Eric Picard, Vicepresidente Senior de Producto en Fluency – Serie de Entrevistas

Eric Picard, Vicepresidente Senior de Producto en Fluency, es un experimentado ejecutivo de producto y tecnología que ha pasado décadas desarrollando plataformas de publicidad digital, mercados automatizados, sistemas de datos y productos orientados al consumidor. Antes de unirse a Fluency, ocupó puestos de liderazgo en Microsoft, Pandora, MediaMath, Yieldmo y BARK, donde sus responsabilidades abarcaron desde la estrategia de tecnología publicitaria y medios programáticos hasta la gestión de productos, ciencia de datos, ingeniería y modernización de plataformas a gran escala. Picard también es un emprendedor serial que fundó Bluestreak, Rare Crowds, Questori y otras empresas de tecnología, con Bluestreak y Rare Crowds siendo finalmente adquiridas. Su carrera ha incluido ayudar a arquitecturar un intercambio de anuncios de oferta en tiempo real, lanzar productos de publicidad de audio programática, desarrollar tecnología de curación de inventario automatizada y asesorar a empresas sobre inteligencia artificial, estrategia de productos, transformación corporativa y fusiones y adquisiciones.

Fluency desarrolla un Sistema Operativo de Publicidad Digital diseñado para ayudar a agencias, marcas y empresas multilocal a gestionar campañas de medios pagos en búsqueda, redes sociales, plataformas programáticas, jardines amurallados y la web abierta. La plataforma centraliza datos, activos creativos, inventario, requisitos de cumplimiento, audiencias, estrategia de campaña, informes y flujos de trabajo de ejecución, utilizando la automatización y la inteligencia artificial para reducir el trabajo operativo repetitivo y coordinar campañas a gran escala. Fluency se centra cada vez más en la publicidad agente, incluyendo flujos de trabajo impulsados por IA gobernados que pueden ejecutar y optimizar campañas mientras mantienen controles estratégicos y de marca definidos. La empresa afirma que su tecnología admite más de 250.000 campañas cada mes y gestiona aproximadamente $3 mil millones en gastos publicitarios anuales.

Su carrera ha abarcado varios períodos fundamentales en la publicidad digital, desde fundar Bluestreak y ayudar a establecer los primeros estándares digitales de publicidad hasta contribuir a la arquitectura de uno de los primeros intercambios de oferta en tiempo real. ¿Cómo han influido esas experiencias en su enfoque para construir la próxima generación de sistemas de publicidad agente en Fluency?

He tenido mucha suerte en mi carrera al encontrar un espacio que fue interesante de una manera multifacética con la publicidad digital. Formé parte del mecanismo que financió el crecimiento de Internet. He podido inventar o formar parte de la invención de algunos de los mecanismos fundamentales de cómo funciona la publicidad digital. Y los desafíos técnicos en este espacio rivalizan con cualquier otro en software. Así que siempre es interesante.

Con Bluestreak, construimos algunos de los primeros formatos de anuncios, incluidos algunos de los primeros anuncios de video y audio. Fuimos los primeros en hacer atribución multitáctil, los primeros en ofrecer un sistema de gestión de etiquetas y los primeros en ofrecer multitáctil en todos los tipos de medios digitales. Esto nos llevó a ser invitados a coautorizar el primer estándar de impresión trabajando con la Asociación de Publicidad Interactiva (IAB) y el Consejo de Calificación de Medios (MRC).

Cuando fui a Microsoft, la empresa había decidido invertir en tecnología publicitaria porque vieron que Google ganaba más dinero por cada copia de Windows que Microsoft, todo debido a la publicidad digital. Me ofrecieron un papel que era increíblemente atractivo, la oportunidad de escribir la estrategia global para cómo Microsoft debía ingresar al espacio de tecnología publicitaria.

Decidimos ir a lo grande en la publicidad tecnológica, y estuve a cargo de figurar la estrategia de construir/comprar/asociar. Realicé la debida diligencia en más de 150 empresas, compramos siete empresas e invertimos mucho en el crecimiento de los equipos internos. Cuando llegué, teníamos alrededor de 200 ingenieros trabajando en la publicidad tecnológica, y teníamos alrededor de $750MM en ingresos por medios. Al momento de mi partida, teníamos 1.500 ingenieros trabajando en la publicidad tecnológica, y más de $5 mil millones en ingresos. Hoy en día, los ingresos por publicidad de búsqueda ascienden a alrededor de $15 mil millones, pero en ese momento era un número increíble.

Una de las empresas que examiné, y que finalmente adquirimos, fue AdECN. Esta fue la primera empresa de Jeff Green, antes de que fundara The Trade Desk. Examinamos la posibilidad de comprar Right Media, lo que me permitió conocer bien a Brian O’Kelley, pero decidimos no hacerlo. Sentimos que había una oportunidad para una subasta global asíncrona que permitiera a varios oferentes externos conectarse al intercambio. Así que adquirimos AdECN y ayudamos a construir un equipo de ingenieros robusto para ejecutar la visión.

Cuando AdECN estuvo lista para lanzar el primer intercambio de oferta en tiempo real, hubo una batalla sobre los enfoques, y básicamente nunca salió de la prueba beta.

Hubo dos resultados de esto que realmente cambiaron todo el ecosistema de la publicidad tecnológica. El primero fue que Brian O’Kelley comenzó AppNexus después de dejar Right Media, y cuando quedó claro que AdECN nunca despegaría, abogué por la oportunidad de asociarnos con AppNexus. Esto llevó a una gran inversión en la empresa y una sólida asociación que finalmente terminó con su adquisición por parte de Microsoft. El segundo resultado importante fue que Jeff Green dejó Microsoft, se llevó a algunos de los ingenieros que habían construido el intercambio de oferta en tiempo real en AdECN y fundó The Trade Desk.

Cuando miro el primer arco de mi carrera, que nos llevó de 1997 a 2010, plantó algunas semillas a largo plazo que ahora han germinado en frutos interesantes. Me fui a varios papeles, incluyendo mi startup Rare Crowds, donde inventamos la Curación Programática. Pasé tiempo en empresas como Pandora, donde teníamos un gran negocio de publicidad de audio, incluyendo el mayor intercambio de anuncios de audio, y Yieldmo, donde construimos el primer intercambio de anuncios centrado en la privacidad. Durante ese tiempo, tuve la oportunidad de formar parte de la junta directiva de IAB Techlab y fui invitado a formar parte del comité ejecutivo de la junta. Y he seguido trabajando en estándares de la industria todos estos años.

El año pasado, Brian O’Kelley vio la oportunidad de construir un estándar de la industria para la Publicidad Agente, que se llama AdCP, administrado por AgenticAdvertising.org. Brian y yo hablamos sobre dónde había agujeros en el trabajo que se estaba realizando, y me ofrecí a escribir la primera especificación para la gobernanza y el cumplimiento de AdCP.

Un par de meses después de escribirla, fui contactado por Fluency. Cuando comencé a aprender lo que habían construido, me quedé asombrado. Básicamente, ya habían resuelto todo lo que había señalado en mi especificación. Habían estado haciendo publicidad agente durante ocho años, mucho antes de que las LLM estuvieran listas para ir “agentes”.

Vi que el enfoque determinístico que habían tomado con sus agentes era exactamente lo que se necesitaba para satisfacer las necesidades de los agentes impulsados por LLM, que son inherentemente probabilísticos. Cada enfoque por sí solo tiene debilidades, pero juntos resuelven el problema de la publicidad agente.

Mi visión era compatible con la del equipo de liderazgo de Fluency, y me uní para liderar el producto aquí. Ahora estamos avanzando a toda velocidad hacia un mundo donde los agentes pueden transactar publicidad de manera segura con humanos en el bucle cuando sea necesario, y los agentes impulsados por LLM tienen guardias deterministas para gestionar su comportamiento.

Me siento increíblemente afortunado de haber cabalgado muchas de las olas de cambios importantes en la publicidad digital, desde fundar Bluestreak y ayudar a establecer los primeros estándares digitales de publicidad hasta contribuir a la arquitectura de uno de los primeros intercambios de oferta en tiempo real. Ha sido un viaje salvaje, y todavía estoy divirtiéndome y emocionado por las oportunidades en este espacio.

La oferta en tiempo real dio a la publicidad la capacidad de que el software tomara decisiones financieras en milisegundos. ¿Qué lecciones de la publicidad programática deberían considerar los desarrolladores actuales al otorgar a los agentes de IA una mayor autonomía operativa?

En la publicidad programática, usamos el aprendizaje automático, que es una forma de IA, para construir motores de decisión que podían tomar decenas de millones de decisiones por segundo. Esto requiere una cantidad increíble de potencia de procesamiento, procesamiento de datos, vastas cantidades de infraestructura y, antes del advenimiento de la IA generativa, argumentaría que fue uno de los desarrollos más profundos en todo el cómputo.

Para todos sus poderes, también hay enormes ineficiencias en el modelo programático, y un ecosistema enorme y complejo que quema demasiada electricidad (y por lo tanto crea demasiado carbono) por impresión de anuncio. No me malinterpreten, me encanta el espacio programático, y estoy asombrado por lo que creamos. Pero siento que hemos construido una máquina mucho más compleja de lo que justifica el pago que obtenemos por toda esa complejidad.

Mientras que los mismos argumentos exactos se pueden hacer para la IA generativa, los lugares donde los agentes impulsados por LLM necesitan vivir en el ecosistema están en las interfaces, no en el corazón de cada transacción. Y al mezclar juiciosamente las LLM con agentes deterministas, podemos gestionar las transacciones de manera mucho más eficiente mientras reducimos enormemente la complejidad.

Hay dos iniciativas importantes en la industria, que apuntan a inyectar agentes impulsados por LLM en el flujo de trabajo de cómo se realizan las transacciones. IAB TechLab ha puesto en marcha la iniciativa de Protocolos de Gestión de Publicidad Agente (AAMP), que habilita mecanismos para proxy LLM en la infraestructura de RTB haciendo decisiones por adelantado y almacenándolas en los sistemas en tiempo real del ecosistema. El proyecto AdCP se centra en lo que considero “integraciones a nivel de cuenta”. Es decir, todo el trabajo realizado por humanos en los flujos de trabajo de gestión de campañas y creativos para la publicidad se puede automatizar. Mientras que AAMP es super valioso e interesante, está mejorando un sistema moderno complejo. AdCP va tras un problema que ha existido desde el principio de la industria, y uno que Fluency ha estado resolviendo durante ocho años. Así que nos estamos sumergiendo profundamente en AdCP, pero eventualmente nos sumergiremos en AAMP también.

Fluency ha resuelto efectivamente el problema del último kilómetro que nunca se abordó en el espacio de la publicidad tecnológica: las enormes ineficiencias en la creación y gestión de campañas publicitarias a nivel de cuenta, campaña y creativo. Y creo sinceramente que el trabajo que estamos haciendo es tan profunda una oportunidad para la publicidad como lo que inventamos con la oferta en tiempo real. A medida que conectamos las LLM a los flujos de trabajo que Fluency ya ha automatizado, estamos aumentando el valor de todo el sistema.

Fluency separa la razón de IA probabilística de los sistemas deterministas que ejecutan cambios de campaña. ¿Por qué es actualmente demasiado riesgoso permitir que un modelo de lenguaje grande controle directamente los presupuestos publicitarios?

Creo que este es un problema fundamental que las LLM probablemente siempre tendrán. Los motores probabilísticos están diseñados para dar diferentes respuestas a la misma pregunta cada vez. Incluso cuando son increíblemente buenos para pensar, son terribles para las cosas deterministas. Usemos las matemáticas como ejemplo:

Las LLM literalmente no pueden sumar, restar, multiplicar o dividir. Ahora, es posible que no te des cuenta, porque cuando les haces una pregunta que requiere aritmética, pueden darte la respuesta correcta. Pero lo que la mayoría de las personas no saben es que lo hacen escribiendo scripts y ejecutando ese código para manejar cálculos. Eso es lo que estamos hablando aquí: la intersección de una LLM probabilística que entiende que no puede hacer aritmética, construyendo su propia pieza de software determinista que hace cálculos para resolver la tarea solicitada.

Aunque la LLM ahora pueda “mágicamente” hacer aritmética, nunca dejaría que una LLM gestionara mis finanzas y tomara decisiones de trading de acciones por mí. Nunca dejaría que una LLM hiciera mis impuestos y los presentara sin ninguna revisión. Ni siquiera dejaría que una LLM escribiera un correo electrónico o un artículo de blog sin editarlos cuidadosamente para asegurarme de que todo sea cierto.

A medida que se vuelvan más inteligentes y mejores en la ejecución, es posible que puedan hacer estas cosas en algún momento en el futuro lejano. Pero mi suposición es que lo harán escribiendo su propio software determinista para manejar las partes del problema que lo requieren.

Fluency está allí hoy – tenemos las tuberías deterministas para gestionar la publicidad. Estamos integrando las LLM en esa plataforma, usándolas para las cosas en las que son excelentes. Y estamos exponiendo nuestra plataforma a agentes externos para que puedan ejecutar sobre nuestras tuberías. En última instancia, veo esto como la construcción de la puerta de enlace al ecosistema publicitario, donde un agente impulsado por LLM puede transactar en cualquier plataforma de medios integrándose en un solo lugar. Pero todos estamos un poco lejos de ese resultado a largo plazo.

¿Cómo evalúa la capa de ejecución determinista de Fluency las recomendaciones de un agente de IA antes de permitir que afecten una campaña en vivo, y qué tipo de reglas o restricciones pueden establecer los anunciantes?

Proporcionamos mecanismos para que los humanos (o las LLM) creen instrucciones deterministas que se ejecutarán de la misma manera cada vez en las plataformas publicitarias. Este es un gran problema que necesita resolverse en todas las industrias. Para la publicidad, la empresa que resuelve este problema es Fluency. Permitimos la creación de reglas de negocio y heurísticas para cualquier acción que uno de nuestros clientes pueda tomar en una plataforma publicitaria. Si es posible crear lógica de SI/ENTONCES para un problema, nuestra plataforma permite que se codifique en reglas de negocio que se siguen de la misma manera cada vez.

Esto es críticamente importante para entender. Hay muchas decisiones que los humanos toman de la misma manera cada vez que ven una situación específica. Esto nos permite hacer cosas como codificar reglas de gestión de presupuesto, o generar campañas o creativos mientras se aplican taxonomías de nomenclatura, o configurar automáticamente campañas y creativos basados en desencadenadores en conjuntos de datos externos.

Por ejemplo, un concesionario de automóviles puede recibir un nuevo envío de coches. Fluency puede leer el sistema de gestión de inventario que utiliza el concesionario y generar automáticamente campañas y creativos para el modelo, marca, incluso el color y los atributos específicos de cada vehículo, dentro de minutos de que los coches estén en el lote. Y cuando se venda el último coche, automáticamente apagar esas campañas.

Todo esto es bastante profundo, porque las decisiones de negocio para hacer todas estas cosas son muy simples cuando se toman de una en una. Es el problema de la “muerte por mil cortes” en la gestión de la publicidad hoy que desaparece. Nuestros clientes encuentran que esto libera a sus equipos de apagar incendios todo el día para hacer el trabajo que importa para mover la aguja para sus clientes.

La estrategia publicitaria y el desarrollo creativo a menudo requieren experimentación y juicio subjetivo. ¿Cómo pueden las organizaciones preservar la flexibilidad de la IA generativa al mismo tiempo que garantizan que la ejecución de la campaña permanece predecible y cumple con las normas?

Todo lo que hemos hablado hasta ahora ha construido el marco para responder a esto de una manera simple. Las cosas que se pueden codificar en reglas de negocio se establecen adecuadamente para ejecutar esas decisiones fáciles que son las mismas cada vez. Las LLM pueden ayudar a analizar y emparejar patrones, al igual que otras formas de IA como el aprendizaje automático, que tiene una larga historia en la publicidad tecnológica. Pero el verdadero truco es tener los mecanismos para llegar y pedir a un ser humano que intervenga si el problema no tiene una respuesta clara.

Nuestros clientes pueden ajustar su tolerancia al riesgo en esto, así que si el problema es de bajo riesgo, pueden decidir dejar que las máquinas tomen la decisión. Pero para las cosas que realmente necesitan decisiones humanas, los alertamos y les permitimos tomar el volante.

La plataforma de Fluency opera en canales de publicidad de búsqueda, redes sociales y programática. ¿Qué desafíos técnicos surgen cuando un agente de IA debe razonar a través de plataformas que tienen estructuras de datos, sistemas de optimización y requisitos de política diferentes?

Cada plataforma publicitaria tiene un conjunto único de mejores prácticas y capacidades. Las API son las tuberías fijas a las que nos conectamos para impulsar esas plataformas externamente. Las API están muy bien documentadas, pero esa documentación es realmente el conjunto de reglas para lo que se puede hacer en esas plataformas. No son la encarnación de las mejores prácticas para esa plataforma específica.

Las LLM pueden ingerir mucha información en contexto para que las mejores prácticas para usar cada plataforma puedan estar disponibles a través de ellas. Dado que Fluency opera muchas plataformas para muchas agencias y anunciantes, podemos codificar las mejores prácticas de cada uno de nuestros clientes (en su nombre) en las instrucciones que una LLM puede seguir para impulsar las mejores prácticas diferenciadas para cada cliente. Nuestros clientes todos tienen sus propias “guías” para cómo operan sus negocios, y Fluency les permite codificarlas en reglas deterministas donde sea posible, y con el tiempo las habilitaremos como conjuntos de instrucciones para agentes impulsados por LLM donde tenga sentido.

Estamos empezando a trabajar con nuestros clientes ahora en esta próxima generación de desarrollo para codificar estos escenarios más complejos en sus cuentas en nuestra plataforma. Es muy temprano. Cualquiera que te diga que han resuelto cualquier parte de esto usando LLM está estirando la verdad, porque las cosas están tan temprano, y los modelos están evolucionando tan rápidamente que nadie lo ha resuelto completamente. Pero estamos muy bien posicionados para trabajar con nuestros clientes para resolver esto.

¿Cómo debería ser la supervisión humana efectiva en un entorno de publicidad agente? ¿Qué decisiones pueden convertirse en autónomas de manera segura, y cuáles deben seguir requiriendo revisión o aprobación humana?

Cada cliente tiene una tolerancia al riesgo diferente, y la mayoría de ellos nunca han tenido un sistema que pueda expresarlo. En Fluency, el juicio que un buen gerente de campaña aplica en su cabeza se codifica una vez y luego se aplica de manera idéntica en cada cuenta, cada plataforma, cada vez. Las situaciones que no tienen una respuesta clara se enrutan automáticamente a una persona, con el contexto que necesitan para tomar la decisión.

¿Qué se ve en la práctica varía mucho? Estamos ejecutando una gran cantidad de diferentes reglas para nuestros clientes hoy, ayudándolos a codificar decisiones humanas que no varían, y empujando a un humano cuando la respuesta no es clara.

¿Qué decisiones pueden convertirse en autónomas de manera segura depende del cliente, y no creo que una respuesta universal valga la pena. La plataforma tiene que hacer cumplir la línea dondequiera que el cliente la trace, y dejar que la muevan a medida que su confianza crece.

¿Cómo deberían las plataformas documentar la lógica, los datos y las reglas detrás de cada acción para que los anunciantes puedan auditar el rendimiento, investigar errores y demostrar el cumplimiento?

Una de las propuestas de valor fundamentales que ofrece Fluency es que somos compliantes con SOC2, y completamente auditables. Los cambios están registrados en todo el sistema. He sido CPTO de una empresa pública antes, y he estado en el punto de mira para el cumplimiento antes, así que sé lo complejo que puede ser. Es otra razón por la que me emocioné de unirme a Fluency, porque cada aspecto de lo que hacemos es completamente auditado. También mantenemos registros de cambios para cada cambio realizado en el sistema, registrados contra qué usuario lo realizó.

Hay una segunda capa que importa. Debido a que las reglas de negocio están codificadas en software, la regla es su propia especificación. No hay desviación entre la documentación y el comportamiento, que es donde las auditorías generalmente se desmoronan. Y en un mundo habilitado por LLM, la lógica codificada puede volver a renderizarse en lenguaje de negocio plano a demanda, así que la persona que realiza la auditoría no necesita leer código para entender lo que el sistema fue instruido para hacer.

Para una agencia o marca que comienza a adoptar la publicidad agente, ¿qué flujos de trabajo proporcionan el mejor punto de partida, y qué evidencia debería la organización requerir antes de expandir la autoridad de un agente?

Desde la perspectiva de Fluency, la publicidad agente es un terreno bien recorrido. Hemos estado haciendo publicidad agente durante ocho años. Tenemos cientos de agencias y marcas que utilizan nuestra plataforma para hacer publicidad agente hoy, y en el espacio multilocal, eso se extiende a decenas de miles de ubicaciones.

Automatizamos la mayoría de lo que los humanos hacen repetidamente al configurar y gestionar campañas, en búsqueda, redes sociales y programática, así que no hay un flujo de trabajo que haga un mejor o peor punto de partida. El mejor punto de partida es el canal que nuestro cliente encuentra más laborioso.

Las LLM están ayudando a acelerar la configuración inicial de nuestros clientes, porque, como puedes imaginar, codificar las reglas de negocio de un cliente es similar a realizar una implementación de CRM, medida en meses. Estamos construyendo herramientas que utilizan LLM para ayudar a construir los conjuntos de reglas y escribir los scripts de automatización. Esto hará que el proceso de configuración inicial sea mucho más rápido, y reducirá la complejidad para nuestros clientes.

La publicidad es un campo de pruebas temprano para sistemas autónomos que gestionan dinero real a gran escala. ¿Qué lecciones de esta industria podrían aplicarse a servicios financieros, atención médica, compras empresariales o otros sectores regulados que adoptan agentes de IA?

La publicidad ha sido el campo de pruebas para sistemas autónomos que gastan dinero real durante 20 años. La publicidad programática enseñó a la industria cómo dejar que el software comprometa miles de millones de dólares al día sin que un humano apruebe transacciones individuales. La mayoría de la conversación actual sobre la IA agente está sucediendo a una escala que la publicidad dejó atrás hace mucho tiempo.

Fluency tiene más de $3 mil millones de gastos anuales que fluyen a través de nuestra plataforma, a través de cientos de agencias y marcas, y en el espacio multilocal, eso llega a decenas de miles de ubicaciones. La mayoría de las conversaciones sobre la publicidad agente en este momento son sobre presupuestos de prueba y un puñado de cuentas.

Lo que se transfiere a otros sectores es la arquitectura. Se separan los sistemas que deciden de los sistemas que ejecutan. La capa de decisión puede ser probabilística, porque el juicio se beneficia de la flexibilidad y la creatividad. La capa de ejecución tiene que ser determinista, porque el dinero en movimiento no es un lugar donde quieras variación. Cada acción se registra contra el usuario o el agente que la inició, lo que da como resultado un registro de auditoría que se mantiene ante un regulador.

Ese requisito es idéntico en los servicios financieros, en los reclamos de atención médica, en las compras empresariales. La apuesta es más alta y la herramienta es generalmente peor. El diseño que construimos para la publicidad es el correcto: la auditoría completa con registros de cambios en cada modificación es fundamental. Estoy particularmente preocupado por el juicio no humano en cosas como la aprobación de procedimientos médicos y la aprobación de reclamos de seguros. No creo que las LLM estén allí aún, y tengo ejemplos personales en mi vida de sistemas automatizados que toman decisiones muy malas sobre la aprobación o rechazo de reclamos de seguros.

Mi expectativa es que el patrón que la publicidad establece se convierta en el patrón que esos sectores adopten. Hemos tenido una ventaja de 20 años en el problema de las máquinas que gastan dinero cientos de millones de veces por segundo. El enfoque de Fluency se extiende desde la transacción hasta el flujo de trabajo, y estoy seguro de que nuestro enfoque será similar al que gana.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar Fluency.