Eric Picard, SVP für Produkt bei Fluency – Interviewserie

Eric Picard, Senior Vice President of Product at Fluency, ist ein erfahrener Produkt- und Technologie-Executive, der Jahrzehnte damit verbracht hat, digitale Werbeplattformen, automatisierte Märkte, Datensysteme und Consumer-Produkte zu entwickeln. Bevor er zu Fluency kam, hatte er Führungspositionen bei Microsoft, Pandora, MediaMath, Yieldmo und BARK inne, wo seine Verantwortlichkeiten von Werbetechnologie-Strategie und programmatic Media bis hin zu Produktmanagement, Data Science, Engineering und groß angelegter Plattform-Modernisierung reichten. Picard ist auch ein Serien-Unternehmer, der Bluestreak, Rare Crowds, Questori und andere Technologie-Unternehmen gegründet hat, von denen Bluestreak und Rare Crowds letztendlich übernommen wurden. Seine Karriere umfasst die Mitentwicklung einer frühen Echtzeit-Bidding-Werbeplattform, die Einführung von programmatic Audio-Werbeprodukten, die Entwicklung von automatisierter Inventar-Curation-Technologie und die Beratung von Unternehmen zu künstlicher Intelligenz, Produktstrategie, Unternehmensumwandlung und Fusionen und Übernahmen.

Fluency entwickelt ein digitales Werbe-Betriebssystem, das Agenturen, Marken und multi-standortische Unternehmen dabei hilft, bezahlte Medienkampagnen über Suchmaschinen, soziale Medien, programmatic Plattformen, geschlossene Gärten und das offene Web zu verwalten. Die Plattform zentralisiert Daten, kreative Assets, Inventar, Compliance-Anforderungen, Zielgruppen, Kampagnenstrategie, Berichterstattung und Ausführungsworkflows und nutzt Automatisierung und künstliche Intelligenz, um wiederkehrende operative Arbeiten zu reduzieren und Kampagnen im großen Maßstab zu koordinieren. Fluency konzentriert sich zunehmend auf agentische Werbung, einschließlich von durch AI angetriebenen Workflows, die Kampagnen ausführen und optimieren können, während strategische und Markenkontrollen aufrechterhalten werden. Das Unternehmen gibt an, dass seine Technologie mehr als 250.000 Kampagnen pro Monat unterstützt und etwa 3 Milliarden Dollar an Werbeausgaben pro Jahr verwaltet.

Ihre Karriere umfasst mehrere grundlegende Perioden in der digitalen Werbung, von der Gründung von Bluestreak und der Mitentwicklung von frühen digitalen Werbestandards bis zur Mitentwicklung der Architektur einer der ersten Echtzeit-Bidding-Exchanges. Wie haben diese Erfahrungen Ihre Herangehensweise an die Entwicklung der nächsten Generation von agentischer Werbung bei Fluency geprägt?

Ich habe das große Glück gehabt, in meiner Karriere einen Bereich zu finden, der auf vielfältige Weise interessant ist, nämlich die digitale Werbung. Ich durfte Teil des Mechanismus sein, der das Wachstum des Internets finanzierte. Ich hatte die Gelegenheit, einige der grundlegenden Mechanismen der digitalen Werbung zu erfinden oder mitzuerfinden. Und die technischen Herausforderungen in diesem Bereich sind so groß wie in keinem anderen Bereich der Software. Es ist also immer interessant.

Mit Bluestreak haben wir einige der ersten Werbeformate entwickelt, einschließlich einiger der ersten Video- und Audio-Werbeformate. Wir waren die ersten, die Multi-Touch-Attribution anboten, die ersten, die ein Tag-Management-System anboten, und die ersten, die Multi-Touch-Attribution über alle digitalen Medientypen hinweg anboten. Dies führte dazu, dass wir eingeladen wurden, den ersten Impression-Standard mit der Interactive Advertising Bureau (IAB) und dem Media Rating Council (MRC) zu entwickeln.

Als ich zu Microsoft kam, hatte das Unternehmen beschlossen, in Werbetechnologie zu investieren, weil es erkannt hatte, dass Google mehr Geld pro Windows-Kopie verdiente als Microsoft selbst, und zwar aufgrund der digitalen Werbung. Man bot mir eine Rolle an, die unglaublich verlockend war, nämlich die globale Strategie für Microsofts Einstieg in den Werbetechnologie-Bereich zu entwickeln.

Wir beschlossen, groß in die Werbetechnologie zu investieren, und ich war dafür verantwortlich, die Build/Buy/Partner-Strategie zu entwickeln. Ich durfte Due-Diligence-Prüfungen bei über 150 Unternehmen durchführen, wir kauften sieben Unternehmen und investierten stark in die Entwicklung interner Teams. Als ich ankam, hatten wir etwa 200 Ingenieure, die an der Werbetechnologie arbeiteten, und wir hatten etwa 750 Millionen Dollar an Medienumsatz. Als ich ging, hatten wir 1.500 Ingenieure, die an der Werbetechnologie arbeiteten, und über 5 Milliarden Dollar an Umsatz. Heute macht der Suchmaschinen-Werbeumsatz etwa 15 Milliarden Dollar aus, aber zu dieser Zeit war es eine unglaubliche Zahl.

Eines der Unternehmen, das ich mir ansah und das wir letztendlich kauften, war AdECN. Dies war Jeff Greens erstes Unternehmen, bevor er The Trade Desk gründete. Wir hatten uns entschieden, Right Media zu kaufen, was mich mit Brian O’Kelley bekannt machte, aber wir ließen es bleiben. Wir dachten, es gäbe eine Chance für eine asynchrone globale Auktion, die es mehreren externen Bietern ermöglichen würde, an die Exchange anzuschließen. Also kauften wir es und halfen ihnen, ein robustes Ingenieur-Team aufzubauen, um die Vision umzusetzen.

Als AdECN bereit war, die erste Echtzeit-Bidding-Exchange zu starten, gab es einen Kampf um die Ansätze, und letztendlich verließ es nie die Beta-Testphase.

Es gab zwei Ergebnisse, die das gesamte Werbetechnologie-Ökosystem veränderten. Erstens begann Brian O’Kelley AppNexus, nachdem er Right Media verlassen hatte, und als klar war, dass AdECN nie vom Boden kommen würde, setzte ich mich für die Gelegenheit ein, mit AppNexus zu kooperieren. Dies führte letztendlich zu einer großen Investition in das Unternehmen und einer starken Partnerschaft, die schließlich mit der Übernahme durch Microsoft endete. Das zweite wichtige Ergebnis war, dass Jeff Green Microsoft verließ, einige der Ingenieure, die die Echtzeit-Bidding-Exchange bei AdECN entwickelt hatten, mitnahm und The Trade Desk gründete.

Als ich auf den ersten Teil meiner Karriere zurückblicke, der von 1997 bis 2010 reichte, hat er einige langfristige Samen gesät, die jetzt interessante Früchte tragen. Ich ging zu verschiedenen Rollen, einschließlich meiner Startup Rare Crowds, wo wir die programmatic Curation erfanden. Ich verbrachte Zeit bei Unternehmen wie Pandora, wo wir ein großes Audio-Werbe-Geschäft hatten, einschließlich des größten Audio-Werbe-Exchanges, und Yieldmo, wo wir den ersten datenschutzorientierten Werbe-Exchange aufbauten. Während dieser Zeit hatte ich die Gelegenheit, Teil des Vorstands der IAB Techlab zu sein und wurde in den Vorstand der IAB eingeladen. Und ich habe weiterhin an der Entwicklung von Branchenstandards gearbeitet.

Im letzten Jahr sah Brian O’Kelley die Gelegenheit, einen Branchenstandard für agentische Werbung zu entwickeln, der als AdCP bezeichnet wird und von der AgenticAdvertising.org verwaltet wird. Brian und ich sprachen über die Lücken in der Arbeit, die geleistet wurde, und ich bot an, die erste Spezifikation für Governance und Compliance für AdCP zu schreiben.

Ein paar Monate nachdem ich es geschrieben hatte, wurde ich von Fluency kontaktiert. Als ich begann, zu verstehen, was sie entwickelt hatten, war ich beeindruckt. Sie hatten effektiv alles gelöst, was ich in meiner Spezifikation aufgerufen hatte. Sie hatten agentische Werbung bereits seit acht Jahren betrieben, lange bevor LLMs bereit waren, “agentisch” zu werden.

Ich sah, dass der deterministische Ansatz, den sie mit ihren Agenten gewählt hatten, genau das war, was benötigt wurde, um die Bedürfnisse von LLM-gesteuerten Agenten zu erfüllen, die inhärent probabilistisch sind. Das bedeutet einfach, dass LLMs großartig darin sind, “zu denken” und kreativ zu sein, aber schlecht darin, immer das gleiche zu tun. Jeder Ansatz hat allein Schwächen, aber zusammen lösen sie das Problem der agentischen Werbung.

Meine Vision war kompatibel mit der von Fluencys Führungsteam, und ich kam, um das Produkt hier zu leiten. Jetzt laufen wir mit voller Kraft auf eine Welt zu, in der Agenten sicher mit Menschen in der Schleife transaktionsfähig sind, wenn erforderlich, und LLM-gesteuerte Agenten deterministische Schutzvorkehrungen erhalten, um ihr Verhalten zu steuern.

Ich fühle mich unglaublich glücklich, so viele der Wellen des großen Wandels in der digitalen Werbung geritten zu sein, von der Gründung von Bluestreak und der Mitentwicklung von frühen digitalen Werbestandards bis zur Mitentwicklung der Architektur einer der ersten Echtzeit-Bidding-Exchanges. Es war eine wilde Fahrt, und ich habe immer noch Spaß und bin aufgeregt über die Chancen in diesem Bereich.

Echtzeit-Bidding gab der Software die Fähigkeit, finanzielle Entscheidungen in Millisekunden zu treffen. Welche Lektionen sollten heutige Entwickler aus der Entwicklung der programmatic Werbung ziehen, wenn sie AI-Agenten größere operative Autonomie geben?

In der programmatic Werbung haben wir Machine Learning, eine Form von künstlicher Intelligenz, verwendet, um Entscheidungsmotoren zu bauen, die Zehnmillionen von Entscheidungen pro Sekunde treffen konnten. Dies erfordert eine unglaubliche Menge an Rechenleistung, Datenverarbeitung, riesige Mengen an Infrastruktur und vor der Entwicklung von generativer künstlicher Intelligenz würde ich argumentieren, dass es eine der tiefgreifendsten Entwicklungen in der gesamten Computertechnologie war.

Für all ihre Macht gibt es auch massive Ineffizienzen im programmatic-Modell und ein riesiges, komplexes Ökosystem, das viel zu viel Strom (und daher viel zu viel Kohlenstoff) pro Werbe-Impression verbraucht. Ich will nicht sagen, dass ich den programmatic-Bereich nicht liebe, und ich bin beeindruckt von dem, was wir geschaffen haben. Aber es fühlt sich an, als hätten wir eine Maschine gebaut, die viel komplexer ist als der Gewinn, den wir für all diese Komplexität erhalten.

Obwohl die gleichen Argumente auch für generative künstliche Intelligenz gelten, müssen LLM-gesteuerte Agenten in den Ökosystemen an den Schnittstellen und nicht im Herzen jedes einzelnen Transaktionssystems leben. Und indem wir LLMs mit deterministischen Agenten sorgfältig mischen, können wir Transaktionen viel effizienter verwalten und die Komplexität stark reduzieren.

Es gibt zwei große Initiativen in der Branche, die darauf abzielen, LLM-gesteuerte Agenten in den Workflow der Transaktionen zu integrieren. Die IAB Techlab hat die Agentic Advertising Management Protocols (AAMP)-Initiative gestartet, die Mechanismen ermöglicht, LLMs in die Echtzeit-Bidding-Infrastruktur zu integrieren, indem Entscheidungen im Voraus getroffen und in den Echtzeit-Systemen des Ökosystems zwischengespeichert werden. Das AdCP-Projekt konzentriert sich auf das, was ich als “Kontolevel”-Integrationen bezeichne. Das bedeutet, dass alle Arbeiten, die von Menschen in den Kampagnen- und kreativen Workflows für Werbung geleistet werden, automatisiert werden können. Während AAMP sehr wertvoll und interessant ist, verbessert es ein komplexes modernes System. AdCP geht ein Problem an, das seit Beginn der Branche existiert, und eines, das Fluency bereits seit acht Jahren löst. Also graben wir tief in AdCP, aber wir werden uns auch in AAMP einarbeiten.

Fluency hat effektiv das letzte Meilenproblem gelöst, das im Werbetechnologie-Bereich nie angegangen wurde: Die massiven Ineffizienzen bei der Erstellung und Verwaltung von Werbekampagnen auf Konten-, Kampagnen- und kreativer Ebene. Und ich glaube wirklich, dass die Arbeit, die wir leisten, so profund ist wie die Gelegenheit, die wir mit Echtzeit-Bidding hatten. Wenn wir LLMs in die Workflows integrieren, die Fluency bereits automatisiert hat, erhöhen wir den Wert des gesamten Systems.

Fluency trennt probabilistische AI-Argumentation von den deterministischen Systemen, die Kampagnenänderungen ausführen. Warum ist es derzeit zu riskant, einem großen Sprachmodell zu erlauben, direkt Werbebudgets zu kontrollieren?

Ich denke, dass dies ein grundlegendes Problem ist, das LLMs wahrscheinlich immer haben werden. Probabilistische Motoren sind so konzipiert, dass sie bei der gleichen Frage immer unterschiedliche Antworten geben. Selbst wenn sie unglaublich gut darin sind, zu denken, sind sie schlecht darin, deterministische Dinge zu tun. Lassen Sie uns Arithmetik als Beispiel nehmen:

LLMs können buchstäblich nicht addieren, subtrahieren, multiplizieren oder dividieren. Nun denken Sie vielleicht, dass sie dies können, weil sie, wenn Sie ihnen eine Frage stellen, die Rechenoperationen erfordert, die richtige Antwort geben können. Aber was die meisten Menschen nicht wissen, ist, dass sie dies tun, indem sie Skripte schreiben und Code ausführen, um Berechnungen durchzuführen. Das ist, worüber wir hier sprechen: Die Schnittstelle zwischen einem probabilistischen LLM, der versteht, dass es Arithmetik nicht kann, und einem deterministischen Softwarestück, das Berechnungen durchführt, um die Aufgabe zu lösen.

Obwohl das LLM jetzt “magisch” Arithmetik kann, würde ich nie einem LLM erlauben, mein Finanzmanagement zu übernehmen und Aktienkaufentscheidungen für mich zu treffen. Ich würde nie einem LLM erlauben, meine Steuern zu machen und sie ohne Überprüfung einzureichen. Verdammt, ich würde nicht einmal einem LLM erlauben, eine E-Mail oder einen Blog-Beitrag zu schreiben, ohne ihn sorgfältig zu überprüfen, um sicherzustellen, dass alles wahr ist.

Obwohl sie cleverer und besser darin werden, auszuführen, werden sie vielleicht eines Tages in der Lage sein, dies zu tun, indem sie ihr eigenes deterministisches Softwarestück schreiben, um die Teile des Problems zu lösen, die deterministisch sind.

Fluency ist bereits da – wir haben die deterministischen Rohre, um Werbung zu verwalten. Wir integrieren LLMs in diese Plattform und verwenden sie für die Dinge, die sie großartig können. Und wir öffnen unsere Plattform für externe Agenten, damit sie über unsere Rohre ausführen können. Letztendlich sehe ich dies als den Bau des Tores in das Werbe-Ökosystem, wo ein LLM-gesteuerter Agent auf jedem Medien-Plattform transaktionsfähig sein kann, indem er in einem Ort integriert wird. Aber wir sind alle noch ein bisschen von diesem langfristigen Ergebnis entfernt!

Wie bewertet Fluencys deterministischer Ausführungsschicht die Empfehlungen eines AI-Agenten, bevor sie ihn eine Live-Kampagne beeinflussen lässt, und welche Arten von Regeln oder Einschränkungen können Werbetreibende festlegen?

Wir bieten Mechanismen, um deterministische Anweisungen zu erstellen, die immer auf die gleiche Weise auf Werbeplattformen ausgeführt werden. Dies ist ein großes Problem, das in jedem Bereich gelöst werden muss. Für Werbung ist das Unternehmen, das dies löst, Fluency. Wir ermöglichen die Erstellung von Geschäftsregeln und Heuristiken für jede Aktion, die unsere Kunden in einer Werbeplattform ausführen könnten. Wenn es möglich ist, IF-THEN-Logik für ein Problem zu erstellen, ermöglicht unsere Plattform, dass dies in Geschäftsregeln kodifiziert wird, die immer auf die gleiche Weise befolgt werden.

Dies ist entscheidend, um zu verstehen. Es gibt viele Entscheidungen, die Menschen immer auf die gleiche Weise treffen, wenn sie eine bestimmte Situation sehen. Dies ermöglicht es uns, Dinge wie Budget-Management-Regeln zu kodifizieren oder Kampagnen und kreative Inhalte zu generieren, während wir Namenskonventionen durchsetzen, oder automatisch Kampagnen und kreative Inhalte auf- und abschalten, basierend auf Auslösern in externen Datensätzen.

Zum Beispiel könnte ein Autohändler eine neue Lieferung von Autos erhalten. Fluency kann das Inventar-Management-System des Händlers lesen und automatisch Kampagnen und kreative Inhalte für das genaue Modell, die genaue Farbe und die spezifischen Attribute jedes einzelnen Fahrzeugs generieren, innerhalb von Minuten, nachdem die Autos auf dem Hof sind. Und wenn das letzte Auto verkauft ist, schaltet es diese Kampagnen automatisch ab.

All dies ist ziemlich profund, weil die Geschäftsentscheidungen, all dies zu tun, sehr einfach sind, wenn man sie einzeln betrachtet. Es ist das “Tod durch tausend Schnitte”-Problem bei der Verwaltung von Werbung heute, das verschwindet. Unsere Kunden finden, dass dies ihre Teams von der Lösung von Problemen den ganzen Tag befreit, um die Arbeit zu tun, die wichtig ist, um den Nagel für ihre Kunden zu bewegen.

Werbestrategie und kreative Entwicklung erfordern oft Experimentierfreudigkeit und subjektive Urteilsbildung. Wie können Organisationen die Flexibilität der generativen künstlichen Intelligenz bewahren, während sie sicherstellen, dass die Kampagnenausführung vorhersehbar und konform bleibt?

Alles, was wir bisher besprochen haben, hat den Rahmen geschaffen, um dies auf einfache Weise zu beantworten. Die Dinge, die in Geschäftsregeln kodifiziert werden können, sind ordnungsgemäß eingerichtet, um diese einfachen Entscheidungen auszuführen, die immer auf die gleiche Weise getroffen werden. LLMs können helfen, Muster zu erkennen und zu analysieren, wie auch andere Formen von künstlicher Intelligenz wie Machine Learning, die eine lange Geschichte in der Werbetechnologie haben. Aber der eigentliche Trick ist, Mechanismen zu haben, um einen Menschen zu bitten, einzugreifen, wenn das Problem nicht so klar beantwortet ist. Unsere Kunden können ihre Risikotoleranz dafür einstellen, also wenn das Problem ein geringes Risiko birgt, können sie entscheiden, die Maschinen die Entscheidung treffen zu lassen. Aber für Dinge, die wirklich menschliche Entscheidungen erfordern, warnen wir sie und ermöglichen es ihnen, das Steuer zu übernehmen.

Fluencys Plattform operiert über Such-, soziale und programmatic Werbe-Kanäle. Welche technischen Herausforderungen entstehen, wenn ein AI-Agent über Plattformen nachdenken muss, die unterschiedliche Datenstrukturen, Optimierungssysteme und Richtlinienanforderungen haben?

Jede Werbeplattform hat einen einzigartigen Satz von Best Practices und Fähigkeiten. APIs sind die festen Rohre, an die wir uns anschließen, um diese Plattformen extern zu steuern. APIs sind sehr gut dokumentiert, aber diese Dokumentation ist wirklich der Satz von Regeln für das, was auf diesen Plattformen getan werden kann. Sie sind nicht die Verkörperung von Best Practices für diese spezifische Plattform.

LLMs können viel Information in den Kontext aufnehmen, so dass die Best Practices für die Verwendung jeder Plattform verfügbar gemacht werden können. Da Fluency viele Plattformen für viele Agenturen und Werbetreibende betreibt, können wir die Best Practices jedes Kunden (in ihrem Namen) in die Anweisungen kodifizieren, die ein LLM befolgen kann, um unterschiedliche Best Practices für jeden Kunden zu ermöglichen. Unsere Kunden haben alle ihre eigenen “Playbooks” für die Verwaltung ihrer Geschäfte, und Fluency ermöglicht es ihnen, diese in deterministische Regeln zu kodifizieren, wo immer möglich, und über die Zeit werden wir sie als Anweisungssätze für LLM-gesteuerte Agenten ermöglichen, wo dies sinnvoll ist.

Wir beginnen jetzt, mit unseren Kunden an dieser nächsten Generation von Entwicklung zu arbeiten, um diese komplexeren Szenarien in ihre Konten auf unserer Plattform zu kodifizieren. Es ist noch früh. Jeder, der Ihnen sagt, dass er irgendeinen Teil davon mit LLMs gelöst hat, streckt die Wahrheit, weil die Dinge so früh sind und die Modelle sich so schnell weiterentwickeln, dass es noch nicht von jemandem vollständig gelöst wurde. Aber wir sind sehr gut positioniert, um mit unseren Kunden zusammenzuarbeiten, um dies zu lösen.

Was sollte eine effektive menschliche Aufsicht in einem agentischen Werbeumfeld aussehen? Welche Entscheidungen können sicher autonom werden, und welche sollten weiterhin menschliche Überprüfung oder Genehmigung erfordern?

Jeder Kunde hat eine andere Risikotoleranz, und die meisten von ihnen haben noch nie ein System gehabt, das dies ausdrücken kann. In Fluency wird die Urteilsbildung, die ein guter Kampagnen-Manager in seinem Kopf anwendet, einmal kodifiziert und dann identisch auf jedes Konto, jede Plattform, jedes Mal angewendet. Die Situationen, die keine klare Antwort haben, werden automatisch an einen Menschen weitergeleitet, mit dem Kontext, den er benötigt, um die Entscheidung zu treffen.

Was dies in der Praxis bedeutet, variiert stark. Wir führen eine Vielzahl von Regeln für unsere Kunden aus, um ihnen zu helfen, menschliche Entscheidungen zu kodifizieren, die nicht variieren, und wir warnen sie, wenn die Antwort nicht klar ist.

Welche Entscheidungen sicher autonom werden können, hängt vom Kunden ab, und ich denke, dass eine universelle Antwort nicht viel wert ist. Die Plattform muss die Linie durchsetzen, wo immer der Kunde sie zieht, und es ihm ermöglichen, sie zu verschieben, wenn sein Vertrauen wächst.

Wie sollten Plattformen die Argumentation, Daten und Regeln hinter jeder Aktion dokumentieren, damit Werbetreibende die Leistung überprüfen, Fehler untersuchen und Konformität nachweisen können?

Einer der Kernwertpropositionen, die Fluency bietet, ist, dass wir SOC2-konform sind und vollständig auditable sind. Änderungen werden über das gesamte System hinweg protokolliert. Ich war CPTO eines börsennotierten Unternehmens und war früher für die Einhaltung von Vorschriften verantwortlich, also weiß ich, wie komplex dies sein kann. Es ist ein weiterer Grund, warum ich mich freute, zu Fluency zu kommen, weil jeder Aspekt dessen, was wir tun, vollständig auditable ist. Wir führen auch Änderungsprotokolle für jede Änderung, die im System vorgenommen wird, und protokollieren sie gegen den Benutzer oder den Agenten, der sie initiiert hat.

Es gibt eine zweite Ebene, die wichtig ist. Da die Geschäftsregeln in Software kodifiziert sind, ist die Regel ihre eigene Spezifikation. Es gibt keine Abweichung zwischen der Dokumentation und dem Verhalten, was der Punkt ist, an dem Audits normalerweise auseinanderbrechen. Und in einer LLM-gesteuerten Welt kann die kodifizierte Logik in einfache Geschäftssprache zurückübersetzt werden, wenn gewünscht, so dass die Person, die die Audit durchführt, nicht Code lesen muss, um zu verstehen, was das System angewiesen wurde zu tun.

Für eine Agentur oder Marke, die agentische Werbung einführt, welche Workflows bieten den besten Ausgangspunkt, und welche Beweise sollte die Organisation erfordern, bevor sie die Autorität eines Agenten erweitert?

Aus Fluencys Sicht ist agentische Werbung gut etabliertes Terrain. Wir haben seit acht Jahren agentische Werbung betrieben. Wir haben Hunderte von Agenturen und Marken, die unsere Plattform nutzen, um agentische Werbung zu betreiben, und im multi-lokalen Bereich sind dies Zehntausende von Standorten.

Wir automatisieren den Großteil dessen, was Menschen wiederholt tun, um Kampagnen einzurichten und zu verwalten, über Such-, soziale und programmatic Plattformen hinweg, also gibt es keinen Workflow, der einen besseren oder schlechteren Ausgangspunkt bietet. Der beste Ausgangspunkt ist der Kanal, den unser Kunde als am meisten arbeitsintensiv empfindet.

LLMs helfen uns auch, unsere Kunden schneller aufzubauen, weil, wie Sie sich vorstellen können, die Kodifizierung der Geschäftsregeln eines Kunden ähnlich ist wie die Durchführung einer CRM-Implementierung, gemessen in Monaten. Wir bauen Tools, die LLMs nutzen, um die Regelsätze zu erstellen und die Automatisierungs-Skripte zu schreiben. Dies wird den Onboarding-Prozess viel schneller machen und die Komplexität für unsere Kunden verringern.

Werbung ist ein frühes Testfeld für autonome Systeme, die mit echtem Geld im großen Maßstab umgehen. Welche Lektionen aus dieser Branche könnten auf Finanzdienstleistungen, Gesundheitswesen, Unternehmensbeschaffung oder andere regulierte Bereiche, die AI-Agenten einführen, angewendet werden?

Werbung war das Testfeld für autonome Systeme, die mit echtem Geld umgehen, seit 20 Jahren. Programmatic hat der Branche beigebracht, wie man Software ermöglicht, Milliarden von Dollar pro Tag ohne menschliche Genehmigung für einzelne Transaktionen zu verpflichten. Die meisten der aktuellen Diskussionen über agentische künstliche Intelligenz finden auf einer Ebene statt, die Werbung vor langer Zeit verlassen hat.

Fluency hat über 3 Milliarden Dollar an jährlichem Umsatz, der über unsere Plattform läuft, über Hunderte von Agenturen und Marken und im multi-lokalen Bereich über Zehntausende von Standorten. Die meisten Diskussionen über agentische Werbung konzentrieren sich derzeit auf Pilot-Budgets und eine Handvoll von Konten.

Was auf andere Bereiche übertragbar ist, ist die Architektur. Sie trennen die Systeme, die entscheiden, von den Systemen, die ausführen. Die Entscheidungsebene kann probabilistisch sein, weil Urteilsbildung von Flexibilität und Kreativität profitiert. Die Ausführungsebene muss deterministisch sein, weil Geldbewegung nicht der Ort ist, an dem man Varianz haben möchte. Jede Aktion wird gegen den Benutzer oder den Agenten protokolliert, der sie initiiert hat, was eine Audit-Spur bietet, die vor einem Regulator standhält.

Diese Anforderung ist identisch in Finanzdienstleistungen, in der Gesundheitsversorgung, in der Unternehmensbeschaffung. Die Architektur, die wir für Werbung entwickelt haben, ist die richtige: Vollständige Auditierbarkeit mit Änderungsprotokollen für jede Änderung ist ein Muss. Ich bin besonders besorgt über nicht-menschliche Urteilsbildung in Dingen wie der Genehmigung von medizinischen Verfahren und der Genehmigung von Versicherungsansprüchen. Ich denke nicht, dass LLMs dort noch sind, und ich habe persönliche Beispiele in meinem eigenen Leben, in denen automatisierte Systeme sehr schlechte Entscheidungen über die Genehmigung oder Ablehnung von Versicherungsansprüchen getroffen haben.

Meine Erwartung ist, dass das Muster, das Werbung etabliert, das Muster ist, das diese Branchen übernehmen werden. Wir haben einen 20-jährigen Vorsprung bei der Lösung des Problems von Maschinen, die Geld ausgeben, hundreds of millions of times per second. Fluencys Ansatz erstreckt sich von der Transaktion bis zum Workflow, und ich bin zuversichtlich, dass unser Ansatz ähnlich der sein wird, der gewinnt. Thank you for the great interview, readers who wish to learn more should visit Fluency.