• Описывается классическая схема: провайдер данных моделирует аудиторию (например, «auto intenders»), упаковывает её в segment ID, бренд загружает ID в DSP (платформу на стороне спроса), а DSP матчится по показу и делает ставку.
• По тексту, экосистема усложнилась: паблишеры добавляют сигналы контекста в реальном времени, измерители — данные экспозиции, CRM — историю покупок first-party; при этом автономные агенты оценивают до 10 млн показов в секунду, а логика собирается на лету за миллисекунды.
• Появляется «комбинаторная стена»: если пытаться заранее собирать сегменты как пересечения сигналов многих провайдеров, число комбинаций растёт экспоненциально (в примере с 100 провайдерами — 2^100), и такие сегменты нельзя предсобрать и достать вовремя.
• UCP (Agentic Audiences) предлагается как замена: вместо segment ID передаётся плотный embedding (в тексте — порядка 4 КБ), который позволяет на показе скомпоновать векторы (контекст, намерение, экспозиции) и принять решение по мере сходства (скалярному произведению). В примере один «auto intender» получает 14 долларов, другой — 4, тогда как бинарная логика дала бы одинаковую ставку в 5.

Почему это важно: Тезис статьи — меняется не «качество сегментов», а сам формат, в котором машине удобнее принимать решение: от переключателя к непрерывной шкале релевантности. Это сдвигает фокус с предсобранных таксономий на вычисление похожести в момент показа и на композицию сигналов, которые раньше не объединялись. По логике автора, рынок уходит к формату, понятному машинам, потому что именно машины становятся основными оркестраторами решений.

На что обратить внимание: В тексте важно, какие именно источники сигналов участвуют в композиции (контекст, намерение, экспозиции, покупки) и на каком участке пайплайна это происходит (в рамках привычного SSP→DSP тракта, где SSP — платформа на стороне предложения). Отдельная опора подхода — обучение агента на собственных конверсиях и идея вектора идеального исхода; это задаёт вопрос о том, что считается «идеалом» и как меняется модель по мере накопления данных. В примерах также подчёркнуты нюансы (интенсивность, давность, конкурентная экспозиция), которые бинарное совпадение сегмента не кодирует.