Eric Picard, Fluency 제품 부사장 – 인터뷰 시리즈

Eric Picard, Fluency의 제품 수석 부사장은 디지털 광고 플랫폼, 자동화된 마켓플레이스, 데이터 시스템, 그리고 소비자 대상 제품을 수십 년에 걸쳐 개발해 온 경험 풍부한 제품 및 기술 임원이다. Fluency에 합류하기 전, 그는 Microsoft, Pandora, MediaMath, Yieldmo, 그리고 BARK에서 고위 리더십 역할을 맡았으며, 광고 기술 전략 및 프로그래매틱 미디어부터 제품 관리, 데이터 과학, 엔지니어링, 대규모 플랫폼 현대화까지 다양한 책임을 수행했다. Picard는 또한 Bluestreak, Rare Crowds, Questori 및 기타 기술 벤처를 설립한 연쇄 창업가이며, Bluestreak와 Rare Crowds는 결국 인수되었다. 그의 경력에는 초기 실시간 입찰 광고 교환 설계 지원, 프로그래매틱 오디오 광고 제품 출시, 자동 인벤토리 큐레이션 기술 개발, 그리고 인공지능, 제품 전략, 기업 변혁, 인수합병에 관한 기업 자문 등이 포함된다.

Fluency는 에이전시, 브랜드, 다중 위치 비즈니스가 검색, 소셜, 프로그래매틱 플랫폼, 폐쇄형 네트워크, 그리고 오픈 웹 전반에 걸쳐 유료 미디어 캠페인을 관리하도록 돕는 디지털 광고 운영 체제를 개발한다. 이 플랫폼은 데이터, 크리에이티브 자산, 인벤토리, 규정 준수 요구 사항, 잠재고객, 캠페인 전략, 보고 및 실행 워크플로를 중앙집중화하고, 자동화와 인공지능을 활용해 반복적인 운영 작업을 줄이며 대규모로 캠페인을 조정한다. Fluency는 에이전시 광고에 점점 더 초점을 맞추고 있으며, 정의된 전략 및 브랜드 제어를 유지하면서 캠페인을 실행하고 최적화할 수 있는 관리형 AI 기반 워크플로를 포함한다. 회사에 따르면 이 기술은 매월 250,000개 이상의 캠페인을 지원하고 연간 약 30억 달러 규모의 광고 지출을 관리한다.

당신의 경력은 Bluestreak 설립과 초기 디지털 광고 표준 수립 지원부터 최초 실시간 입찰 교환 아키텍처 기여에 이르기까지 디지털 광고의 여러 근본적인 시기를 아우릅니다. 이러한 경험이 Fluency에서 차세대 에이전시 광고 시스템을 구축하는 접근 방식에 어떻게 영향을 미쳤나요?

저는 디지털 광고 분야에서 다면적으로 흥미로운 공간을 찾는 데 매우 행운이 있었다고 생각합니다. 인터넷 성장에 자금을 지원하는 메커니즘의 일부가 될 수 있었고, 디지털 광고가 작동하는 기본 메커니즘을 발명하거나 그 발명에 참여할 수 있었습니다. 그리고 이 분야의 기술적 도전은 소프트웨어 분야의 어느 도전과도 맞먹습니다. 그래서 언제나 흥미롭습니다.

Bluestreak와 함께 우리는 거의 모든 광고 형식의 초기 버전을 구축했으며, 초기 비디오 및 오디오 광고도 포함했습니다. 우리는 멀티터치 어트리뷰션을 최초로 구현했으며, 태그 관리 시스템을 최초로 제공했고, 모든 디지털 미디어 유형에 걸쳐 멀티터치를 최초로 제공했습니다. 이는 Interactive Advertising Bureau(IAB)와 Media Rating Council(MRC)와 협력해 최초 인프레션 표준을 공동 저술하게 된 계기가 되었습니다.

Microsoft에 입사했을 때, 회사는 Google이 Windows 복사본당 더 많은 수익을 올리고 있다는 사실을 보고 광고 기술에 투자하기로 결정했습니다. 그때 저는 Microsoft가 광고 기술 분야에 진입하는 글로벌 전략을 수립하는 매우 매력적인 역할을 제안받았습니다.

우리는 광고 기술에 크게 투자하기로 했고, 저는 빌드/바이/파트너 전략을 수립하는 책임을 맡았습니다. 150개 이상의 회사를 실사했으며, 7개 회사를 인수하고 내부 팀을 크게 확장하는 데 투자했습니다. 제가 합류했을 때는 약 200명의 엔지니어가 광고 기술에 종사하고 있었고, 미디어 매출은 약 7억 5천만 달러였습니다. 제가 떠날 때는 1,500명의 엔지니어가 광고 기술에 종사했고, 매출은 50억 달러가 넘었습니다. 오늘날 검색 광고 매출은 약 150억 달러에 달하지만, 당시에는 이미 엄청난 규모였습니다.

제가 검토한 회사 중 하나이자 결국 인수한 회사는 AdECN이었습니다. 이는 Jeff Green이 The Trade Desk를 설립하기 전 만든 첫 번째 회사였습니다. 우리는 Right Media 인수를 검토했으며, 그 과정에서 Brian O’Kelley와 친밀해졌지만 최종적으로는 포기했습니다. 우리는 비동기식 글로벌 경매가 외부 입찰자들이 교환에 연결될 수 있는 기회를 제공한다는 점에서 가능성을 보았고, 그들을 인수해 비전 구현을 위한 견고한 엔지니어링 팀을 구축했습니다.

AdECN이 최초 실시간 입찰(RTB) 교환을 출시하려 할 때 접근 방식에 대한 전쟁이 있었고, 결국 베타 테스트를 벗어나지 못했습니다.

이로 인해 광고 기술 생태계 전체에 두 가지 큰 변화가 있었습니다. 첫 번째는 Brian O’Kelley가 Right Media를 떠난 뒤 AppNexus를 설립했고, AdECN이 결코 출발하지 못한다는 것이 명확해지자 저는 AppNexus와 파트너십을 추진했습니다. 이는 결국 Microsoft가 AppNexus를 인수하게 되는 거대한 투자와 강력한 파트너십으로 이어졌습니다. 두 번째 주요 결과는 Jeff Green이 Microsoft를 떠나 AdECN에서 RTB 교환을 구축한 엔지니어 몇 명을 데려가 The Trade Desk를 설립했다는 점입니다.

1997년부터 2010년까지 제 경력의 첫 번째 아크를 되돌아보면, 장기적인 씨앗을 심어 지금은 흥미로운 열매를 맺고 있습니다. 저는 Rare Crowds라는 스타트업을 포함해 다양한 역할을 수행했으며, 여기서 우리는 프로그래매틱 큐레이션을 발명했습니다. Pandora에서 큰 오디오 광고 사업을 운영했으며, 가장 큰 오디오 광고 교환을 구축했고, Yieldmo에서는 최초의 프라이버시 중심 광고 교환을 만들었습니다. 그 기간 동안 IAB Techlab 이사회에 참여했고, 이사회 집행 위원회에 초청되었으며, 그 이후에도 지속적으로 업계 표준 작업에 참여해 왔습니다.

지난해 Brian O’Kelley는 Agentic Advertising이라는 산업 표준을 구축할 기회를 발견했으며, 이는 AgenticAdvertising.org에서 관리됩니다. Brian과 저는 현재 진행 중인 작업에 구멍이 있는 부분을 논의했고, 저는 AdCP를 위한 거버넌스 및 컴플라이언스 첫 사양을 작성하겠다고 제안했습니다.

제가 사양을 작성한 지 몇 달 후 Fluency로부터 연락을 받았습니다. 그들이 만든 것을 배우면서 저는 크게 놀랐습니다. 사실상 그들은 제가 사양서에 명시한 모든 문제를 이미 해결하고 있었습니다. 그들은 LLM이 “에이전시”가 되기 전, 이미 8년 동안 에이전시 광고를 수행해 왔습니다.

그들이 에이전트에 적용한 결정론적 접근 방식은 LLM 기반 에이전트가 본질적으로 확률적이라는 점을 충족시키는 데 정확히 필요했습니다. 이는 LLM이 “생각”하고 창의적일 때는 뛰어나지만, 매번 같은 방식으로 같은 일을 수행하는 데는 형편없다는 의미입니다. 각각의 접근 방식은 약점이 있지만, 함께 사용하면 에이전시 광고 문제를 해결합니다.

제 비전은 Fluency 리더십 팀과 호환되었고, 저는 여기서 제품을 이끌기 위해 합류했습니다. 이제 우리는 인간이 필요할 때 루프에 참여하는 에이전시 광고 세계를 향해 전속력으로 달리고 있으며, LLM 기반 에이전트에게는 행동을 관리할 결정론적 가드레일을 제공하고 있습니다.

첫 번째 인프레션 표준, RTB 발명, 큐레이션 발명, 그리고 에이전시 광고의 도래까지, 디지털 광고의 주요 변화를 여러 차례 경험하게 된 것이 정말 행운이라고 생각합니다. 굉장히 흥미진진한 여정이었고, 아직도 이 분야의 기회에 대해 즐겁고 기대하고 있습니다.

실시간 입찰은 소프트웨어가 밀리초 단위로 재무 결정을 내릴 수 있게 했습니다. 프로그래매틱 광고 개발에서 얻은 교훈 중 오늘날 개발자들이 AI 에이전트에 더 큰 운영 자율성을 부여할 때 고려해야 할 점은 무엇인가요?

프로그래매틱 광고에서는 머신러닝, 즉 AI의 한 형태를 사용해 초당 수천만 건의 결정을 내리는 의사결정 엔진을 구축했습니다. 이는 엄청난 컴퓨팅 파워, 데이터 처리, 방대한 인프라가 필요했으며, 생성형 AI가 등장하기 전에는 컴퓨팅 분야에서 가장 심오한 발전 중 하나라고 주장할 수 있습니다.

그 강력함에도 불구하고 프로그래매틱 모델에는 막대한 비효율성이 존재하고, 광고 노출당 너무 많은 전력을 소비(따라서 과도한 탄소 배출)하는 복잡한 생태계가 있습니다. 프로그래매틱 분야를 사랑하고 우리가 만든 것에 경외감을 느끼지만, 복잡성에 비해 얻는 이익이 훨씬 적은 기계를 만든 듯합니다.

생성형 AI에도 같은 논리를 적용할 수 있지만, LLM 기반 에이전트가 존재해야 할 위치는 각 거래의 핵심이 아니라 인터페이스입니다. 확률적 LLM과 결정론적 에이전트를 신중히 혼합하면 거래를 훨씬 효율적으로 관리하면서 복잡성을 크게 줄일 수 있습니다.

업계에는 두 가지 주요 이니셔티브가 있어 LLM 기반 에이전트를 거래 워크플로에 주입하려 하고 있습니다. IAB TechLab은 Agentic Advertising Management Protocols(AAMP) 이니셔티브를 시작했으며, 이는 LLM을 RTB 인프라에 프록시하여 사전 결정을 내리고 실시간 시스템에 캐시하도록 합니다. AdCP 프로젝트는 제가 “계정 수준” 통합이라고 부르는 것에 집중하고 있습니다. 즉, 광고 캠페인 관리와 크리에이티브 워크플로에서 인간이 수행하는 모든 작업을 자동화하는 것입니다. AAMP는 매우 가치 있고 흥미롭지만 복잡한 현대 시스템을 개선하는 것이고, AdCP는 업계 초창기부터 존재해 온 문제를 해결하고 있으며 Fluency가 8년 동안 해결해 온 문제입니다. 그래서 우리는 AdCP에 깊이 파고들고 있지만, 곧 AAMP에도 진입할 예정입니다.

Fluency는 광고 기술 분야에서 한 번도 해결되지 않았던 마지막 마일 문제, 즉 계정·캠페인·크리에이티브 수준에서 광고 캠페인을 생성하고 관리하는 막대한 비효율성을 효과적으로 해결했습니다. 저는 이 작업이 RTB를 발명했을 때와 마찬가지로 광고에 대한 심오한 기회라고 믿습니다. LLM을 Fluency가 이미 자동화한 워크플로에 연결함으로써 전체 시스템의 가치를 높이고 있습니다.

Fluency는 확률적 AI 추론을 캠페인 변경을 실행하는 결정론적 시스템과 분리합니다. 현재 대형 언어 모델이 광고 예산을 직접 제어하도록 허용하는 것이 위험한 이유는 무엇인가요?

이는 LLM이 언제나 가질 근본적인 문제라고 생각합니다. 확률적 엔진은 같은 질문에 매번 다른 답을 제공하도록 설계되었습니다. 생각에 있어서는 뛰어나지만, 결정론적 작업에서는 형편없습니다. 예를 들어 산술을 생각해 보세요.

LLM은 실제로 더하기, 빼기, 곱하기, 나누기를 할 수 없습니다. 질문을 하면 올바른 답을 제시하는 것처럼 보이지만, 이는 스크립트를 작성하고 코드를 실행해 계산을 처리하기 때문입니다. 여기서 말하는 것은 “자신이 산술을 할 수 없다는 것을 이해하는 확률적 LLM이 계산을 수행하는 자체 결정론적 소프트웨어를 구축한다”는 교차점입니다.

LLM이 이제 “마법처럼” 산술을 할 수 있더라도, 저는 절대 LLM에게 제 재정을 관리하거나 주식 거래 결정을 맡기지 않을 것입니다. 또한 LLM에게 세금 신고를 맡기고 검토 없이 제출하게 하지 않을 것입니다. 심지어 이메일이나 블로그 글을 쓰게 할 때도 반드시 신중히 편집해 모든 내용이 사실인지 확인합니다.

LLM이 더 똑똑해지고 실행 능력이 향상되면 먼 미래에 이러한 작업을 수행할 수도 있겠지만, 제 생각엔 그때도 문제 해결에 필요한 부분을 담당하는 자체 결정론적 소프트웨어를 작성하게 될 것입니다.

Fluency는 이미 결정론적 파이프라인을 갖추고 있어 광고를 관리합니다. 우리는 LLM을 해당 플랫폼에 통합해 LLM이 잘하는 일을 활용하고, 외부 에이전트가 우리의 파이프라인을 통해 실행할 수 있도록 노출하고 있습니다. 궁극적으로는 LLM 기반 에이전트가 하나의 통합 지점에서 모든 미디어 플랫폼과 거래할 수 있는 게이트웨이를 구축하는 것이 목표지만, 아직은 그 장기적인 결과에서 많이 멀었습니다!

Fluency의 결정론적 실행 레이어는 AI 에이전트의 권고안을 실시간 캠페인에 적용하기 전에 어떻게 평가하며, 광고주가 설정할 수 있는 규칙이나 제약 조건은 어떤 것이 있나요?

우리는 인간(또는 LLM)이 결정론적 지시를 생성하도록 메커니즘을 제공하며, 이는 광고 플랫폼에서 매번 동일하게 실행됩니다. 이는 모든 산업에서 해결해야 할 큰 문제이며, 광고 분야에서 이를 해결하는 회사가 Fluency입니다. 우리는 고객이 광고 플랫폼에서 수행할 수 있는 모든 행동에 대해 비즈니스 규칙 및 휴리스틱을 생성할 수 있게 합니다. 문제에 대해 IF/THEN 논리를 만들 수 있다면, 우리 플랫폼은 이를 비즈니스 규칙으로 인코딩해 매번 동일하게 적용하도록 지원합니다.

이 점을 이해하는 것이 매우 중요합니다. 인간이 특정 상황을 볼 때마다 동일하게 내리는 많은 결정이 있습니다. 이를 통해 예산 관리 규칙을 인코딩하거나, 명명 체계를 강제하면서 캠페인이나 크리에이티브를 생성하거나, 외부 데이터 세트의 트리거에 따라 자동으로 광고 캠페인 및 크리에이티브를 시작·중단할 수 있습니다.

예를 들어 자동차 딜러십이 새로운 차량을 입고받았다고 가정해 보겠습니다. Fluency는 딜러십이 사용하는 인벤토리 관리 시스템을 읽고, 정확한 메이크, 모델, 색상 및 각 차량의 구체적인 속성을 반영한 캠페인과 크리에이티브를 몇 분 안에 자동으로 생성합니다. 마지막 차량이 판매되면 해당 캠페인을 자동으로 종료합니다.

이 모든 것이 매우 의미 있는데, 왜냐하면 이러한 작업을 하나씩 수행할 때 비즈니스 결정은 매우 단순합니다. 오늘날 광고 관리에서 수천 가지 작은 문제를 해결하는 “천 번의 절단에 의한 죽음” 문제가 사라집니다. 고객은 이를 통해 팀이 하루 종일 화재를 끄는 대신, 고객에게 실질적인 가치를 제공하는 작업에 집중할 수 있게 됩니다.

광고 전략 및 크리에이티브 개발은 종종 실험과 주관적 판단을 필요로 합니다. 조직이 생성형 AI의 유연성을 유지하면서도 캠페인 실행이 예측 가능하고 규정 준수를 보장하려면 어떻게 해야 할까요?

우리가 이미 이야기한 모든 내용은 이를 간단히 해결할 수 있는 프레임워크를 구축했습니다. 비즈니스 규칙에 인코딩할 수 있는 작업은 매번 동일하게 실행되도록 적절히 설정됩니다. LLM은 패턴 매칭 및 분석을 도와줄 수 있으며, 머신러닝과 같은 다른 AI 형태도 마찬가지입니다. 하지만 핵심은 문제가 명확히 답이 없을 때 인간에게 개입을 요청할 수 있는 메커니즘을 마련하는 것입니다. 고객은 위험 허용도를 조정해 위험이 낮은 경우 머신에게 결정을 맡기고, 인간이 반드시 판단해야 하는 경우 알림을 받아 직접 제어할 수 있습니다.

Fluency 플랫폼은 검색, 소셜 및 프로그래매틱 광고 채널 전반에 걸쳐 운영됩니다. AI 에이전트가 서로 다른 데이터 구조, 최적화 시스템 및 정책 요구 사항을 가진 플랫폼을 가로질러 추론해야 할 때 어떤 기술적 과제가 발생하나요?

각 광고 플랫폼은 고유한 모범 사례와 기능을 가지고 있습니다. API는 외부에서 해당 플랫폼을 구동하기 위해 연결하는 고정 파이프라인이며, API 문서는 해당 플랫폼에서 할 수 있는 일의 규칙을 정의합니다. 그러나 이는 해당 플랫폼에 대한 최선의 실행 방식을 구현한 것은 아닙니다.

LLM은 방대한 정보를 컨텍스트에 흡수해 각 플랫폼 사용에 대한 모범 사례를 제공할 수 있습니다. Fluency는 다수의 에이전시와 광고주를 위해 여러 플랫폼을 운영하고 있기 때문에, 고객을 대신해 각 고객의 모범 사례를 LLM이 따를 수 있는 지시문으로 인코딩합니다. 고객마다 자체 “플레이북”이 있으며, Fluency는 가능한 경우 이를 결정론적 규칙으로 인코딩하고, 시간이 지나면 LLM 기반 에이전트가 해당 규칙을 따르도록 지원합니다.

우리는 현재 고객과 함께 이러한 차세대 개발을 진행 중이며, 복잡한 시나리오를 플랫폼 계정에 인코딩하고 있습니다. 아직 초기 단계이며, LLM을 사용해 이 문제를 해결했다고 주장하는 사람은 진실을 과장하고 있습니다. 모델이 빠르게 진화하고 있기 때문에 아직 완전히 해결된 것이 없지만, 우리는 고객과 함께 이 문제를 해결할 좋은 위치에 있습니다.

에이전시 광고 환경에서 효과적인 인간 감독은 어떻게 이루어져야 할까요? 어떤 결정이 안전하게 자율화될 수 있고, 어떤 결정이 계속해서 인간 검토나 승인을 필요로 할까요?

각 고객마다 위험 허용도가 다르며, 대부분은 이를 표현할 수 있는 시스템을 갖추지 못했습니다. Fluency에서는 좋은 캠페인 매니저가 머릿속에 두는 판단을 한 번 인코딩하면 모든 계정, 모든 플랫폼, 매번 동일하게 적용됩니다. 명확한 답이 없는 상황은 자동으로 사람에게 라우팅되며, 필요한 컨텍스트와 함께 결정을 내릴 수 있습니다.

실제로 어떻게 구현되는지는 다양합니다. 우리는 오늘 고객을 위해 수많은 규칙을 운영하고 있으며, 변하지 않는 인간 결정을 인코딩하고, 답이 명확하지 않을 때는 인간에게 전달합니다.

어떤 결정을 자율화할 수 있는지는 고객에 따라 다르며, 보편적인 답은 크게 의미가 없습니다. 플랫폼은 고객이 그 선을 설정하고, 신뢰도가 높아짐에 따라 선을 이동시킬 수 있도록 해야 합니다.

에이전트가 더 많은 캠페인 결정을 내리면서, 플랫폼은 각 행동 뒤에 있는 추론, 데이터 및 규칙을 어떻게 문서화해야 광고주가 성과를 감사하고 실수를 조사하며 규정 준수를 입증할 수 있을까요?

Fluency가 제공하는 핵심 가치 제안 중 하나는 SOC2 컴플라이언스를 충족하고 완전한 감사를 가능하게 한다는 점입니다. 시스템 전반에 걸쳐 모든 변경 사항이 로그에 기록됩니다. 저는 상장 기업의 CPTO였으며, 컴플라이언스 책임을 맡아 본 경험이 있어 이 과정이 얼마나 복잡한지 잘 알고 있습니다. 그래서 Fluency에 합류하게 된 이유 중 하나는 우리가 하는 모든 것이 완전하게 감사 가능하기 때문입니다. 또한 시스템에서 이루어진 모든 변경에 대해 누가 수행했는지 로그를 유지합니다.

두 번째 중요한 레이어는 비즈니스 규칙이 소프트웨어에 인코딩되기 때문에 규칙 자체가 사양이 된다는 점입니다. 문서와 실제 동작 사이에 차이가 없으며, 이는 감사가 흔히 실패하는 지점입니다. LLM 기반 환경에서는 인코딩된 로직을 필요에 따라 일반 비즈니스 언어로 다시 렌더링할 수 있어, 감사를 수행하는 사람이 코드를 읽지 않아도 시스템이 무엇을 하도록 지시받았는지 이해할 수 있습니다.

에이전시나 브랜드가 에이전시 광고를 도입하려 할 때, 어떤 워크플로가 가장 좋은 시작점이며, 에이전트 권한을 확대하기 전에 조직이 요구해야 할 증거는 무엇인가요?

Fluency 관점에서 에이전시 광고는 이미 많이 다져진 분야입니다. 우리는 8년 동안 이를 수행해 왔으며, 현재 수백 개의 에이전시와 브랜드가 우리 플랫폼을 사용해 에이전시 광고를 진행하고 있습니다. 다중 로컬 환경에서는 수만 개의 위치에 걸쳐 적용되고 있습니다.

우리는 검색, 소셜, 프로그래매틱 전반에 걸쳐 인간이 반복적으로 수행하는 대부분의 작업을 자동화하므로, 어느 워크플로가 더 좋은 시작점이라고 말하기는 어렵습니다. 가장 좋은 시작점은 고객이 가장 노동 집약적이라고 느끼는 채널입니다.

LLM은 고객 온보딩을 가속화하는 데에도 도움을 주고 있습니다. 고객의 비즈니스 규칙을 인코딩하는 작업은 수개월에 달하는 CRM 구현과 유사하기 때문에, 우리는 LLM을 활용해 규칙 집합을 구축하고 자동화 스크립트를 작성하는 도구를 만들고 있습니다. 이를 통해 온보딩 프로세스가 훨씬 빨라지고 고객의 복잡성도 감소합니다.

광고는 대규모로 실제 돈을 관리하는 자율 시스템을 테스트하는 초기 무대입니다. 이 산업에서 얻은 교훈이 금융 서비스, 의료, 기업 조달 또는 기타 규제된 분야에서 AI 에이전트를 도입하는 데 어떻게 적용될 수 있을까요?

광고는 20년 동안 실제 돈을 쓰는 자율 시스템의 검증 장이었습니다. 프로그래매틱은 업계에 인간이 개별 거래를 승인하지 않아도 하루에 수십억 달러를 커밋하도록 소프트웨어를 허용하는 방법을 가르쳤습니다. 현재 대부분의 에이전시 AI 논의는 광고가 오래 전에 남긴 규모보다 훨씬 작은 파일럿 예산과 소수의 계정에 국한됩니다.

Fluency는 연간 30억 달러 이상의 지출을 플랫폼을 통해 처리하고 있으며, 수백 개의 에이전시와 브랜드, 그리고 수만 개의 로컬 위치에 걸쳐 운영됩니다. 현재 대부분의 에이전시 광고 논의는 파일럿 예산과 소수의 계정에 관한 것입니다.

다른 분야에 전이되는 핵심은 아키텍처입니다. 결정을 내리는 시스템과 실행하는 시스템을 분리합니다. 결정 레이어는 확률적일 수 있는데, 이는 판단이 유연성과 창의성을 필요로 하기 때문입니다. 실행 레이어는 결정론적이어야 하며, 금전 이동은 변동이 허용되지 않는 영역입니다. 모든 행동은 이를 시작한 사용자 또는 에이전트와 함께 로그에 기록되어 규제 기관 앞에서도 감사 가능한 흔적을 제공합니다.

이 요구 사항은 금융 서비스, 의료 청구, 기업 조달에서도 동일합니다. 이해관계가 더 크고 도구가 일반적으로 열악합니다. 광고를 위해 설계한 디자인이 바로 정답이며, 모든 수정에 대한 변경 로그가 포함된 완전한 감사 가능성은 기본 조건입니다. 저는 특히 의료 절차 승인이나 보험 청구 승인과 같은 비인간 판단에 대해 우려하고 있습니다. LLM이 아직 그 단계에 이르지 못했으며, 제 개인 경험에서도 자동화 시스템이 보험 청구를 승인하거나 거부하는 데 있어 매우 나쁜 결정을 내린 사례가 있습니다.

제 기대는 광고가 구축한 패턴이 다른 분야에서도 채택될 것이라는 점입니다. 우리는 기계가 초당 수억 번씩 돈을 쓰는 문제에 대해 20년 앞서 시작했습니다. Fluency의 접근 방식은 거래에서 워크플로까지 확장되며, 저는 우리의 접근 방식이 승리할 것이라고 확신합니다.

훌륭한 인터뷰에 감사드리며, 더 알고 싶으신 독자는 Fluency를 방문하시기 바랍니다.