Eric Picard, starszy wiceprezes ds. produktu w Fluency – seria wywiadów

Eric Picard, starszy wiceprezes ds. produktu w Fluency, jest doświadczonym menedżerem produktu i technologii, który spędził dekady, rozwijając platformy reklam cyfrowych, zautomatyzowane rynki, systemy danych oraz produkty skierowane do konsumentów. Przed dołączeniem do Fluency pełnił wysokie stanowiska kierownicze w firmach Microsoft, Pandora, MediaMath, Yieldmo i BARK, gdzie jego obowiązki obejmowały strategię technologii reklamowej i media programatyczne, zarządzanie produktem, naukę o danych, inżynierię oraz modernizację platform na dużą skalę. Picard jest także seryjnym przedsiębiorcą, który założył Bluestreak, Rare Crowds, Questori i inne przedsięwzięcia technologiczne, przy czym Bluestreak i Rare Crowds ostatecznie zostały przejęte. Jego kariera obejmuje pomoc w projektowaniu wczesnej wymiany reklamowej w czasie rzeczywistym (RTB), uruchamianie produktów reklam audio programatycznych, opracowywanie technologii automatycznej kuracji zapasów oraz doradzanie firmom w zakresie sztucznej inteligencji, strategii produktu, transformacji korporacyjnej oraz fuzji i przejęć.

Fluency opracowuje System Operacyjny Reklam Cyfrowych, zaprojektowany, aby pomóc agencjom, markom i firmom wielolokalizacyjnym zarządzać płatnymi kampaniami medialnymi w wyszukiwarkach, mediach społecznościowych, platformach programatycznych, zamkniętych ekosystemach oraz otwartym internecie. Platforma centralizuje dane, zasoby kreatywne, zapasy, wymagania zgodności, grupy odbiorców, strategię kampanii, raportowanie i przepływy pracy wykonawczej, wykorzystując automatyzację i sztuczną inteligencję do redukcji powtarzalnych zadań operacyjnych i koordynacji kampanii na dużą skalę. Fluency coraz bardziej koncentruje się na reklamie agentowej, w tym na zarządzanych przepływach pracy napędzanych AI, które mogą realizować i optymalizować kampanie, zachowując określone kontrolki strategiczne i marki. Firma twierdzi, że jej technologia obsługuje ponad 250 000 kampanii miesięcznie i zarządza około 3 miliardami dolarów rocznego wydatku na reklamę.

Twoja kariera obejmuje kilka kluczowych okresów w reklamie cyfrowej, od założenia Bluestreak i pomocy w ustanowieniu wczesnych standardów reklamy cyfrowej po wkład w architekturę jednej z pierwszych wymian reklamowych w czasie rzeczywistym. Jak te doświadczenia ukształtowały twoje podejście do budowania kolejnej generacji systemów reklamy agentowej w Fluency?

Miałem wielkie szczęście w swojej karierze, że znalazłem obszar, który był interesujący na wiele sposobów w reklamie cyfrowej. Mogłem być częścią mechanizmu, który finansował rozwój Internetu. Miałem możliwość wynalezienia lub uczestniczenia w wynalezieniu niektórych podstawowych mechanizmów funkcjonowania reklamy cyfrowej. A wyzwania techniczne w tej dziedzinie dorównują tym w oprogramowaniu. Dlatego zawsze jest to fascynujące.

Z Bluestreak zbudowaliśmy niektóre z pierwszych formatów reklam, w tym pierwsze reklamy wideo i audio. Byliśmy pierwsi, którzy wprowadzili atrybucję wielokrotnego dotyku, pierwszym systemem zarządzania tagami oraz pierwszym, który oferował wielokrotny dotyk we wszystkich typach mediów cyfrowych. To doprowadziło do zaproszenia nas do współautorstwa pierwszego standardu wyświetleń we współpracy z Interactive Advertising Bureau (IAB) i Media Rating Council (MRC).

Kiedy poszedłem do Microsoftu, firma postanowiła zainwestować w technologię reklamową, ponieważ zauważyła, że Google zarabia więcej na każdej kopii Windowsa niż Microsoft, wyłącznie dzięki reklamie cyfrowej. Zaproponowano mi niezwykle atrakcyjną rolę – opracowanie globalnej strategii wejścia Microsoftu w przestrzeń technologii reklamowej.

Zdecydowaliśmy się zrobić duży krok w ad‑tech i byłem odpowiedzialny za strategię budowy, zakupu lub partnerstwa. Przeprowadziłem due diligence ponad 150 firm, kupiliśmy siedem firm i mocno zainwestowaliśmy w rozwój wewnętrznych zespołów. Kiedy przybyłem, mieliśmy około 200 inżynierów pracujących nad ad‑tech i przychody medialne wynosiły ok. 750 mln USD. Do mojego odejścia liczba inżynierów wzrosła do 1 500, a przychody przekroczyły 5 mld USD. Dziś przychody z reklamy w wyszukiwarkach wynoszą około 15 mld USD, ale w tamtym czasie była to niesamowita liczba.

Jedną z firm, które rozważaliśmy i ostatecznie przejęliśmy, była AdECN – pierwsza firma Jeffa Greena, zanim założył The Trade Desk. Rozważaliśmy zakup Right Media, co pozwoliło mi lepiej poznać Briana O’Kelley, ale odeszliśmy od tego pomysłu. Uważaliśmy, że istnieje szansa na asynchroniczny globalny aukcję, umożliwiającą wielu zewnętrznym licytatorom połączenie się z wymianą. Dlatego przejęliśmy AdECN i pomogliśmy im zbudować solidny zespół inżynierski realizujący wizję.

Kiedy AdECN była gotowa do uruchomienia pierwszej wymiany RTB, wybuchła walka o podejścia i w praktyce nigdy nie opuściła fazy testów beta.

Z tego wynikły dwa rezultaty, które naprawdę zmieniły cały ekosystem ad‑tech. Po pierwsze, Brian O’Kelley założył AppNexus po odejściu z Right Media, a kiedy stało się jasne, że AdECN nie wystartuje, popchnąłem pomysł partnerstwa z AppNexus. To doprowadziło do dużej inwestycji w firmę i silnego partnerstwa, które ostatecznie zakończyło się przejęciem przez Microsoft. Drugi ważny rezultat: Jeff Green opuścił Microsoft, zabrał kilku inżynierów, którzy budowali wymianę RTB w AdECN, i założył The Trade Desk.

Patrząc na pierwszy łuk mojej kariery, który obejmował lata 1997‑2010, zasiał on długoterminowe nasiona, które teraz przynoszą ciekawe owoce. Pracowałem później w różnych rolach, w tym w moim startupie Rare Crowds, gdzie wynaleźliśmy Programmatic Curation. Spędziłem czas w firmach takich jak Pandora, gdzie mieliśmy świetny biznes reklam audio, w tym największą wymianę reklam audio, oraz w Yieldmo, gdzie zbudowaliśmy pierwszą wymianę reklam skoncentrowaną na prywatności. W tym czasie miałem okazję być członkiem zarządu IAB Techlab i zostałem zaproszony do komitetu wykonawczego zarządu. Kontynuowałem pracę nad standardami branżowymi przez wszystkie te lata.

W zeszłym roku Brian O’Kelley dostrzegł możliwość stworzenia standardu branżowego dla Agentic Advertising, nazwanego AdCP, zarządzanego przez AgenticAdvertising.org. Brian i ja rozmawialiśmy o lukach w dotychczasowej pracy i zaproponowałem napisanie pierwszej specyfikacji dotyczącej zarządzania i zgodności dla AdCP.

Kilka miesięcy po napisaniu specyfikacji skontaktował się ze mną Fluency. Gdy zacząłem poznawać to, co zbudowali, byłem pod wrażeniem. Faktycznie rozwiązali już wszystko, co wskazałem w specyfikacji. Pracowali nad agentic advertising od ośmiu lat, znacznie przed tym, gdy LLM‑y były gotowe stać się „agentowymi”.

Zobaczyłem, że deterministyczne podejście, które przyjęli w swoich agentach, było dokładnie tym, czego potrzebują agenci zasilani LLM‑ami, które są z natury probabilistyczne. Oznacza to, że choć LLM‑y świetnie „myślą” i są kreatywne, są kiepskie w powtarzalnym wykonywaniu tej samej czynności w ten sam sposób. Każde podejście ma swoje słabości, ale razem rozwiązują problem agentic advertising.

Moja wizja była zgodna z wizją zespołu zarządzającego Fluency i dołączyłem, aby prowadzić tutaj dział Produktu. Teraz pędzimy pełną prędkością w stronę świata, w którym agenci mogą bezpiecznie transakcjonować w reklamie z ludźmi w pętli, gdy jest to potrzebne, a agenci zasilani LLM‑ami otrzymują deterministyczne zabezpieczenia zarządzające ich zachowaniem.

Czuję się niezwykle szczęśliwy, że mogłem przejeżdżać tak wiele fal wielkich zmian w reklamie cyfrowej – od pierwszego standardu wyświetleń, przez wynalezienie RTB, po wynalezienie Curation i pojawienie się Agentic Advertising. To była dzika jazda i wciąż czerpię radość oraz ekscytację z możliwości, jakie oferuje ta przestrzeń.

Real-time bidding dało oprogramowaniu możliwość podejmowania decyzji finansowych w milisekundach. Jakie lekcje z rozwoju reklamy programatycznej powinni dzisiejsi deweloperzy wziąć pod uwagę, dając agentom AI większą autonomię operacyjną?

W reklamie programatycznej używaliśmy uczenia maszynowego, które jest formą AI, do budowania silników decyzyjnych zdolnych do podejmowania dziesiątek milionów decyzji na sekundę. Wymaga to ogromnej mocy obliczeniowej, przetwarzania danych, rozległej infrastruktury, a przed erą generatywnej AI można by argumentować, że był to jeden z najgłębszych przełomów w całej informatyce.

Mimo swojej potęgi, model programatyczny ma także ogromne nieefektywności i rozbudowany ekosystem, który zużywa zbyt dużo energii (a więc generuje zbyt dużo emisji CO₂) na jedną wyświetlenie reklamy. Nie zrozumcie mnie źle, kocham przestrzeń programatyczną i podziwiam to, co stworzyliśmy. Ale wydaje się, że zbudowaliśmy maszynę znacznie bardziej skomplikowaną niż korzyść, jaką otrzymujemy za tę złożoność.

Podobne argumenty można podnieść wobec Generative AI, ale miejsca, w których agenci zasilani LLM‑ami powinni funkcjonować w ekosystemie, to interfejsy, a nie serce każdej transakcji. Łącząc LLM‑y z deterministycznymi agentami, możemy znacznie efektywniej zarządzać transakcjami, jednocześnie drastycznie redukując złożoność.

W branży istnieją dwa duże inicjatywy, które mają wprowadzić agenty zasilane LLM‑ami do przepływu pracy transakcji. IAB TechLab uruchomił inicjatywę Agentic Advertising Management Protocols (AAMP), umożliwiającą proxy LLM‑ów w infrastrukturze RTB poprzez podejmowanie decyzji z wyprzedzeniem i ich buforowanie w systemach czasu rzeczywistego ekosystemu. Projekt AdCP koncentruje się na tym, co nazywam integracjami „na poziomie konta”. Oznacza to, że cała praca wykonywana przez ludzi w zarządzaniu kampanią i przepływach kreatywnych może być zautomatyzowana. AAMP jest bardzo wartościowy i interesujący, ale usprawnia istniejący, złożony system. AdCP rozwiązuje problem istniejący od początku branży, który Fluency rozwiązuje od ośmiu lat. Dlatego intensywnie pracujemy nad AdCP, ale wkrótce zajmiemy się także AAMP.

Fluency skutecznie rozwiązało problem ostatniego kilometra, który nigdy nie został zaadresowany w przestrzeni ad‑tech: ogromne nieefektywności przy tworzeniu i zarządzaniu kampaniami reklamowymi na poziomie konta, kampanii i kreacji. I naprawdę wierzę, że to, co robimy, jest tak samo przełomową szansą dla reklamy, jak to, co wynaleźliśmy z RTB. Łącząc LLM‑y z przepływami, które Fluency już zautomatyzowało, zwiększamy wartość całego systemu.

Fluency oddziela probabilistyczne rozumowanie AI od deterministycznych systemów wykonujących zmiany w kampaniach. Dlaczego obecnie jest zbyt ryzykowne, aby pozwolić dużemu modelowi językowemu bezpośrednio kontrolować budżety reklamowe?

Uważam, że to fundamentalny problem, z którym LLM‑y prawdopodobnie zawsze będą się borykać. Silniki probabilistyczne są zaprojektowane tak, aby dawać różne odpowiedzi na to samo pytanie przy każdym zapytaniu. Nawet gdy są niesamowicie dobre w myśleniu, są fatalne w zadaniach deterministycznych. Weźmy na przykład arytmetykę:

LLM‑y dosłownie nie potrafią dodawać, odejmować, mnożyć ani dzielić. Możesz nie zdawać sobie z tego sprawy, ponieważ gdy zapytasz Claude’a lub ChatGPT o zadanie arytmetyczne, podają poprawną odpowiedź. Jednak większość ludzi nie wie, że robią to, pisząc skrypty i wykonując kod, aby obsłużyć obliczenia. To właśnie omawiamy: przecięcie probabilistycznego LLM, który rozumie, że nie potrafi wykonywać arytmetyki, budującego własne deterministyczne oprogramowanie, które wykonuje obliczenia, aby rozwiązać żądane zadanie.

Mimo że LLM teraz „magicznie” potrafi wykonywać arytmetykę, nigdy nie pozwoliłbym LLM zarządzać moimi finansami i podejmować decyzje o handlu akcjami. Nie pozwoliłbym LLM składać moich podatków i składać ich bez żadnej weryfikacji. Nie pozwoliłbym nawet LLM napisać e‑maila lub wpisu na blogu bez starannej edycji, aby upewnić się, że wszystko jest prawdziwe.

W miarę jak stają się mądrzejsze i lepsze w wykonywaniu, mogą w przyszłości w pewnym odległym czasie być w stanie robić te rzeczy. Ale przypuszczam, że zrobią to, pisząc własne deterministyczne oprogramowanie, które obsłuży części problemu wymagające takiego podejścia.

Fluency już dziś posiada deterministyczne „rury” do zarządzania reklamą. Integrujemy LLM‑y z tą platformą, wykorzystując je do zadań, w których są świetne. Udostępniamy naszą platformę zewnętrznym agentom, aby mogli wykonywać operacje w naszych rurach. Ostatecznie widzę to jako budowanie bramy do ekosystemu reklamowego, gdzie agent zasilany LLM‑em może transakcjonować na dowolnej platformie medialnej, integrując się w jednym miejscu. Ale wciąż jesteśmy daleko od tego długoterminowego wyniku!

Jak warstwa deterministycznego wykonania Fluency ocenia rekomendacje agenta AI przed dopuszczeniem ich do wpływu na bieżącą kampanię i jakie rodzaje reguł lub ograniczeń mogą ustalić reklamodawcy?

Udostępniamy mechanizmy, dzięki którym ludzie (lub LLM‑y) mogą tworzyć deterministyczne instrukcje, które będą wykonywane w ten sam sposób przy każdej interakcji z platformami reklamowymi. To duży problem, który musi być rozwiązany w każdej branży. Dla reklamy firmą rozwiązującą to jest Fluency. Umożliwiamy tworzenie reguł biznesowych i heurystyk dla dowolnej akcji, którą nasz klient może podjąć na platformie reklamowej. Jeśli da się stworzyć logikę IF/THEN dla danego problemu, nasza platforma pozwala zakodować ją w regułach biznesowych, które są przestrzegane w ten sam sposób przy każdej iteracji.

To krytycznie ważne do zrozumienia. Istnieje wiele decyzji, które ludzie podejmują w ten sam sposób przy konkretnych sytuacjach. To pozwala nam kodować reguły zarządzania budżetem, generować kampanie lub kreacje przy jednoczesnym wymuszaniu taksonomii nazw, albo automatycznie uruchamiać i wyłączać kampanie i kreacje w oparciu o wyzwalacze w zewnętrznych zestawach danych.

Na przykład salon samochodowy może otrzymać nową dostawę aut. Fluency może odczytać system zarządzania zapasami używany przez salon i automatycznie wygenerować kampanie i kreacje dla dokładnego modelu, marki, a nawet koloru i specyficznych cech każdego pojazdu, w ciągu kilku minut od pojawienia się samochodów na placu. Gdy ostatni samochód zostanie sprzedany, automatycznie wyłącza te kampanie.

To wszystko jest dość przełomowe, ponieważ decyzje biznesowe, aby wykonać te czynności, są bardzo proste, gdy rozpatruje się je pojedynczo. To problem „śmierci tysiącem cięć” w zarządzaniu reklamą dzisiaj, który znika. Nasi klienci zauważają, że to uwalnia ich zespoły od gaszenia pożarów przez cały dzień, pozwalając skupić się na pracy, która naprawdę przesuwa wskaźniki dla ich klientów.

Strategia reklamowa i rozwój kreacji często wymagają eksperymentów i subiektywnej oceny. Jak organizacje mogą zachować elastyczność generatywnej AI, jednocześnie zapewniając, że wykonanie kampanii pozostaje przewidywalne i zgodne?

Wszystko, o czym rozmawialiśmy, już zbudowało ramy, aby odpowiedzieć na to w prosty sposób. Rzeczy, które mogą być zakodowane w regułach biznesowych, są odpowiednio skonfigurowane, aby wykonywać te proste decyzje, które są takie same przy każdym uruchomieniu. LLM‑y mogą pomagać w analizie i dopasowywaniu wzorców, podobnie jak wszystkie inne formy AI, takie jak uczenie maszynowe, które ma długą historię w ad‑tech. Ale prawdziwym trikiem jest posiadanie mechanizmów, które pozwalają poprosić człowieka o interwencję, jeśli problem nie jest jednoznacznie rozwiązany. Nasi klienci mogą dostosować tolerancję ryzyka, więc jeśli problem jest niskiego ryzyka, mogą pozwolić maszynom podjąć decyzję. Natomiast w przypadkach, które naprawdę wymagają decyzji ludzkich, ostrzegamy ich i umożliwiamy przejęcie sterowania.

Platforma Fluency działa w kanałach wyszukiwania, mediów społecznościowych i reklamy programatycznej. Jakie wyzwania techniczne pojawiają się, gdy agent AI musi rozumować nad platformami o różnych strukturach danych, systemach optymalizacji i wymaganiach politycznych?

Każda platforma reklamowa ma unikalny zestaw najlepszych praktyk i możliwości. API to stałe „rury”, do których podłączamy się, aby sterować tymi platformami zewnętrznie. API są bardzo dobrze udokumentowane, ale ta dokumentacja jest właściwie zestawem reguł, co MOŻNA zrobić na tych platformach. Nie są one ucieleśnieniem najlepszych praktyk dla konkretnej platformy.

LLM‑y mogą wchłaniać mnóstwo informacji w kontekst, aby najlepsze praktyki korzystania z każdej platformy były dostępne poprzez nie. Ponieważ Fluency obsługuje wiele platform dla wielu agencji i reklamodawców, możemy zakodować najlepsze praktyki każdego z naszych klientów (w ich imieniu) w instrukcjach, które LLM może wykonać, aby wprowadzić zróżnicowane najlepsze praktyki dla każdego klienta. Nasi klienci mają własne „playbooki” dotyczące prowadzenia biznesu, a Fluency pozwala im zakodować je w deterministycznych regułach tam, gdzie to możliwe, a z czasem udostępnimy je jako zestawy instrukcji dla agentów zasilanych LLM, gdy ma to sens.

Zaczynamy teraz współpracować z naszymi klientami nad tą nową generacją rozwoju, aby zakodować bardziej złożone scenariusze w ich kontach na naszej platformie. To bardzo wczesny etap. Każdy, kto twierdzi, że rozwiązał jakąkolwiek część tego przy użyciu LLM‑ów, przesadza, ponieważ wszystko jest tak wczesne, a modele rozwijają się tak szybko, że nikt jeszcze nie rozwiązał tego w pełni. Ale jesteśmy bardzo dobrze pozycjonowani, aby współpracować z naszymi klientami w rozwiązaniu tego problemu.

Jak powinien wyglądać skuteczny nadzór ludzki w środowisku reklamy agentowej? Które decyzje mogą bezpiecznie stać się autonomiczne, a które powinny nadal wymagać przeglądu lub zatwierdzenia przez człowieka?

Każdy klient ma inną tolerancję ryzyka i większość z nich nigdy nie miała systemu, który mógłby to wyrazić. W Fluency osąd dobrego menedżera kampanii, który stosuje w głowie, zostaje zakodowany raz, a potem stosowany identycznie we wszystkich kontach, na wszystkich platformach, przy każdej okazji. Sytuacje, które nie mają jednoznacznej odpowiedzi, automatycznie kierowane są do człowieka, z kontekstem niezbędnym do podjęcia decyzji.

To, jak to wygląda w praktyce, bardzo się różni. Dziś uruchamiamy ogromną liczbę różnych reguł dla naszych klientów, pomagając im zakodować ludzkie decyzje, które nie zmieniają się, i przekazując je człowiekowi, gdy odpowiedź nie jest jasna.

Które decyzje mogą być bezpiecznie autonomiczne, zależy od klienta i nie sądzę, że istnieje uniwersalna odpowiedź. Platforma musi egzekwować granicę tam, gdzie klient ją wyznaczy, i pozwolić jej przesuwać w miarę rosnącej pewności.

W miarę jak agenci podejmują więcej decyzji kampanii, jak platformy powinny dokumentować uzasadnienie, dane i reguły stojące za każdą akcją, aby reklamodawcy mogli audytować wydajność, badać błędy i wykazać zgodność?

Jedną z kluczowych wartości, które Fluency oferuje, jest pełna zgodność z SOC2 i pełna możliwość audytu. Zmiany są rejestrowane w całym systemie. Byłem CPTO spółki notowanej na giełdzie i miałem do czynienia ze zgodnością, więc wiem, jak skomplikowane to może być. To kolejny powód, dla którego byłem podekscytowany dołączeniem do Fluency, ponieważ każdy aspekt naszej działalności jest w pełni audytowalny. Utrzymujemy także dzienniki zmian dla każdej modyfikacji w systemie, powiązane z tym, który użytkownik ją wprowadził.

Jest druga warstwa, która ma znaczenie. Ponieważ reguły biznesowe są zakodowane w oprogramowaniu, reguła jest własną specyfikacją. Nie ma rozbieżności między dokumentacją a zachowaniem, co jest miejscem, w którym audyty zazwyczaj się rozpadają. W świecie z LLM‑ami ta zakodowana logika może być na żądanie odtworzona w prostym języku biznesowym, więc osoba przeprowadzająca audyt nie musi czytać kodu, aby zrozumieć, co system miał zrobić.

Dla agencji lub marki rozpoczynającej przyjmowanie reklamy agentowej, które przepływy pracy zapewniają najlepszy punkt wyjścia i jakie dowody powinna organizacja wymagać przed rozszerzeniem uprawnień agenta?

Z perspektywy Fluency reklama agentowa to dobrze przebyta droga. Robimy to od ośmiu lat. Mamy setki agencji i marek korzystających z naszej platformy do reklamy agentowej już dziś, a w przestrzeni wielolokalnej obejmuje to dziesiątki tysięcy lokalizacji.

Automatyzujemy większość tego, co ludzie powtarzalnie robią przy tworzeniu i zarządzaniu kampaniami, w wyszukiwaniu, mediach społecznościowych i programatyce, więc nie ma jednego przepływu pracy, który byłby lepszy lub gorszy jako punkt wyjścia. Najlepszy punkt wyjścia to ten kanał, który nasz klient uzna za najbardziej pracochłonny.

LLM‑y pomagają nam także przyspieszyć onboarding klientów, ponieważ, jak możesz sobie wyobrazić, kodowanie reguł biznesowych klienta przypomina wdrożenie CRM, mierzone w miesiącach. Budujemy narzędzia wykorzystujące LLM‑y do pomocy w tworzeniu zestawów reguł i pisaniu skryptów automatyzacji. To znacznie przyspieszy proces wdrożenia i zmniejszy złożoność dla naszych klientów.

Reklama jest wczesnym poligonem testowym dla autonomicznych systemów zarządzających prawdziwymi pieniędzmi w dużej skali. Jakie lekcje z tej branży mogłyby mieć zastosowanie w usługach finansowych, opiece zdrowotnej, zakupach korporacyjnych lub innych regulowanych sektorach przyjmujących agenty AI?

Reklama od 20 lat jest poligonem dowodowym dla autonomicznych systemów wydających prawdziwe pieniądze. Programatyka nauczyła branżę, jak pozwolić oprogramowaniu wydawać miliardy dolarów dziennie bez ludzkiego zatwierdzania każdej transakcji. Większość obecnych dyskusji o agentowej AI odbywa się w skali, którą reklama zostawiła daleko w przeszłości.

Fluency obsługuje ponad 3 mld USD rocznego wydatku na reklamę, działając w setkach agencji i marek, a w przestrzeni wielolokalnej obejmuje to dziesiątki tysięcy lokalizacji. Większość rozmów o reklamie agentowej dotyczy teraz budżetów pilotażowych i kilku kont.

To, co przenosi się do innych sektorów, to architektura. Oddzielasz systemy decyzyjne od systemów wykonawczych. Warstwa decyzyjna może być probabilistyczna, ponieważ osąd korzysta z elastyczności i kreatywności. Warstwa wykonawcza musi być deterministyczna, ponieważ przepływ pieniędzy nie jest miejscem, w którym chcesz zmienności. Każda akcja jest rejestrowana względem użytkownika lub agenta, który ją zainicjował, co daje ścieżkę audytu wytrzymałą przed regulatorami.

To wymaganie jest identyczne w usługach finansowych, w roszczeniach zdrowotnych, w zakupach korporacyjnych. Stawki są wyższe, a narzędzia zazwyczaj gorsze. Projekt, który zbudowaliśmy dla reklamy, jest właściwy: pełna audytowalność z dziennikami zmian przy każdej modyfikacji to podstawa. Szczególnie martwi mnie brak ludzkiego osądu w takich sprawach jak zatwierdzanie procedur medycznych czy roszczeń ubezpieczeniowych. Nie sądzę, że LLM‑y są jeszcze gotowe, a mam osobiste przykłady w swoim życiu, kiedy zautomatyzowane systemy podejmowały bardzo złe decyzje w zatwierdzaniu lub odrzucaniu roszczeń ubezpieczeniowych.

Moje oczekiwanie jest takie, że wzorzec ustanowiony przez reklamę stanie się wzorcem przyjmowanym przez te sektory. Mieliśmy dwudziestoletni przewagę w problemie maszyn wydających pieniądze setki milionów razy na sekundę. Podejście Fluency rozciąga się od transakcji po przepływ pracy i jestem przekonany, że nasze podejście będzie również tym, które wygra.

Thank you for the great interview, readers who wish to learn more should visit Fluency.