Ilyas Kurklu, medgrundare och VD för Replenit – Intervjuserie

Ilyas Kurklu, medgrundare och VD för Replenit, är en entreprenör och chef inom detaljhandels‑teknik med fokus på att tillämpa artificiell intelligens på kundbeslutsfattande och engagemang. På Replenit leder han strategi, produktutveckling och partnerskap, med mer än ett decennium av erfarenhet av att skala företags‑detaljhandelsengagemangsverksamheter från cirka $10 million till $2 billion i intäkter, samtidigt som han har arbetat med över 300 återförsäljare. Hans karriär inkluderar även rådgivnings‑ och affärsutvecklingsroller, samt sex år som teamledare och väderprognosör vid Turkiets Generaldirektorat för meteorologi, där han arbetade med realtidsdata, radar, satellitbilder och prognossystem.

Replenit är en AI‑beslutsplattform utformad för detaljhandel och e‑handel, som tillhandahåller ett lager mellan en återförsäljares datainfrastruktur och dess befintliga system för kundengagemang. Dess AI Decision Engine kombinerar kund‑, produkt‑, beteende‑ och andra signaler för att bestämma nästa bästa åtgärd för enskilda kunder i realtid, medan dess Maestro AI CRM Manager kan autonomt hantera arbetsflöden inklusive påfyllning, korsförsäljning, engagemang, churn‑förebyggande och återvinningskampanjer. Istället för att kräva att återförsäljare ersätter sin befintliga teknikstack är Replenit designad för att integreras med nuvarande handel‑, marknadsförings‑ och dataplattformar och omvandla sina beslut till exekveringsklara kommunikationer och åtgärder. Företaget uppger att tekniken används av återförsäljare som L’Occitane, Mumzworld, e-bebek, Beko och Faith In Nature.

Du tillbringade år med att hjälpa till att skala företags‑detaljhandelsteknologi innan du grundade Replenit med fem medgrundare. Vad såg du återkommande att återförsäljare kämpade med, vilket övertygade dig om att det saknades ett beslut‑fattande lager i teknikstacken, och hur ledde den insikten till Replenit?

Genom att arbeta med hundratals återförsäljare i olika marknader hörde och såg vi ständigt samma problem: återförsäljare hade blivit mycket bra på att samla in data och mycket bra på att genomföra, men intelligensen däremellan saknades fortfarande. De hade CDP‑er, lager, CRM‑plattformar och system för marknadsföringsautomation, men beslutet — vad som faktiskt bör hända härnäst för den enskilda kunden? — var fortfarande gissningar baserade på statiska regler, breda segment, kampanjkalendrar och mänskligt omdöme. Stacken och teamet fungerade båda som tillfälliga lösningar på det faktum att ingen kunde resonera om varje kund individuellt i skala. Replenit är det saknade resonemangs‑ och beslutslagret. Vi har byggt en motor som kan tolka kund‑ och produktkontext på individnivå, besluta om lämplig nästa kommersiella åtgärd och sedan använda återförsäljarens befintliga system för att verkställa den.

Replenit hävdar att återförsäljare redan har massor av kunddata och massor av verktyg för att genomföra kampanjer, men saknar intelligens som kan avgöra vad som bör hända härnäst. Varför har Customer Data Platforms (CDPs), Customer Relationship Management (CRM)-plattformar och system för marknadsföringsautomation inte kunnat lösa det problemet själva?

Dessa system byggdes för olika uppgifter. En CDP kan förena kunddata, men att förena data är inte detsamma som att besluta vad man ska göra med den. CRM‑ och marknadsföringsautomationsplattformar är mycket bra exekveringslager. De kan skicka, orkestrera och optimera kommunikation när någon har definierat den specifika målgruppen, arbetsflödet eller kampanjen.

Även när dessa plattformar lägger till prediktiva poäng, generativ AI och optimering av sändningstid är den grundläggande arbetsenheten ofta fortfarande kampanjen, resan, målgruppen eller segmentet. AI:n kan optimera något som en marknadsförare redan har valt att göra. Den bestämmer dock inte nödvändigtvis om något alls ska ske, vilket livscykelmål som är viktigast för just den kunden, vilken produkt som är relevant, varför nu, i vilken ton och mot vilket kommersiellt resultat. Det är den distinktion vi gör mellan en poäng och ett beslut. En förutsägelse kan rangordna sannolikheten. Ett beslut kräver resonemang över kontext och alternativ och sedan ett åtagande att agera. Replenit ligger ovanpå den befintliga stacken för att tillhandahålla det lagret istället för att be återförsäljare ersätta de system de redan har.

En kärnkomponent i Replenits metod är att tillämpa Theory of Mind för att härleda en kunds avsikt, kontext och sannolika framtida beteende. Hur översätter du ett koncept från kognitiv vetenskap till ett AI‑system som kan fatta pålitliga kommersiella beslut, och hur validerar du om systemet har tolkat en kunds avsikt korrekt?

Vi översätter Theory of Mind till ett resonemangslager som ser bortom vad en kund gjorde och frågar varför det beteendet kan ha inträffat, vad det signalerar om avsikt och vad det betyder i kontext. Istället för att enbart förlita sig på historiska mönster eller produktlikhet resoneras systemet på nivån för varje enskild kund‑produkt‑relation och använder den kontexten för att avgöra vad som bör ske härnäst.

Det resonemanget kan omfatta att förstå den sannolika motivationen bakom ett köp, hur produkter förhåller sig till varandra, vilket behov kunden försöker tillfredsställa och om tidpunkten är rätt för en viss åtgärd. Replenit går sedan bortom att bara föreslå ett alternativ: den fattar ett beslut och förbereder beslutet för verkställande via återförsäljarens befintliga system.

Valideringen sker genom resultat. När ett beslut har fattats spårar Replenit vad som faktiskt hände och matar tillbaka det resultatet i framtida beslut för den kunden. Systemet utvärderar också kontinuerligt vilka av dess färdigheter och beslutsmetoder som levererar resultat, skalar upp de som presterar bra och prioriterar ner de som inte gör det. På så sätt blir systemet bättre på att veta rätt åtgärd för rätt kund vid rätt tid eftersom det lär sig av faktiska resultat snarare än att bara köra samma logik om och om igen.

De flesta personaliseringssystem är i slutändan prediktionsmotorer som uppskattar vad någon sannolikt kommer att klicka på eller köpa. Replenit betonar övergången från prediktion till beslutsfattande. Ur ett AI-arkitekturperspektiv, vad förändras när modellen faktiskt måste välja nästa åtgärd snarare än bara producera en sannolikhet eller rekommendation?

På Replenit finns fyra viktiga delar i den arkitekturen. Först är Golden Memory: levande register över kunden, produkten och varumärket som ger systemet kontext bortom en isolerad transaktion. Där information saknas kan Replenit också berika de tillgängliga data och generera syntetisk kontext för att hjälpa till att fylla dessa luckor.

Den andra är mer än 100 branschspecifika färdigheter. Dessa är specialiserade resonemangsförmågor för särskilda kategorier och situationer – en kosmetikrutinsbyggare för skönhetsbutiker eller en inredningsarkitekt för möbel- och gör-det-själv-företag, till exempel. Tillsammans med dessa färdigheter kan 15 stödjande kontroller köras parallellt kring ett beslut, inklusive ersättnings-, kompatibilitets-, duplicerings- och undertryckningskontroller.

Den tredje är arbetsflödesansvar. Istället för att bara producera en rekommendation och stoppa där, kan Maestro resonera över livscykelarbetsflöden såsom påfyllning, korsförsäljning, engagemang, återvinningsförsök, churn, kampanj och ersättning. Dessa arbetsflöden kan fungera kontinuerligt och parallellt för en enskild kund, där Maestro bestämmer vilken åtgärd som är lämplig i det specifika ögonblicket.

Slutligen paketerar vi det till vad vi kallar ett Golden Decision Event: ett loggat, exekveringsklart beslut som innehåller åtgärden och dess resonemang, och som kan överföras direkt till återförsäljarens CRM, marknadsföringsautomation, e‑handel, app eller datasystem över mer än 120 plattformar.

Så skillnaden är att vi går från en modell som förutsäger vad som sannolikt kommer att hända till ett system som kan komma ihåg kontexten, ta in rätt expertis, utvärdera tillgängliga åtgärder, fatta ett beslut och göra det exekverbart.

Maestro kan autonomt besluta om en enskild kund ska få en påfyllningspåminnelse, korsförsäljning, kampanj, engagemangsmeddelande, återvinningsförsök, eller eventuellt ingen åtgärd alls. Hur väger systemet dessa konkurrerande åtgärder och avgör vad som verkligen är det bästa beslutet för den kunden i det ögonblicket?

Utgångspunkten är kunden och det kommersiella målet. Återförsäljaren sätter strategi, prioriteringar och ramar. Maestro resonera sedan över den tillgängliga kund-, produkt- och arbetsflödeskontexten för att avgöra vad som bör ske härnäst.
Det kan inkludera att besluta vilket kommersiellt mål som ska prioriteras, vilket arbetsflöde som är relevant, vilken färdighet eller kombination av färdigheter som ska tillämpas, vilka produkter som är meningsfulla, och när åtgärden ska ske. Återförsäljare kan också definiera prioriteringar kring nyckeltal som intäkt, köpfrekvens, genomsnittligt ordervärde, marginalskydd eller churn‑förebyggande.

Vår Theory-of-Mind‑resonemang lägger till den individuella kontexten: vad beteendet verkar betyda, vad kunden faktiskt kan behöva och varför detta kan vara eller inte vara rätt ögonblick. Våra specialiserade färdigheter och de stödjande kontrollerna kan köras parallellt med detta resonemang. När det bästa beslutet är att inte ingripa, gör Maestro det inte. När Maestro når en slutsats, förbinder den beslutet och dess resonemang som ett exekveringsklart evenemang snarare än att bara returnera en meny med rekommendationer till en marknadsförare.

Replenit använder en svärm‑arkitektur där flera specialiserade AI‑agenter kan operera parallellt. Vad händer när flera agenter resonera om samma kund samtidigt, och hur förhindrar man att motstridiga rekommendationer eller åtgärder verkställs?

Replenits svärm‑motor skapar inga agentkonflikter eftersom det inte handlar om att parallellisera kundbeslut; det handlar om att köra komponenterna i ett enda beslut parallellt. När Maestro resonera om en kund aktiveras flera specialiserade agenter samtidigt: ett styrnätverk dirigerar beslutet till rätt modeller, en resonemangs‑LLM utvärderar kundkontext och beteende, berikningsagenter syntetiserar saknade kund‑ eller produktdata i realtid, och specialiserade modeller utvärderar produkt‑kund‑relationer och passform.

Istället för att köra dessa sekventiellt, vilket skulle vara långsammare och dyrare, arbetar de parallellt på samma kundtillstånd och konvergerar sedan till ett enhetligt beslut om vad som ska ske härnäst. Det finns ingen konflikt eftersom de inte konkurrerar om att välja olika åtgärder; var och en bidrar med en annan dimension till samma resultat.

Till exempel kan berikning avslöja saknade kund- eller produktsignaler, resonemangslagret tolkar köphistorik och det kommersiella målet, produktrelationsmodeller identifierar förankringsprodukten och möjliga ersättningar, och poängsättning väger den potentiella affärspåverkan. Allt detta sker parallellt, men ger ett enda resultat. Denna nivå av parallellisering är en viktig arkitektonisk fördel. Det är svårt att eftermontera i motorer som byggts som enkla verktygshöljen, medan Replenit byggde in det i kärnan från början.

Beständig minne är en annan viktig del av plattformen, vilket möjliggör att beslut bygger på vad som tidigare har hänt med varje kund. Hur viktig är långtidsminne för verkligt autonoma AI‑agenter, och vilka skyddsåtgärder behövs när det minnet innefattar potentiellt känsligt kundbeteende?

Minne är grundläggande för autonom beslutsfattning eftersom kontexten är dynamisk. När Maestro ser ett första köp av en babyprodukt, kommer den ihåg att hushållets kontext har förändrats, och framtida beslut bör spegla föräldra‑livscykeln. När den ser de första hudvårdsprodukterna, minns den att kunden bygger upp en rutin. När köpmönster uppstår kring fitness eller välbefinnande, fångar den den vana som bildas.

Varje köp uppdaterar vad systemet förstår om den kunden – inte bara demografi, utan vad som driver dem, vilka beteenden de etablerar och vilka livshändelser som pågår – så nästa beslut är inte generiskt, utan förankrat i kundens faktiska kontext. Det ackumulerade minnet är det som gör besluten smartare.

Skyddet är enkelt: vi behåller köphändelser och de kontextuella mönster som uppstår från dem – livscykelsignaler, vana‑bildning, köpsdrivkrafter och kategori‑affinitet – med strikta lagringspolicyer och pseudonymisering där det är möjligt. Datatäckningen förblir snäv. Vi spårar vad som hände och vilken kontext som förändrades, inget mer. Utan dessa skyddsåtgärder blir beständigt minne en belastning, inte en tillgång.

Replenit är utformat för att ligga ovanpå den teknik som återförsäljare redan använder snarare än att kräva att de ersätter sin befintliga stack. Vad har du lärt dig av att implementera med mer än 30 företagsåterförsäljare om de största tekniska eller organisatoriska hindren för att ge AI meningsfull beslutsfattande auktoritet?

Det tydligaste tekniska problemet vi har stött på är inte brist på data utan datans kvalitet. Företagsåterförsäljare har ofta stora mängder data som är fragmenterade över system, inkonsekventa eller på annat sätt ofullständiga. Det är därför berikning blev en viktig del av den underliggande arkitekturen. Systemet måste skapa tillräckligt meningsfull kontext för att resonera även när den underliggande datamängden är imperfekt.

Organisatoriskt är den svårare frågan förtroende. Att ge AI meningsfull beslutsauktoritet berör flera funktioner samtidigt. Data‑ och IT‑team vill ha förklarbarhet, säkerhet och låg integrationsbörda. Marknadsföringsteam behöver trygghet i att kundkommunikationen förblir i varumärkets ton. CRM‑team vill behålla strategisk kontroll snarare än att känna att ett AI‑system tar över kundrelationen.

Vår strategi har därför varit att separera strategi från genomförande. Människor definierar målen, varumärkesriktlinjerna och skyddsåtgärderna, medan Maestro ansvarar för den repeterbara individuella beslutsfattandet och genomförandet inom dessa ramar. Varje åtaget beslut är utformat för att vara spårbart, och systemet fungerar ovanpå den befintliga stacken istället för att tvinga fram en plattformsmigration.

När AI blir ansvarig för att optimera intäkter och retention, hur förhindrar du att ett autonomt system optimerar för aggressivt på kortsiktiga mått, såsom att driva onödiga kampanjer eller köp, på bekostnad av kundförtroende och långsiktigt varumärkesvärde?

Maestro optimerar mot de KPI:er som människor definierar, inte mot mått som det själv väljer. Om du definierar målen som kundlivstidsvärde och retentionstakt, är det vad det optimerar för, snarare än transaktionshastighet eller kampanjvolym. Om aggressiva kortsiktiga taktiker skadar retentionen misslyckas de mot den faktiska KPI:n. Systemet lär sig den avvägningen direkt eftersom varje resultat matas tillbaka till minnet, så strategier som skadar långsiktig retention blir påvisbart sämre för det affärsmål som satts.

Begränsningen är strukturell. Maestro arbetar inom de skyddsåtgärder du fastställer. Det kan inte optimera runt dem; det opererar inom dem. Varje beslut är spårbart, så du kan granska varför Maestro valde att skicka eller hålla tillbaka, vilka KPI:er som vägde beslutet och vad det förväntade resultatet var. Utan tydlig KPI‑definition, skyddsåtgärder och beslutsgenomskinlighet kan ett AI‑system driva för aggressivt. Men Replenits modell är transparent och utformad för att undvika det. Företaget definierar vad som är viktigt, Maestro verkställer mot dessa mål med full spårbarhet, och varje resultat hjälper till att avgöra om strategin faktiskt fungerar.

Grundmodeller förbättras snabbt och allt mer kapabla agenter kommer att bli tillgängliga för nästan alla återförsäljare. På lång sikt, var tror du att det försvarbara försprånget i AI‑beslutsfattande kommer att komma från: proprietära modeller, kundnivåminne, domänspecifik resonemang, återkopplingsslingor, infrastruktur eller något helt annat?

Grundläggande modeller kommer att bli standardiserade, så att alla får tillgång till alltmer kapabla resonemangsmotorer. Försvarbarheten ligger inte i modellen i sig, utan i vad du vet om varje kund och hur snabbt du kan bygga vidare på den kunskapen. Maestros fördel är kundnivåminne som fördjupas med varje köp och varje resultat. Efter sex månader av resultat vet systemet din kund bättre än någon generisk modell någonsin kan. Inte bara demografi, utan vad som driver dem, när de är mottagliga och vad som utlöser churn.

Det minnet skapar också kontinuitet. Att byta till ett annat system innebär att förlora två år av inlärt sammanhang. Vidare har Replenit domänspecifika färdigheter inbyggda för detaljhandeln, inklusive förståelse för livscykelfaser, köphastighetsmönster, påfyllningsutlöpare och kategori‑affinitet inom skönhet eller livsmedel. Men färdigheter kan kopieras. Den verkliga fördelen är återkopplingsslingan: Maestro fattar ett beslut, fångar resultatet, uppdaterar minnet och använder den lärdomen för att göra nästa beslut smartare. Den slingan är kontinuerlig och växande. Med tiden blir ett system som körs på dina data successivt bättre än ett nytt system med generiska modeller.

Infrastrukturen spelar också roll. Svärm‑konkurrens och egna modeller förbättrar enhetsekonomin, men det är bara grundläggande förutsättningar, inte en barriär. Den försvarbara fördelen är kombinationen av kunddatagravitation (bytkostnader), kontinuerligt lärande (resultat som matas tillbaka i framtida beslut) och domänspecifik resonemang (detaljhandels‑specifik kontext), som alla samverkar. Enskilt är varje komponent kopierbar. Tillsammans är de svåra att replikera tillräckligt snabbt för att hinna ikapp.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Replenit.