Eric Picard, SVP de Produto da Fluency – Série de Entrevistas

Eric Picard, Vice-Presidente Sênior de Produto da Fluency, é um executivo de produto e tecnologia experiente que passou décadas desenvolvendo plataformas de publicidade digital, mercados automatizados, sistemas de dados e produtos voltados para o consumidor. Antes de se juntar à Fluency, ele ocupou cargos de liderança sênior na Microsoft, Pandora, MediaMath, Yieldmo e BARK, onde suas responsabilidades variaram desde estratégia de tecnologia de publicidade e mídia programática até gerenciamento de produto, ciência de dados, engenharia e modernização de plataformas em larga escala. Picard também é um empreendedor serial que fundou a Bluestreak, Rare Crowds, Questori e outras empresas de tecnologia, com a Bluestreak e a Rare Crowds sendo eventualmente adquiridas. Sua carreira incluiu ajudar a arquitetar um dos primeiros exchanges de licitação em tempo real, lançar produtos de publicidade de áudio programática, desenvolver tecnologia de curação de inventário automatizada e aconselhar empresas sobre inteligência artificial, estratégia de produto, transformação corporativa e fusões e aquisições.

Fluency desenvolve um Sistema Operacional de Publicidade Digital projetado para ajudar agências, marcas e empresas multilocais a gerenciar campanhas de mídia paga em busca, redes sociais, plataformas programáticas, jardins murados e a web aberta. A plataforma centraliza dados, ativos criativos, inventário, requisitos de conformidade, audiências, estratégia de campanha, relatórios e fluxos de trabalho de execução, utilizando automação e inteligência artificial para reduzir o trabalho operacional repetitivo e coordenar campanhas em larga escala. A Fluency está cada vez mais focada em publicidade agêntica, incluindo fluxos de trabalho governados por IA que podem executar e otimizar campanhas enquanto mantêm controles estratégicos e de marca definidos. A empresa afirma que sua tecnologia suporta mais de 250.000 campanhas por mês e gerencia aproximadamente US$ 3 bilhões em gastos publicitários anuais.

Sua carreira abrangeu vários períodos fundamentais na publicidade digital, desde a fundação da Bluestreak e a ajuda na criação de padrões iniciais de publicidade digital até a contribuição para a arquitetura de um dos primeiros exchanges de licitação em tempo real. Como essas experiências moldaram sua abordagem para construir a próxima geração de sistemas de publicidade agêntica na Fluency?

Eu fui muito afortunado em minha carreira por ter encontrado um espaço que era interessante de várias maneiras com a publicidade digital. Eu pude fazer parte do mecanismo que financiou o crescimento da Internet. Eu pude inventar ou fazer parte da invenção de alguns dos fundamentos da publicidade digital. E os desafios técnicos nesse espaço rivalizam com qualquer coisa em software. Então, é sempre interessante.

Com a Bluestreak, conseguimos construir alguns dos primeiros formatos de anúncios, incluindo alguns dos primeiros anúncios de vídeo e áudio. Fomos os primeiros a fazer atribuição de toque múltiplo, os primeiros a oferecer um sistema de gerenciamento de tags e os primeiros a oferecer toque múltiplo em todos os tipos de mídia digital. Isso nos levou a ser convidados a coautorar o primeiro padrão de impressão, trabalhando com o Interactive Advertising Bureau (IAB) e o Media Rating Council (MRC).

Quando fui para a Microsoft, a empresa havia decidido investir em tecnologia de publicidade porque viu que o Google estava ganhando mais dinheiro por cópia do Windows do que a Microsoft, tudo devido à publicidade digital. Eles me ofereceram um papel que era incrivelmente atraente, a oportunidade de escrever a estratégia global para como a Microsoft deveria entrar no espaço de tecnologia de publicidade.

Decidimos ir grande na ad-tech, e eu estava no ponto de figura para descobrir a estratégia de construir, comprar ou parceiro. Eu fiz due diligence em mais de 150 empresas, compramos sete empresas e investimos pesadamente em equipes internas. Quando cheguei, tínhamos cerca de 200 engenheiros trabalhando em ad-tech, e tínhamos cerca de US$ 750 milhões em receita de mídia. Quando eu saí, tínhamos 1.500 engenheiros trabalhando em ad-tech, e mais de US$ 5 bilhões em receita. Hoje, a receita de publicidade de busca representa cerca de US$ 15 bilhões, mas na época era um número incrível.

Uma das empresas que eu olhei e acabamos adquirindo foi a AdECN. Essa foi a primeira empresa de Jeff Green, antes de ele fundar a The Trade Desk. Nós olhamos para comprar a Right Media, que é como eu conheci Brian O’Kelley muito bem, mas passamos nela. Nós sentimos que havia uma oportunidade para um leilão global assíncrono que permitisse vários licitantes externos se conectarem ao exchange. Então, adquirimos a AdECN e ajudamos a construir uma equipe de engenharia robusta para executar a visão.

Quando a AdECN estava pronta para lançar o primeiro exchange de licitação em tempo real, houve uma batalha sobre as abordagens, e basicamente nunca saiu da fase beta.

Houve dois resultados disso que realmente mudaram todo o ecossistema de ad-tech. O primeiro foi que Brian O’Kelley começou a AppNexus após deixar a Right Media, e quando ficou claro que a AdECN nunca decolaria, eu apoiei a oportunidade de parceiro com a AppNexus. Isso eventualmente levou a um grande investimento na empresa e uma parceria sólida que finalmente terminou com a aquisição pela Microsoft. O segundo resultado importante foi que Jeff Green deixou a Microsoft, levou alguns dos engenheiros que haviam construído o exchange de licitação em tempo real na AdECN e começou a The Trade Desk.

Quando você olha para esse primeiro arco da minha carreira, que nos levou de 1997 a 2010, isso plantou algumas sementes de longo prazo que agora deram frutos interessantes. Eu fui para vários papéis, incluindo minha startup Rare Crowds, onde inventamos a Curação Programática. Passei tempo em empresas como a Pandora, onde tivemos um grande negócio de publicidade de áudio, incluindo o maior exchange de anúncios de áudio, e a Yieldmo, onde construímos o primeiro exchange de anúncios com foco em privacidade. Durante esse tempo, tive a oportunidade de fazer parte do conselho de diretores do IAB Techlab e fui convidado a fazer parte do comitê executivo do conselho. E continuei a trabalhar em padrões da indústria todos esses anos.

No ano passado, Brian O’Kelley viu a oportunidade de construir um padrão da indústria para Publicidade Agêntica, chamado AdCP, gerenciado por AgenticAdvertising.org. Brian e eu conversamos sobre onde havia lacunas no trabalho que estava sendo feito, e eu ofereci para escrever a primeira especificação para Governança e Conformidade para o AdCP.

Um par de meses após eu escrever, fui contatado pela Fluency. Quando comecei a aprender sobre o que eles haviam construído, fiquei impressionado. Eles haviam basicamente resolvido tudo o que eu havia apontado em minha especificação. Eles haviam estado fazendo publicidade agêntica por oito anos, muito antes de os LLMs estarem prontos para se tornar “agênticos”.

Eu vi que a abordagem determinística que eles haviam tomado com seus agentes era exatamente o que era necessário para atender às necessidades dos agentes alimentados por LLMs, que são inerentemente probabilísticos. Cada abordagem sozinha tem fraquezas, mas juntas, elas resolvem o problema da publicidade agêntica.

Minha visão era compatível com a visão da equipe de liderança da Fluency, e eu me juntei para liderar o Produto aqui. Agora estamos correndo a toda velocidade em direção a um mundo onde os agentes podem transacionar publicidade de forma segura com humanos no loop quando necessário, e os agentes alimentados por LLMs recebem guardiões determinísticos para gerenciar seu comportamento.

Sinto-me incrivelmente afortunado por ter cavalgado tantas ondas de mudança significativa na publicidade digital, desde a fundação da Bluestreak e a ajuda na criação de padrões iniciais de publicidade digital até a contribuição para a arquitetura de um dos primeiros exchanges de licitação em tempo real. Isso foi uma viagem louca, e ainda estou me divertindo e animado com as oportunidades nesse espaço.

A licitação em tempo real deu à software a capacidade de tomar decisões financeiras em milissegundos. Quais lições do desenvolvimento da publicidade programática os desenvolvedores de hoje devem considerar ao dar aos agentes de IA uma autonomia operacional maior?

Na publicidade programática, usamos Aprendizado de Máquina, que é uma forma de IA, para construir motores de decisão que podiam tomar dezenas de milhões de decisões por segundo. Isso exige uma quantidade incrível de potência de processamento, processamento de dados, vasta infraestrutura e, antes do advento da IA gerativa, eu argumentaria que foi um dos desenvolvimentos mais profundos em todo o software.

Para toda a sua força, também há ineficiências massivas no modelo programático, e um ecossistema complexo que queima muito mais eletricidade (e, portanto, cria muito mais carbono) por impressão de anúncio. Não me entenda mal, eu amo o espaço programático, e estou impressionado com o que criamos. Mas parece que construímos uma máquina muito mais complexa do que o payoff que obtemos por toda essa complexidade.

Embora os mesmos argumentos exatos possam ser feitos para a IA Gerativa, os lugares onde os agentes alimentados por LLMs precisam viver no ecossistema estão nas interfaces, não no coração de cada transação. E, misturando judiciosamente LLMs com agentes determinísticos, podemos gerenciar transações de forma muito mais eficiente enquanto reduzimos drasticamente a complexidade.

Há duas iniciativas importantes na indústria, visando injetar agentes alimentados por LLMs no fluxo de trabalho de como as transações ocorrem. O IAB TechLab deu início à iniciativa de Protocolos de Gerenciamento de Publicidade Agêntica (AAMP), que habilita mecanismos para proxy LLMs na infraestrutura de RTB, tomando decisões antecipadamente e cacheando-as nos sistemas em tempo real do ecossistema. O projeto AdCP se concentra no que eu considero “integrações de nível de conta”. Ou seja, todo o trabalho feito por humanos no gerenciamento de campanha e fluxos de trabalho criativos para publicidade pode ser automatizado.

A Fluency efetivamente resolveu o problema da última milha que nunca foi abordado no espaço de ad-tech: as ineficiências massivas na criação e gerenciamento de campanhas de publicidade no nível de conta, campanha e criativo. E eu realmente acredito que o trabalho que estamos fazendo é tão profundo quanto a oportunidade para a publicidade quanto o que inventamos com a RTB. À medida que conectamos LLMs aos fluxos de trabalho que a Fluency já automatizou, estamos aumentando o valor de todo o sistema.

A Fluency separa o raciocínio de IA probabilístico dos sistemas determinísticos que executam alterações de campanha. Por que, atualmente, é arriscado demais permitir que um grande modelo de linguagem controle diretamente orçamentos de publicidade?

Acho que isso é um problema fundamental que os LLMs provavelmente sempre terão. Motores probabilísticos são projetados para dar respostas diferentes para a mesma pergunta a cada vez. Mesmo quando são incrivelmente bons em “pensar”, são terríveis em coisas determinísticas. Vamos usar a aritmética como exemplo:

Os LLMs literalmente não podem adicionar, subtrair, multiplicar ou dividir. Agora, você pode não perceber isso, porque quando você pergunta a Claude ou ChatGPT uma pergunta que requer aritmética, eles podem dar a resposta certa. Mas o que a maioria das pessoas não sabe é que eles fazem isso escrevendo scripts e executando esse código para lidar com cálculos.

Mesmo com toda a sua força, eu nunca deixaria um LLM gerenciar minhas finanças e tomar decisões de negociação de ações para mim. Eu nunca deixaria um LLM fazer meus impostos e enviá-los sem revisão. Diabo, eu nem deixaria um LLM escrever um e-mail ou postar um blog sem editar cuidadosamente para garantir que tudo seja verdade.

À medida que eles se tornam mais inteligentes e melhores na execução, eles podem muito bem ser capazes de fazer essas coisas em algum ponto no futuro distante. Mas minha aposta é que eles farão isso escrevendo seu próprio software determinístico para lidar com as partes do problema que exigem isso.

A Fluency está lá hoje – temos os tubos determinísticos para gerenciar publicidade. Estamos integrando LLMs à nossa plataforma, usando-os para as coisas que são ótimas. E estamos exposto nossa plataforma a agentes externos para que possam executar sobre nossos tubos. Em última análise, vejo isso como a construção da porta de entrada para o ecossistema de publicidade, onde um agente alimentado por LLM pode transacionar em qualquer plataforma de mídia integrando-se em um lugar. Mas estamos todos um pouco longe desse resultado de longo prazo!

Como os agentes tomam mais decisões de campanha, como as plataformas devem documentar o raciocínio, dados e regras por trás de cada ação para que os anunciantes possam auditar o desempenho, investigar erros e demonstrar conformidade?

Nós oferecemos mecanismos para humanos (ou LLMs) criarem instruções determinísticas que serão executadas da mesma maneira todas as vezes em plataformas de publicidade. Isso é um grande problema que precisa ser resolvido em todas as indústrias. Para a publicidade, a empresa que resolve isso é a Fluency. Nós habilitamos a criação de regras de negócios e heurísticas para qualquer ação que um de nossos clientes possa tomar em uma plataforma de publicidade.

Se for possível criar lógica IF/THEN para um problema, nossa plataforma permite que isso seja codificado em regras de negócios que são seguidas da mesma maneira todas as vezes. Isso é criticamente importante para entender. Há muitas decisões que os humanos tomam da mesma maneira todas as vezes que veem uma situação específica. Isso nos permite fazer coisas como codificar regras de gerenciamento de orçamento, ou gerar campanhas ou criativos enquanto impõem taxonomias de nomenclatura, ou automaticamente iniciar e parar campanhas e criativos com base em gatilhos em conjuntos de dados externos.

Por exemplo, um concessionário de carros pode receber um novo lote de carros. A Fluency pode ler o sistema de gerenciamento de inventário que o concessionário usa e automaticamente gerar campanhas e criativos para o modelo, cor e atributos específicos de cada veículo, dentro de minutos após os carros chegarem à loja. E quando o último carro for vendido, automaticamente desligar essas campanhas.

Tudo isso é bastante profundo, porque as decisões de negócios para fazer todas essas coisas são muito simples quando tomadas individualmente. É o problema da “morte por mil cortes” no gerenciamento de publicidade de hoje que some. Nossos clientes encontram que isso libera suas equipes de apagar incêndios o dia todo para fazer o trabalho que importa para mover a agulha para seus clientes.

A estratégia de publicidade e o desenvolvimento criativo frequentemente exigem experimentação e julgamento subjetivo. Como as organizações podem preservar a flexibilidade da IA gerativa enquanto garantem que a execução da campanha permaneça previsível e em conformidade?

Tudo o que discutimos até agora já construiu o quadro para responder a isso de uma maneira simples. As coisas que podem ser codificadas em regras de negócios são configuradas corretamente para executar essas decisões fáceis que são as mesmas todas as vezes. Os LLMs podem ajudar a analisar e fazer correspondência de padrões, assim como todas as outras formas de IA, como o Aprendizado de Máquina, que tem uma longa história na ad-tech. Mas o truque real é ter os mecanismos no lugar para alcançar e pedir a um ser humano para intervir se o problema não tiver uma resposta clara.

A plataforma da Fluency opera em canais de publicidade de busca, redes sociais e programática. Quais desafios técnicos surgem quando um agente de IA precisa raciocinar em plataformas que têm estruturas de dados, sistemas de otimização e requisitos de política diferentes?

Cada plataforma de publicidade tem um conjunto único de melhores práticas e capacidades. As APIs são os tubos fixos que conectamos para impulsionar essas plataformas externamente. As APIs são muito bem documentadas, mas essa documentação é realmente o conjunto de regras para o que pode ser feito nessas plataformas. Elas não são a encarnação das melhores práticas para usar cada plataforma.

Os LLMs podem ingerir muita informação em contexto para que as melhores práticas para usar cada plataforma possam ser disponibilizadas por meio deles. Como a Fluency opera muitas plataformas para muitas agências e anunciantes, podemos codificar as melhores práticas de cada um de nossos clientes (em seu nome) nas instruções que um LLM pode seguir para impulsionar as melhores práticas diferenciadas para cada cliente.

Nós estamos começando a trabalhar com nossos clientes agora nessa próxima geração de desenvolvimento para codificar esses cenários mais complexos em suas contas em nossa plataforma. É muito cedo. Qualquer um que diga que resolveu qualquer parte disso usando LLMs está esticando a verdade, porque as coisas estão tão cedo, e os modelos estão evoluindo tão rapidamente que ninguém resolveu isso completamente.

Qual deve ser a aparência da supervisão humana eficaz em um ambiente de publicidade agêntica? Quais decisões podem se tornar autônomas com segurança, e quais devem continuar a exigir revisão ou aprovação humana?

Cada cliente tem uma tolerância ao risco diferente, e a maioria deles nunca teve um sistema que pudesse expressá-la. Na Fluency, o julgamento que um bom gerente de campanha aplica na cabeça é codificado uma vez e aplicado identicamente em cada conta, plataforma e vez. As situações que não têm uma resposta clara são encaminhadas a uma pessoa automaticamente, com o contexto que ela precisa para tomar a decisão.

O que isso parece na prática varia muito. Estamos executando um grande número de regras diferentes para nossos clientes hoje, ajudando a codificar decisões humanas que não variam, e empurrando para um humano quando a resposta não é clara.

Como os agentes tomam mais decisões de campanha, como as plataformas devem documentar o raciocínio, dados e regras por trás de cada ação para que os anunciantes possam auditar o desempenho, investigar erros e demonstrar conformidade?

Uma das principais propostas de valor que a Fluency oferece é que somos conformes com o SOC2 e totalmente auditáveis. As alterações são registradas em todo o sistema. Eu fui CPTO de uma empresa de capital aberto e estive na linha de frente para a conformidade antes, então sei como isso pode ser complexo. É outro motivo pelo qual eu estava animado para me juntar à Fluency, porque todos os aspectos do que fazemos são totalmente auditáveis.

Há uma segunda camada que importa. Porque as regras de negócios são codificadas em software, a regra é sua própria especificação. Não há drift entre a documentação e o comportamento, o que é onde as auditorias geralmente falham. E em um mundo habilitado por LLM, essa lógica codificada pode ser renderizada de volta em linguagem de negócios simples sob demanda, para que a pessoa que faz a auditoria não precise ler código para entender o que o sistema foi instruído a fazer.

Para uma agência ou marca que começa a adotar publicidade agêntica, quais fluxos de trabalho fornecem o melhor ponto de partida, e quais evidências a organização deve exigir antes de expandir a autoridade de um agente?

Do ponto de vista da Fluency, a publicidade agêntica é um terreno bem conhecido. Nós estamos fazendo isso por oito anos. Temos centenas de agências e marcas usando nossa plataforma para fazer publicidade agêntica hoje, e no espaço multilocal, isso é em dezenas de milhares de locais.

Nós automatizamos a maioria do que os humanos fazem repetidamente ao configurar e gerenciar campanhas, em busca, redes sociais e programática, então não há um fluxo de trabalho que faça um melhor ou pior ponto de partida. O melhor ponto de partida é o canal que nosso cliente encontra mais trabalhoso.

Os LLMs estão nos ajudando a acelerar a integração de nossos clientes, porque, como você pode imaginar, codificar as regras de negócios de um cliente é semelhante a realizar uma implementação de CRM, medida em meses. Estamos construindo ferramentas que usam LLMs para ajudar a construir os conjuntos de regras e escrever os scripts de automação. Isso tornará o processo de integração muito mais rápido e reduzirá a complexidade para nossos clientes.

A publicidade é um campo de teste inicial para sistemas autônomos que gerenciam dinheiro real em larga escala. Quais lições dessa indústria podem se aplicar a serviços financeiros, saúde, compra empresarial ou outros setores regulamentados que adotam agentes de IA?

A publicidade foi o campo de teste para sistemas autônomos que gastam dinheiro real por 20 anos. A publicidade programática ensinou a indústria a deixar que o software comprometa bilhões de dólares por dia sem aprovação humana para transações individuais. A maioria da conversa atual sobre agentes agênticos de IA está acontecendo em uma escala que a publicidade deixou para trás há muito tempo.

A Fluency tem mais de US$ 3 bilhões de gastos anuais de publicidade passando por nossa plataforma, em centenas de agências e marcas, e no espaço multilocal, isso chega a dezenas de milhares de locais. A maioria das conversas sobre publicidade agêntica agora é sobre orçamentos de piloto e um punhado de contas.

O que se transfere para outros setores é a arquitetura. Você separa os sistemas que decidem dos sistemas que executam. A camada de decisão pode ser probabilística, porque o julgamento se beneficia da flexibilidade e criatividade. A camada de execução tem que ser determinística, porque o movimento de dinheiro não é um lugar onde você quer variância. Cada ação é registrada contra o usuário ou o agente que a iniciou, o que fornece um registro de auditoria que se sustenta diante de um regulador.

Esse requisito é idêntico nos serviços financeiros, em reivindicações de saúde, em compra empresarial. A aposta é que o design que construímos para a publicidade é o design certo: total auditoria com registros de alterações em cada modificação é o mínimo. Estou particularmente preocupado com o julgamento não humano em coisas como aprovação de procedimentos médicos e aprovação de reivindicações de seguro. Eu não acho que os LLMs estão lá ainda, e tenho exemplos pessoais em minha vida de sistemas automatizados tomando decisões muito ruins sobre aprovação ou rejeição de reivindicações de seguro.

Minha expectativa é que o padrão que a publicidade estabelece se tornará o padrão que esses setores adotarão. Nós tivemos uma vantagem de 20 anos no problema de máquinas gastando dinheiro centenas de milhões de vezes por segundo. A abordagem da Fluency se estende da transação para o fluxo de trabalho, e estou confiante de que nossa abordagem será semelhante à que vencerá. Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar a Fluency.