Іліас Курклу, співзасновник і генеральний директор Replenit – серія інтерв’ю

Ilyas Kurklu, співзасновник і генеральний директор Replenit, є підприємцем і виконавчим у сфері роздрібних технологій, орієнтованим на застосування штучного інтелекту до прийняття рішень клієнтами та їх залучення. У Replenit він очолює стратегію, розробку продукту та партнерства, спираючись на понад десятиліття досвіду у масштабуванні підприємств роздрібного залучення від приблизно $10 мільйон до $2 мільярд доходу, працюючи з понад 300 роздрібними продавцями. Його кар’єра також включає консультативні та ролі розвитку бізнесу, а також шість років на посаді керівника команди та метеоролога у Генеральному управлінні метеорології Туреччини, де він працював з даними в режимі реального часу, радаром, супутниковими знімками та системами прогнозування.

Replenit — це платформа прийняття рішень на базі ШІ, призначена для роздрібної торгівлі та електронної комерції, що забезпечує шар між інфраструктурою даних роздрібного продавця та його існуючими системами залучення клієнтів. Її AI Decision Engine поєднує сигнали про клієнтів, продукти, поведінку та інші дані, щоб визначити найкращу наступну дію для окремих клієнтів у режимі реального часу, тоді як Maestro AI CRM Manager може автономно керувати робочими процесами, включаючи поповнення запасів, крос‑продаж, залучення, запобігання відтоку та повторне залучення. Замість того, щоб вимагати від роздрібних продавців заміну існуючого технологічного стеку, Replenit розроблений для інтеграції з поточними платформами комерції, маркетингу та даних і перетворює свої рішення у готові до виконання комунікації та дії. Компанія заявляє, що її технологія використовується такими роздрібними продавцями, як L’Occitane, Mumzworld, e-bebek, Beko і Faith In Nature.

Ви провели роки, допомагаючи масштабувати технології корпоративної роздрібної торгівлі, перш ніж заснувати Replenit разом з п’ятьма співзасновниками. Що ви постійно спостерігали, з чим стикаються роздрібні продавці, що переконало вас у відсутності шару прийняття рішень у технологічному стеку, і як це розуміння привело до створення Replenit?

Працюючи зі сотнями роздрібних продавців у різних ринках, ми постійно чули і бачили одну й ту ж проблему: роздрібні продавці стали дуже вправними у зборі даних і дуже ефективними у виконанні, проте інтелект між цим залишався відсутнім. У них були CDP, сховища даних, CRM‑платформи та системи автоматизації маркетингу, проте рішення — що саме має статися далі для цього конкретного клієнта? — залишалося здогадкою, заснованою на статичних правилах, широких сегментах, календарях кампаній та людському судженні. Стек і команда були по суті обхідними рішеннями, оскільки ніхто не міг розмірковувати про кожного клієнта індивідуально у масштабі. Replenit — це відсутній шар розуміння та прийняття рішень. Ми створили двигун, який може інтерпретувати контекст клієнта та продукту на індивідуальному рівні, визначати відповідну наступну комерційну дію та потім використовувати існуючі системи роздрібного продавця для її виконання.

Replenit стверджує, що роздрібні продавці вже мають багато даних про клієнтів і безліч інструментів для запуску кампаній, проте їм бракує інтелекту, який може визначити, що має статися далі. Чому платформи даних клієнтів (CDP), платформи управління взаємовідносинами з клієнтами (CRM) та системи автоматизації маркетингу не змогли самостійно вирішити цю проблему?

Ці системи були створені для різних завдань. CDP може уніфікувати дані про клієнтів, але уніфікація даних не є тим же, що визначення, що з ними робити. Платформи CRM та автоматизації маркетингу є дуже ефективними шарами виконання. Вони можуть надсилати, координувати та оптимізувати комунікації, як тільки хтось визначив конкретну аудиторію, робочий процес або кампанію.

Навіть коли ці платформи додають предиктивні оцінки, генеративний ШІ та оптимізацію часу відправки, фундаментальна одиниця роботи часто залишаються кампанією, шляхом, аудиторією або сегментом. ШІ може оптимізувати те, що маркетолог вже вирішив робити. Він не обов’язково вирішує, чи має щось відбуватися взагалі, яке цільове завдання життєвого циклу є найважливішим для конкретного клієнта, який продукт релевантний, чому саме зараз, у якому тоні та до якого комерційного результату. Це різниця, яку ми проводимо між оцінкою та рішенням. Прогноз може ранжувати ймовірність. Рішення вимагає розуміння контексту та альтернатив і подальшого прийняття дії. Replenit розташовується над існуючим стеком, щоб надати цей шар, замість того, щоб вимагати від роздрібних продавців заміну вже наявних систем.

Ключовою частиною підходу Replenit є застосування Theory of Mind для виведення намірів, контексту та ймовірної майбутньої поведінки клієнта. Як ви перекладаєте концепцію з когнітивної науки у систему ШІ, яка може приймати надійні комерційні рішення, і як ви перевіряєте, чи система правильно інтерпретувала намір клієнта?

Ми перетворюємо Theory of Mind у шар розуміння, який виходить за межі дій клієнта і запитує, чому така поведінка могла статися, що вона сигналізує про намір і що це означає в контексті. Замість того, щоб покладатися лише на історичні патерни чи схожість продуктів, система розмірковує на рівні кожного індивідуального взаємозв’язку клієнт‑продукт і використовує цей контекст для визначення, що має статися далі.

Таке розуміння може включати виявлення ймовірної мотивації покупки, взаємозв’язків між продуктами, яку потребу намагається задовольнити клієнт і чи є час придатним для конкретної дії. Потім Replenit переходить від простого пропонування варіанту: вона приймає рішення і готує його до виконання через існуючі системи роздрібного продавця.

Валідація відбувається через результати. Після прийняття рішення Replenit відстежує, що фактично сталося, і передає цей результат у майбутні рішення для цього клієнта. Він також безперервно оцінює, які з його навичок і підходів до прийняття рішень приносять результати, масштабуючи ті, що працюють добре, і знижуючи пріоритет тих, що не працюють. У цьому сенсі система стає кращою у визначенні правильного кроку для правильного клієнта у правильний час, бо навчається на реальних результатах, а не просто повторює одну й ту ж логіку.

Більшість систем персоналізації в кінцевому підсумку є двигунами прогнозування, які оцінюють, на що хтось, ймовірно, клікне або купить. Replenit наголошує на переході від прогнозування до прийняття рішень. З точки зору архітектури ШІ, що змінюється, коли модель повинна фактично обрати наступну дію, а не просто надати ймовірність або рекомендацію?

У Replenit ця архітектура складається з чотирьох важливих частин. Першою є Golden Memory: живі записи про клієнта, продукт і бренд, які надають системі контекст поза межами окремої транзакції. Якщо інформація неповна, Replenit також може збагачувати доступні дані та створювати синтетичний контекст, щоб заповнити ці прогалини.

Другий блок — понад 100 галузевих навичок. Це спеціалізовані можливості міркування для певних категорій і ситуацій — наприклад, конструктор косметичних рутин для роздрібних продавців краси або інтер’єрний архітектор для меблевих та DIY‑компаній. Поряд із цими навичками 15 підтримуючих перевірок можуть працювати паралельно навколо рішення, включаючи перевірки заміни, сумісності, дублювання та придушення.

Третій — володіння робочим процесом. Замість того, щоб лише надати рекомендацію і зупинитися, Maestro може міркувати над життєвими циклами, такими як поповнення запасів, крос‑продаж, залучення, повторне залучення, утримання, просування та заміна. Ці робочі процеси можуть працювати безперервно і паралельно для окремого клієнта, причому Maestro визначає, яка дія є доречною в конкретний момент.

Нарешті, ми упакуємо це в те, що називаємо Golden Decision Event: зафіксоване, готове до виконання рішення, що містить дію та її обґрунтування, яке можна передати безпосередньо у CRM, системи автоматизації маркетингу, електронної комерції, додаток або дані роздрібного продавця на більш ніж 120 платформах.

Отже, різниця полягає в тому, що ми переходимо від моделі, яка передбачає, що, ймовірно, станеться, до системи, яка може пам’ятати контекст, залучати потрібну експертизу, оцінювати доступні дії, приймати одне рішення і робити його виконуваним.

Maestro може автономно вирішувати, чи повинен окремий клієнт отримати нагадування про поповнення, крос‑продаж, акцію, повідомлення про залучення, спробу повторного залучення або, можливо, взагалі не втручатися. Як система зважує ці конкуренційні дії та визначає, яке рішення дійсно є найкращим для цього клієнта в даний момент?

Відправною точкою є клієнт і комерційна мета. Роздрібний продавець визначає стратегію, пріоритети та обмеження. Потім Maestro міркує над доступним контекстом клієнта, продукту та робочого процесу, щоб визначити, що має статися далі.
Сюди може входити рішення, яку комерційну мету пріоритетизувати, який робочий процес є релевантним, яку навичку або комбінацію навичок застосувати, які продукти мають сенс і коли має відбутися дія. Роздрібні продавці також можуть встановлювати пріоритети за метриками, такими як дохід, частота покупок, середня вартість замовлення, захист маржі або запобігання відтоку.

Наше міркування Theory-of-Mind додає індивідуальний контекст: що, здається, означає поведінка, чого клієнт дійсно потребує і чому це може бути або не бути правильним моментом. Наші спеціалізовані навички та підтримуючі перевірки можуть працювати паралельно з цим міркуванням. Коли найкраще рішення — не втручатися, Maestro не робить цього. Після того, як Maestro приходить до висновку, він фіксує рішення та його обґрунтування як готову до виконання подію, а не просто повертає список рекомендацій маркетологу.

Replenit використовує архітектуру рою, у якій кілька спеціалізованих AI‑агентів можуть працювати паралельно. Що відбувається, коли кілька агентів одночасно міркують про одного і того ж клієнта, і як запобігти виконанню конфліктних рекомендацій або дій?

Рушій рою Replenit не створює конфлікти між агентами, оскільки мова йде не про паралелізацію рішень клієнтів, а про паралельне виконання компонентів одного рішення. Коли Maestro міркує про клієнта, він одночасно активує кілька спеціалізованих агентів: мережа шлюзу направляє рішення до потрібних моделей, LLM міркування оцінює контекст і поведінку клієнта, агенти збагачення в реальному часі синтезують відсутні дані про клієнта або продукт, а спеціалізовані моделі оцінюють взаємозв’язки та відповідність продукт‑клієнт.

Замість того, щоб виконувати їх послідовно, що було б повільніше і дорожче, вони працюють паралельно над одним і тим же станом клієнта і потім збігаються в одному уніфікованому рішенні щодо того, що має статися далі. Конфлікту немає, оскільки вони не змагаються за вибір різних дій; кожен вносить свою вимірювальну складову в один і той же результат.

Наприклад, збагачення може виявити відсутні сигнали про клієнта або продукт, шар міркувань інтерпретує історію покупок і комерційну мету, моделі взаємозв’язків продуктів ідентифікують базовий продукт і придатні замінники, а оцінка зважує потенційний бізнес‑вплив. Усе це відбувається паралельно, проте дає один результат. Такий рівень паралелізації є важливою архітектурною перевагою. Його важко впроваджувати в двигуни, побудовані як окремі інструментальні обгортки, тоді як Replenit інтегрував це в ядро з самого початку.

Постійна пам’ять — ще один важливий елемент платформи, який дозволяє рішенням будуватися на тому, що вже сталося з кожним клієнтом. Наскільки важлива довгострокова пам’ять для справді автономних AI‑агентів і які запобіжні заходи потрібні, коли ця пам’ять включає потенційно чутливу поведінку клієнтів?

Пам’ять є фундаментом автономного прийняття рішень, оскільки контекст динамічний. Коли Maestro бачить першу покупку дитячого товару, він запам’ятовує, що сімейний контекст змінився, і майбутні рішення мають відображати життєвий цикл батьків. Коли він бачить перші покупки засобів догляду за шкірою, він запам’ятовує, що цей клієнт формує рутину. Коли виникають патерни покупок у сфері фітнесу чи здоров’я, він фіксує формування звички.

Кожна покупка оновлює розуміння системою про цього клієнта — не лише демографічні дані, а й те, що його мотивує, які поведінкові патерни він встановлює і які життєві моменти розгортаються — тому наступне рішення не є загальним, а ґрунтується на реальному контексті клієнта. Це накопичувальна пам’ять робить рішення розумнішими.

Запобіжний захід простий: ми зберігаємо події покупок і контекстуальні патерни, що з них випливають — сигнали життєвого циклу, формування звичок, драйвери покупок і схильність до категорій — з суворими політиками зберігання та, де можливо, псевдонімізацією. Обсяг даних залишається обмеженим. Ми відстежуємо, що сталося, і який контекст змінився, нічого більше. Без цих захисних механізмів постійна пам’ять стає ризиком, а не активом.

Replenit розроблений так, щоб працювати поверх технологій, які вже використовують роздрібні продавці, а не вимагати заміну їх існуючого стеку. Чого ви навчилися, впроваджуючи рішення у понад 30 великих роздрібних компаніях, щодо найбільших технічних або організаційних бар’єрів у наданні AI значущих повноважень для прийняття рішень?

Найчіткіша технічна проблема, з якою ми зіткнулися, полягає не в нестачі даних, а в їхньому стані. У великих роздрібних компаній часто є величезна кількість даних, розкиданих по різних системах, непослідовних або неповних. Ось чому збагачення стало важливою частиною базової архітектури. Система повинна створювати достатньо значущого контексту для міркувань, навіть коли вихідний набір даних є недосконалим.

Організаційно складніше питання — довіра. Надання AI значущих повноважень торкається одночасно кількох функцій. Команди даних і ІТ вимагають пояснюваності, безпеки та мінімального навантаження на інтеграцію. Маркетингові команди потребують впевненості, що комунікація з клієнтами залишиться у відповідності до бренду. Команди CRM хочуть зберегти стратегічний контроль, а не відчувати, що система AI відбирає у них взаємодію з клієнтом.

Тому наш підхід полягає у розділенні стратегії та виконання. Люди визначають цілі, бренд‑директиви та межі, тоді як Maestro відповідає за повторювані індивідуальні рішення та їх виконання в межах цих обмежень. Кожне прийняте рішення спроектовано так, щоб його можна було простежити, і система працює поверх існуючого стеку, а не змушує мігрувати на нову платформу.

Коли AI стає відповідальним за оптимізацію доходу та утримання клієнтів, як запобігти тому, щоб автономна система надто агресивно оптимізувала короткострокові метрики, наприклад, просуваючи зайві акції чи покупки, на шкоду довірі клієнтів і довгостроковій цінності бренду?

Maestro оптимізує згідно з KPI, які визначають люди, а не за власними метриками. Якщо ви задаєте цілі у вигляді довічної цінності клієнта та рівня утримання, саме це він оптимізує, а не швидкість транзакцій чи обсяг акцій. Якщо агресивні короткострокові тактики шкодять утриманню, вони не відповідають реальному KPI. Система вчиться цьому компромісу безпосередньо, бо кожен результат повертається в пам’ять, і стратегії, що шкодять довгостроковому утриманню, явно погіршують бізнес‑ціль, яку встановлено.

Обмеження є структурним. Maestro працює в межах встановлених вами меж. Він не може оптимізувати навколо них; він діє всередині них. Кожне рішення простежуване, тому ви можете аудиту­вати, чому Maestro вирішив надіслати чи утримати, які KPI вплинули на цей вибір і який був очікуваний результат. Без чіткого визначення KPI, меж і прозорості рішень AI‑система могла б надто агресивно просувати. Однак модель Replenit прозора і спроектована так, щоб уникати цього. Бізнес визначає, що важливо, Maestro виконує ці цілі з повною аудиторською можливістю, і кожен результат допомагає визначити, чи працює стратегія насправді.

Моделі фундаменту швидко розвиваються, і все більш здатні агенти стануть доступними майже кожному роздрібному продавцю. У довгостроковій перспективі, звідки, на вашу думку, буде походити захисна перевага в AI‑прийнятті рішень: пропрієтарні моделі, пам’ять на рівні клієнта, доменно‑специфічне міркування, зворотні цикли, інфраструктура чи щось зовсім інше?

Фундаментальні моделі стануть комерціалізованими, тому кожен отримає доступ до все більш потужних рушіїв розумових процесів. Захисність полягає не в самій моделі, а в тому, що ви знаєте про кожного клієнта і наскільки швидко ви накопичуєте ці знання. Перевага Maestro – пам’ять на рівні клієнта, яка поглиблюється з кожною покупкою та кожним результатом. Після шести місяців результатів система знає вашого клієнта краще, ніж будь‑яка загальна модель. Не лише демографічні дані, а й те, що їх мотивує, коли вони сприйнятливі, що викликає відток.

Ця пам’ять також створює безперервність. Перехід на іншу систему означає втрату двох років накопиченого контексту. Крім того, у Replenit закодовані галузево‑специфічні навички для роздрібної торгівлі, включаючи розуміння етапів життєвого циклу, шаблонів швидкості покупок, тригерів поповнення, схильності до категорій у сфері краси чи продуктів харчування. Але навички можна скопіювати. Справжня перевага – це зворотний зв’язок: Maestro приймає рішення, фіксує результат, оновлює пам’ять і використовує це навчання, щоб наступне рішення було розумнішим. Цей цикл безперервний і наростає. З часом система, що працює на ваших даних, стає поступово кращою за нову систему на загальних моделях.

Інфраструктура також має значення. Конкурентність у режимі «swarm» та власні моделі забезпечують кращу економічну ефективність, проте це базовий рівень, а не захисний бар’єр. Захисна перевага полягає у поєднанні гравітації даних клієнтів (витрати на перемикання), безперервного навчання (результати, що повертаються у майбутні рішення) та галузево‑специфічного міркування (контекст роздрібної торгівлі), що працює разом. Окремо кожен елемент можна скопіювати. Разом їх важко відтворити достатньо швидко, щоб наздогнати.

Дякуємо за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Replenit.