, а не защита. Защищённое преимущество — сочетание гравитации данных о клиентах (стоимость переключения), непрерывного обучения (результаты, возвращающиеся в будущие решения) и специализированного рассуждения (контекст, специфичный для розничной торговли), работающих вместе. По отдельности каждый элемент копируем. Вместе их трудно быстро воспроизвести, чтобы догнать.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить Replenit.