Ilyas Kurklu, Replenit 联合创始人兼首席执行官 – 访谈系列

Ilyas Kurklu，Replenit 的联合创始人兼首席执行官，是一位专注于将人工智能应用于客户决策和互动的企业家及零售技术高管。在 Replenit，他负责制定战略、产品开发和合作伙伴关系，凭借十余年帮助企业零售互动业务规模化的经验，将收入从约 $10 million 提升至 $2 billion，并与 300 多家零售商合作。他的职业生涯还包括顾问和业务拓展角色，以及在 Türkiye 的气象总局担任团队负责人和天气预报员六年，期间使用实时数据、雷达、卫星影像和预测系统。

Replenit 是一个面向零售和电子商务的 AI 决策平台，提供零售商数据基础设施与其现有客户互动系统之间的中间层。其 AI 决策引擎结合客户、产品、行为及其他信号，实时确定单个客户的最佳下一步行动；而 Maestro AI CRM Manager 则能够自主管理包括补货、交叉销售、互动、防流失和挽回在内的工作流。Replenit 并不要求零售商更换现有技术栈，而是设计为可与当前的商务、营销和数据平台集成，并将决策转化为可执行的沟通和行动。公司称其技术已被包括 L’Occitane、Mumzworld、e-bebek、Beko 和 Faith In Nature 在内的零售商使用。

在创立 Replenit 并与五位联合创始人一起创办公司之前，你花了多年时间帮助企业零售技术规模化。你反复看到零售商在什么方面苦苦挣扎，以至于确信技术栈中缺少决策层？这一洞察是如何促成 Replenit 的诞生的？

与数百家不同市场的零售商合作时，我们不断听到并看到同一个问题：零售商在数据收集和执行方面都做得非常出色，但两者之间的智能仍然缺失。他们拥有 CDP、仓库、CRM 平台和营销自动化系统，然而决策——即对该单个客户下一步应该实际发生什么——仍然是基于静态规则、宽泛细分、活动日程和人工判断的猜测。技术栈和团队实际上都是对无法在规模上对每位客户进行个体推理的变通方案。Replenit 正是缺失的推理和决策层。我们构建了一个引擎，能够在个体层面解读客户和产品的上下文，决定合适的下一步商业行动，并利用零售商现有系统予以执行。

Replenit 认为零售商已经拥有大量客户数据和众多执行活动的工具，但缺乏能够决定下一步该做什么的智能。为什么客户数据平台（CDP）、客户关系管理（CRM）平台以及营销自动化系统本身未能解决这一问题？

这些系统是为不同的任务而构建的。CDP 能够统一客户数据，但数据统一并不等同于决定如何使用这些数据。CRM 和营销自动化平台则是非常优秀的执行层。一旦有人定义了特定的受众、工作流或活动，它们就可以发送、编排并优化沟通。

即使这些平台加入了预测评分、生成式 AI 和发送时间优化，工作中的基本单元仍常常是活动、旅程、受众或细分。AI 可能会优化营销人员已经决定要做的事情，但它并不一定会决定是否需要采取任何行动、哪个生命周期目标对特定客户最重要、哪款产品相关、为何此时、采用何种语气以及面向何种商业结果。这正是我们在评分与决策之间的区别。预测可以对可能性进行排序，而决策则需要在上下文和备选方案之间进行推理并最终采取行动。Replenit 位于现有技术栈之上，提供这一层，而不是要求零售商更换已有系统。

Replenit 方法的核心部分是运用 Theory of Mind 来推断客户的意图、情境和可能的未来行为。你如何将认知科学中的概念转化为能够做出可靠商业决策的 AI 系统？以及如何验证系统是否正确解读了客户的意图？

我们将 Theory of Mind 转化为一个推理层，超越对客户行为的表面观察，探问该行为为何会发生、它对意图的指示以及在情境中的含义。系统不只依赖历史模式或产品相似性，而是在每个客户‑产品关系的层面进行推理，并利用该情境决定下一步应采取的行动。

这种推理可以包括了解购买背后的可能动机、产品之间的关联、客户试图满足的需求，以及特定行动的时机是否恰当。随后，Replenit 不仅仅是提供选项，而是做出决策并通过零售商现有系统为该决策的执行做好准备。

验证通过结果进行。 一旦做出决定，Replenit 跟踪实际发生的情况，并将该结果反馈到该客户的未来决策中。它还持续评估其技能和决策方法中哪些在产生结果，放大表现良好的，降低不佳的。 从这个意义上说，系统能够更好地知道在正确的时间为正确的客户采取正确的行动，因为它是从真实结果中学习，而不是仅仅重复相同的逻辑。

大多数个性化系统本质上是预测引擎，估计某人可能点击或购买什么。Replenit 强调从预测转向决策。 从 AI 架构的角度来看，当模型必须实际选择下一步行动，而不是仅仅给出概率或推荐时，会有什么变化？

在 Replenit，构成该架构的四个重要部分。第一是黄金记忆：客户、产品和品牌的活记录，为系统提供超越单笔交易的上下文。当信息不完整时，Replenit 还能丰富可用数据并生成合成上下文，以帮助弥补这些缺口。

第二是超过 100 项行业技能。这些是针对特定类别和情境的专门推理能力——例如为美妆零售商提供的化妆程序构建器，或为家具和 DIY 公司提供的室内设计师。 除了这些技能外，15 项支持性检查可以并行运行在决策周围，包括替代、兼容性、重复和抑制检查。

第三是工作流所有权。Maestro 不仅生成推荐并止步，而是能够在补货、交叉销售、互动、挽回、流失、促销和替代等生命周期工作流中进行推理。这些工作流可以为单个客户持续且并行运行，Maestro 在特定时刻决定哪种行动最合适。

最后，我们将其包装为所谓的黄金决策事件：一个已记录、可执行的决策，包含行动及其推理，可直接传递到零售商的 CRM、营销自动化、电子商务、应用或数据系统，支持超过 120 个平台。

因此，区别在于我们从预测可能发生的模型，转向能够记住上下文、调用正确专业知识、评估可用行动、做出决策并使其可执行的系统。

Maestro 能自主决定是否向单个客户发送补货提醒、交叉销售、促销、互动信息、挽回尝试，或可能根本不进行干预。系统如何权衡这些竞争性行动，并确定在当时对该客户真正最佳的决策是什么？

起点是客户和商业目标。零售商设定策略、优先级和约束。随后 Maestro 在可用的客户、产品和工作流上下文中进行推理，以决定下一步应做什么。 这可能包括决定应优先考虑哪个商业目标、哪个工作流相关、应使用哪项或哪些组合技能、哪些产品合适以及何时执行。零售商还可以围绕收入、购买频率、客单价、利润保护或流失预防等指标设定优先级。

我们的 Theory-of-Mind 推理加入了个人上下文：行为可能意味着什么，客户可能真正需要什么，以及为何此时可能或不可能是合适的时机。我们的专门技能和支持性检查可以与该推理并行运行。当最佳决策是无需干预时，Maestro 不会介入。一旦 Maestro 得出结论，它会将决策及其推理提交为可执行事件，而不是仅向营销人员返回一系列推荐。

Replenit 使用群体架构，多个专门的 AI 代理可以并行工作。当多个代理同时对同一客户进行推理时，会发生什么，以及如何防止冲突的推荐或行动被执行？

Replenit 的群体引擎不会产生代理冲突，因为它并非并行化客户决策，而是并行运行单一决策的各个组成部分。当 Maestro 对客户进行推理时，它会同时激活多个专门的代理：一个门控网络将决策路由到合适的模型，一个推理 LLM 评估客户上下文和行为，丰富代理实时合成缺失的客户或产品数据，专门模型评估产品‑客户关系和匹配度。

它们不是顺序运行——那样会更慢且更昂贵——而是在相同的客户状态上并行工作，然后在关于下一步应做什么的统一决策上收敛。不存在冲突，因为它们并非竞争选择不同的行动；每个代理为同一结果贡献不同的维度。

例如，丰富可能会发现缺失的客户或产品信号，推理层解释购买历史和商业目标，产品关系模型识别锚定产品和可行的替代品，评分则衡量潜在的业务影响。这一切都并行发生，但产生唯一的结果。这种并行化水平是重要的架构优势。将其改装到作为单一工具包装器构建的引擎中非常困难，而 Replenit 从一开始就将其设计进核心。

持久记忆是平台的另一重要组成部分，使决策能够基于每位客户之前的行为进行构建。长期记忆对真正自主的 AI 代理有多重要？当记忆涉及潜在敏感的客户行为时，需要哪些防护措施？

记忆是自主决策的基础，因为情境是动态的。当 Maestro 看到首次婴儿产品的购买时，它会记住家庭情境已发生变化，未来的决策应反映父母生命周期。当它看到首次护肤品购买时，它会记住该客户正在建立护肤例程。当购买模式围绕健身或健康出现时，它会捕捉正在形成的习惯。

每一次购买都会更新系统对该客户的理解——不仅是人口统计信息，更包括驱动因素、正在形成的行为以及正在展开的人生时刻——因此下一次决策不再是通用的，而是根植于客户的真实情境。这种累积的记忆使决策更为智能。

防护措施很直接：我们保留购买事件及其产生的情境模式——生命周期信号、习惯形成、购买驱动因素和品类亲和度——并在可能的情况下采用严格的保留政策和假名化处理。数据范围保持紧凑。我们只追踪发生了什么以及情境如何变化，别无他物。若没有这些防护栏，持久记忆将成为负债而非资产。

Replenit 旨在叠加在零售商已有的技术之上，而不是要求他们更换现有的技术栈。您在与超过 30 家企业零售商部署时，学到了哪些关于赋予 AI 有意义的决策权的最大技术或组织障碍？

我们遇到的最明确的技术问题不是数据不足，而是数据的状态。企业零售商往往拥有大量数据，但这些数据分散在不同系统中，存在不一致或不完整的情况。这正是为何丰富成为底层架构的重要组成部分。系统必须在底层数据集不完美的情况下，仍能创建足够有意义的情境以进行推理。

在组织层面，更难的问题是信任。赋予 AI 有意义的决策权会同时触及多个职能。数据和 IT 团队需要可解释性、安全性以及低集成负担。营销团队需要确信客户沟通仍保持品牌一致性。CRM 团队希望保留战略控制权，而不是感觉 AI 系统夺走了他们的客户关系。

因此，我们的做法是将策略与执行分离。人们定义目标、品牌指令和防护栏，而 Maestro 在这些边界内负责可重复的单项决策和执行。每一次承诺的决策都设计为可追溯，系统运行在现有技术栈之上，而不是强制平台迁移。

随着 AI 负责优化收入和留存，您如何防止自主系统过度追求短期指标，例如推动不必要的促销或购买，从而损害客户信任和长期品牌价值？

Maestro 优化的是人类定义的关键绩效指标，而不是它自行选择的度量。如果您将目标设定为客户终身价值和留存率，它就会围绕这些指标进行优化，而不是交易速度或促销量。如果激进的短期策略损害了留存，它们将在实际 KPI 上失败。系统直接学习这种权衡，因为每个结果都会反馈到记忆中，导致损害长期留存的策略在业务目标上显著变差。

约束是结构性的。Maestro 在您设定的防护栏内工作。它无法绕过这些防护栏，而是始终在其范围内运行。每一次决策都是可追溯的，您可以审计 Maestro 为什么选择发送或保留、哪些 KPI 权重影响了该选择以及预期结果是什么。若缺乏明确的 KPI 定义、防护栏和决策透明度，AI 系统可能会过度激进。但 Replenit 的模型是透明的，旨在避免这种情况。业务决定了重要的事项，Maestro 在这些目标下执行，并具备完整的审计能力，每一次结果都有助于判断策略是否真正奏效。

基础模型正在快速提升，越来越强大的代理将几乎面向每家零售商。从长远来看，您认为 AI 决策的防御性优势将来源于哪些方面：专有模型、客户级记忆、领域特定推理、反馈回路、基础设施，还是其他完全不同的因素？

基础模型将变得商品化，因此每个人都能使用日益强大的推理引擎。防御优势不在于模型本身，而在于你对每位客户的了解以及你积累这些知识的速度。Maestro 的优势在于客户级别的记忆，它会随着每一次购买和每一次结果而加深。经过六个月的结果后，系统对你的客户的了解会超过任何通用模型。它不仅仅是人口统计数据，而是了解驱动因素、客户何时接受以及何种因素会导致流失。

这种记忆还能带来连续性。切换到其他系统意味着失去两年的已学习上下文。与此同时，Replenit 为零售行业编码了特定领域的技能，包括对生命周期阶段、购买速度模式、补货触发因素以及美容或食品杂货类别偏好的理解。但这些技能可以被复制。真正的优势在于反馈循环：Maestro 做出决策，捕获结果，更新记忆，并利用这些学习让下一次决策更智能。该循环是持续且复利的。随着时间推移，基于你的数据运行的系统会逐渐优于使用通用模型的全新系统。

基础设施同样重要。Swarm 并发和自有模型能够提升单元经济效益，但这只是基本条件，并非护城河。防御优势在于客户数据重力（切换成本）、持续学习（结果反馈到未来决策）以及特定领域推理（零售特定上下文）的组合，三者协同工作。单独来看，每一项都可以被复制。整体上，它们难以被快速复制以追赶上来。

感谢这次精彩的采访，想了解更多的读者请访问 Replenit。