Peter Pang, spoluzakladatel a technický ředitel CREAO – rozhovor

Peter Pang, spoluzakladatel a technický ředitel CREAO, přináší hluboké znalosti z oblasti umělé inteligence a strojového učení do oblasti agentic AI. Předtím, než založil CREAO v roce 2025, strávil Pang téměř šest let v Meta jako výzkumný pracovník, kde pracoval na generativních AI iniciativách spojených se základem modelů LLaMA, včetně LLM agentic systémů pro anotaci dat a generování syntetických dat. Předtím pracoval v Apple (AAPL ) jako inženýr strojového učení se zaměřením na NLP, transfer learning, hluboké učení a prediktivní systémy, zatímco jeho raná léta v Brookhaven National Laboratory ho vystavily pokročilému vědeckému výzkumu a experimentálním systémům. Jeho zkušenosti z průkopnické AI výzkumu, velkého měřítka strojového učení a autonomních systémů nyní formují technickou vizi CREAO, která spočívá ve výstavbě AI agentů schopných trvalého provádění, paměti a automatizace pracovních postupů.

CREAO je platforma původně zaměřená na AI, která pomáhá jednotlivcům a podnikům vytvářet autonomní AI agenty a pracovní postupy pomocí přirozeného jazyka místo tradičního kódování. Společnost označuje svůj “Super Agent” jako trvalý AI systém, který je schopen nejen generovat výstupy, ale také převádět úspěšné úkoly na opakovaně použitelné agenty, které mohou fungovat kontinuálně s pamětí, naplánováním a integracemi napříč externími nástroji a API. Platforma CREAO podporuje hlavní modely AI, včetně OpenAI, Anthropic, Google (GOOGL ) a dalších, přičemž zdůrazňuje model provozu prvního AI, ve kterém agenty stále více zajišťují provozní provedení místo toho, aby sloužily jako jednorázoví asistenti. Založena v Palo Alto, společnost se zaměřuje na rozvoj agentic AI pracovních postupů, bezkódové automatizace a škálovatelné AI orchestrace pro podniky a nezávislé profesionály.

Strávili jste téměř šest let v Meta, kde jste pracoval na modelech LLaMA a agentic systémech pro generování syntetických dat, a předtím jste měl role strojového učení v Apple a výzkumné práce v Brookhaven National Laboratory. Co vás přesvědčilo, že je správný čas založit CREAO, a jaký problém jste cítil, že stávající AI platformy dosud nevyřešily?

V Meta jsem sledoval dramatické zlepšení modelové schopnosti s každou generací. Pracoval jsem na škálování LLaMA. Viděl jsem, co tyto modely mohou dělat v řízených prostředích. Mezera, která se stále rozšiřovala, nebyla v tom, co modely mohly dosáhnout — ale v tom, co lidé skutečně z nich získali.

Každá platforma nabízela stejný rozhraní: chatovací okno. Zeptáte se, odpovědí, provedete práci. AI je dodavatel, který zapomíná všechno mezi směnami. Běžíte to znovu zítra. Systém se nic nelearns mezi běhy. Váš podnik zůstává stejný.

To byl problém. Ne inteligence modelu. Provedení. Nikdo nestavěl systém, ve kterém by AI mohl převzít výsledek od začátku do konce,.persistovat ho a opakovat bez lidské účasti.

Můj background ve fyzice mě naučil myslet v systémech, ne v komponentách. V Brookhaven a během mého PhD na Stony Brook jsem strávil roky budováním experimentálních potrubí, kde nástroj, sběr dat a analýza musely fungovat jako uzavřený cyklus, nebo výsledky nic neznamenaly. V Apple jsem pracoval na multimodálních modelech a viděl stejný vzorec: surová schopnost bez systému kolem ní se nesčítá.

Když Kai a já začali mluvit o CREAO, naše teze byla specifická: průmysl nepotřebuje další chatbota. Potřebuje uzavřený cyklus — AI, který buduje nástroje, spouští je a zlepšuje se s časem. Modely byly konečně dostatečně dobré. Nikdo nestavěl cyklus.

CREAO popisuje sám sebe jako platformu, kde AI může jak budovat nástroje, tak autonomně vykonávat práci. Jak definujete rozdíl mezi skutečným “uzavřeným” AI systémem a vlnou AI kopií, které aktuálně zaplavují trh?

Kopilot sedí vedle vás. Řídíte, on navrhuje. Pokud usnete, kopilot nic nedělá.

Uzavřený systém dokončuje celý cyklus: pozoruje, jedná, učí se, zlepšuje. Člověk definuje výsledek. Systém zajišťuje provedení, persistenci a iteraci.

V CREAO přemýšlíme o tom jako o systémech postrojů. Jeden agent může nakreslit e-mail, vyřešit bug nebo sumarizovat zprávu. Ale jeden agent se nesčítá. Běží, produkuje výstup a zastaví se. Systém postrojů obaluje agenty a mění je z jednorázových nástrojů na sebezlepšující motor. Sleduje cyklus: Připojení, Auditing, Řešení, Budování, Sebezlepšování. Systém se připojuje k vašim skutečným zdrojům dat — vašim repozitářům, chybovým logům, reklamním účtům. Hodnotí aktuální stav. Navrhuje opravy. Agenty se budují k provedení těchto oprav. Výstupy se zpětně zavádějí. Nový kolo auditingu začíná. Cyklus se utahuje.

To je strukturálně odlišné od “Mám agenta, který dělá X.” To je systém, který objeví, co by mělo být X, postaví X, změří X a vyvine X bez vašeho zasáhnutí.

Většina kopií je AI-asistovaná. Uzavřený cyklus je AI-provozovaný. To je dělící čára.

Vaše nedávná publikace o “inženýrství postrojů” a AI-prvních organizacích vyvolala obrovskou pozornost online. Co vás nejvíce překvapilo o reakci na myšlenku, že 99 % produkčního kódu v CREAO je nyní napsáno AI?

Publikace dosáhla 1,8 milionu zobrazení. Napsal jsem ji jako dokumentaci pro náš tým — záznam o tom, jak jsme restrukturalizovali a co jsme se naučili. Neočekával jsem, že to bude mít takový dosah.

Co mě překvapilo, byla rozdílnost reakcí. Jedna skupina řekla, že je to nezodpovědné, že nelze důvěřovat AI-generovanému kódu v produkci. Druhá skupina řekla: “Vidíme přesně stejné věci a nikdo o tom nemluví.”

Ta druhá skupina mi řekla něco důležitého. Existují týmy po celém průmyslu, které tiše procházejí touto transformací. Reportér, se kterým jsem mluvil, mi řekl, že mluvil s asi pěti lidmi na toto téma. Řekl, že jsme byli dále, než kdokoli jiný: “Nemyslím, že někdo úplně přestavěl celý svůj pracovní postup, jako jsme to udělali my.”

Číslo 99 % zní provokativně, ale je to prostě výsledek odstranění lidských úzkých míst jedna po druhé. Když navrhnete architekturu tak, aby agenty mohly vidět celý kód, — sjednotili jsme všechno do jednoho monorepozitáře speciálně proto, aby AI mohl vidět všechno — a vaše CI/CD pipeline má šest deterministických fází, a tři paralelní AI kontrolní průchody chytají kvalitu, bezpečnost a problémy se závislostmi na každé PR, a vaše sebezlepšující smyčka detekuje chyby, triuje je a automaticky ověřuje opravy — lidská role se mění z psaní kódu na návrh systému, který řídí, jak agenty píší kód. Objem kódu následuje přirozeně.

Co mě nejvíce překvapilo, je, že více CTOs neříká tohle veřejně. Myslím, že mnoho z nich to dělá, ale bojí se vnímání.

Vašemu článku se také věnovala otázka, proč většina společností je stále “AI-asistovaná” spíše než skutečně “AI-první”. Jaké jsou největší mýty, které mají lídrské týmy, když si myslí, že již fungují jako AI-rodinné organizace?

Vidím týmy, které prohlašují, že jsou AI-první, zatímco běží stejný sprintový cyklus, stejnou Jiru desku, stejnou týdenní schůzku, stejnou kontrolu QA. Přidali AI do cyklu. Nezrekonstruovali cyklus.

Největší mýtus: “Používáme AI-nástroje, proto jsme AI-první.” Inženýr otevře Cursor. PM vypracuje specifikace s ChatGPT. QA experimentuje s AI-generovanými testy. Pracovní postup zůstává stejný. Efektivita se zvyšuje o 10 až 20 procent. Nic strukturálně se nemění. To je AI-asistované.

Zde je test: pokud byste odstranili všechny AI-nástroje zítra, musel by se váš proces změnit, nebo by se pouze změnily vaše nástroje? Pokud proces zůstává stejný, nejste AI-první.

Druhý mýtus je, že AI-první je rozhodnutí inženýrů. Pokud inženýři dodávají funkce za hodiny, ale marketing potřebuje týden, aby je oznámil, marketing je úzké místo. Pokud produktový tým stále běží měsíční plánovací cyklus, plánování je úzké místo. V CREAO jsme tlačili AI-rodinné operace do každé funkce: uvolňovací poznámky generované z changelogů, funkce intro videa vytvořená AI, sociální média orchestrovaná a automaticky publikovaná, zdravotní zprávy generované z produkčních databází. Inženýrství, produkt, marketing a růst běží v jednom AI-rodinném pracovním postupu. Pokud jedna funkce funguje na rychlosti agenta a druhá na lidské rychlosti, funkce s lidskou rychlostí omezí všechno.

Třetí mýtus je, že tato transformace může být postupná. Společný verze tohoto je to, co lidé nazývají “vibe kódováním”. Otevřete Cursor, promptujte, dokud něco nefunguje, commit, opakujte. To produkuje prototypy. Produkční systém potřebuje stabilitu, spolehlivost a bezpečnost. Potřebujete systém, který zajišťuje tyto vlastnosti, když AI píše kód. Budujete systém. Prompt je odstranitelný.

Řekli jste, že skutečný průlom nastal, když CREAO přestavěl celý inženýrský pracovní postup kolem AI agentů místo přidání AI-nástrojů do stávajících procesů. Která část této transformace byla pro váš tým nejobtížnější, ať už z provozního nebo kulturního hlediska?

Obě, ale jsou to různé druhy obtížnosti.

Provozně nejobtížnější rozhodnutí bylo sjednocení kódu. Naše stará architektura byla rozptýlena napříč několika nezávislými systémy. Jedna změna mohla vyžadovat dotyk tří nebo čtyř repozitářů. Z hlediska lidského inženýra to bylo zvládnutelné. Z hlediska agenta to bylo neprůhledné. Agent nemůže vidět celý obrázek. Nemůže se učit o mezislužebních implikacích. Nemůže lokálně spustit integrační testy.

Strávil jsem jeden týden návrhem nového systému a další týden re-architekturou celého kódu pomocí agentů. To byla odvážná volba. Pokud by to selhalo, měli bychom rozbitý monorepozitář a rozbitý multi-repozitář. Ale princip je jasný: čím více svého systému vtáhnete do formy, kterou agent může prozkoumat, ověřit a upravit, tím více páky získáte. Rozptýlený kód je pro agenty neviditelný. Sjednocený je čitelný.

Kulturně nejobtížnější částí byla identita. Inženýři nacházejí svou hodnotu v kódu, který píší. Když AI píše 99 % kódu, otázka se stává: co je moje práce teď? To není procesní otázka. To je existenciální.

Nebudu předstírat, že každý byl šťastný. Když jsem přestal mluvit s lidmi každý den, protože můj manažerský čas poklesl z 60 % na méně než 10 %, někteří členové týmu cítili nejistotu. Co znamená, když se s nimi CTO nebaví? Co je jejich hodnota v tomto novém světě? To jsou rozumné obavy. Někteří lidé tráví více času debatami o tom, zda AI může dělat jejich práci, než skutečnou prací.

Ale jednou, co lidé zažili nový pracovní postup — kde se jejich práce změnila z psaní kódu na návrh systémů, definici SOP, budování zpětných vazeb — většina z nich našlo to více intelektuálně angažující. Inženýři, kteří měli nejvíce problémů, byli ti, jejichž identita byla nejtěsněji spojená s aktem psaní kódu. Ti, kteří se adaptovali nejrychleji, viděli sami sebe jako řešitele problémů na prvním místě a kódéry na druhém.

Jedna z více kontroverzních pozorování ve vašem článku byla, že juniorští inženýři se adaptovali rychleji než senioři v tomto novém prostředí. Proč si myslíte, že se adaptabilita stává důležitější než nahromaděné technické zkušenosti v AI-prvních inženýrských týmech?

Zaznamenal jsem vzorec, který jsem nečekal. Juniorští inženýři s méně tradiční praxí se cítili osvobozeni. Měli přístup k nástrojům, které zesílily jejich dopad. Neměli desetiletí zvyků, které by se museli naučit.

Senioři s silnou tradiční praxí měli nejtvrdší čas. Dva měsíce jejich práce mohly být dokončeny za jednu hodinu AI. To je těžké přijmout po letech budování vzácných dovedností.

Důvod je strukturální. Odbornost senior inženýra žije v mechanickém provedení kódu — navigace komplexních systémů, psaní optimalizovaných implementací, provádění podrobných kontrol. Tyto dovednosti byly získány za roky a jsou skutečné. Ale v AI-prvním prostředí je mechanická dovednost psaní kódu část, která se automatizuje. Co zůstává — a stává se více cenným — je schopnost vyhodnotit, kritizovat a směrovat AI.

Mám doktorát z fyziky. Nejvíce mi můj doktorát naučil, jak zpochybňovat předpoklady, stresovat argumenty a hledat, co chybí. Schopnost kritizovat AI je více cenná než schopnost produkovat kód. Můžete se podívat na návrh architektury a vidět selhání, které agent přehlédl? Můžete se podívat na generovaný UI a vědět, že je špatný, než vám to uživatel řekne?

Juniorští inženýři nikdy neměli hlubokou mechanickou odbornost, ze které by se museli vzdát. Jen se naučili nové věci.

Nejsem soudcem. Popisuji, co jsem pozoroval. Seniorské týmy stále mají výhodu — hluboké architektonické myšlení, systémová designová intuice — ale pouze pokud je senior inženýr ochoten fungovat na jiné úrovni. V této transformaci je adaptabilita důležitější než nahromaděné dovednosti.

CREAO přestavěl svou infrastrukturu kolem monorepozitářů, automatizovaných CI/CD pipeline, AI kontrolních systémů a sebezlepšujících smyček, které integrují nástroje jako CloudWatch, Sentry, Linear a Claude. Jak blízko jsme k budoucnosti, kde softwarové systémy se budou převážně udržovat a opravovat sami?

Běžně běžíme sebezlepšující smyčku v produkci. Řeknu vám, co to vlastně dělá.

Každé ráno v 9:00 UTC běží automatizovaný zdravotní workflow. Claude Sonnet dotazuje CloudWatch, analyzuje chybové vzorce napříč všemi službami a generuje výkonnou zdravotní souhrn doručený týmu. Nikdo o to nepožádal. Hodinu později triážní engine shlukuje produkční chyby z CloudWatch a Sentry, ohodnocuje každý shluk napříč devíti dimenzemi závažnosti — dopad na uživatele, rychlost, rozsah, obchodně kritické a pět dalších — a automaticky generuje vyšetřovací lístky v Linear s ukázkovými logy, postiženými koncovými body a navrhovanými vyšetřovacími cestami.

Když inženýr pošle opravu, stejná pipeline to zpracuje. Tři Claude kontrolní průchody hodnotí PR — kvalita kódu, bezpečnost a kontrola závislostí. CI validuje prostřednictvím šestifázové pipeline. Po nasazení triážní engine znovu kontroluje. Pokud jsou původní chyby vyřešeny, lístek se automaticky uzavře.

Navíc jsme postavili to, co nazýváme Agent Harness. Tříčlenná porota — jeden Anthropic soudce, jeden OpenAI soudce, jeden Google soudce — ohodnocuje každý živý agentní odpověď. Když hodnocení poklesne, šestijobová inženýrská pipeline převádí nízká hodnocení na Linear lístky, draft PR a ověřené opravy. A pro hlavní změny AI-bráněné šedé nasazení směrují 10 % provozu na novou variantu a propagují přes 20 %, 50 %, 100 % pouze pokud hodnocení drží.

Nemáme QA tým. Nemáme stagingové prostředí. Nikdo nečte transkripty a nehodnotí agentní odpovědi ručně.

Jak blízko jsme? Blíže, než si většina lidí myslí, pro omezené domény — známé chybové vzorce, regrese, konfigurační drift. Řekl bych, že 70 až 80 procent produkční údržby může běžet tímto způsobem s vhodnou infrastrukturou. Část, která stále potřebuje lidi, je nejasné selhání, kde může být sama architektura špatná, nebo kde oprava vyžaduje pochopení obchodního rozhodnutí, které není zakódováno v systému.

Praktický výstup: nemusíte čekat na dokonalost. I částečné sebezlepšování dramaticky mění dynamiku týmu.

Popisujete budoucnost, kde “jednoosobní společnosti” se stanou běžnými, protože AI agenty nahrazují velké provozní týmy. Jaké typy společností nebo odvětví, podle vás, budou tuto změnu cítit jako první?

Společnosti, kde je poměr provozních nákladů k tvorbě hodnoty nejvyšší.

Věřím, že jednoosobní společnosti se stanou běžnými. Pokud jeden architekt s agenty může udělat práci 100 lidí, mnoho společností nebude potřebovat druhého zaměstnance. Schopnost modelu je hodinový stroj pohánějící tuto změnu. Připisuji celou změnu v CREAO posledním dvěma měsícům. Opus 4.5 nemohl dělat to, co Opus 4.6 dělá. Další generace modelů tuto změnu urychlí.

Tato změna zasáhne nejdříve tam, kde je práce digitální, opakovaná a zpětné vazby jsou jasné. Obsahová tvorba, marketingové operace, e-commerce, vývojářské nástroje, digitální agentury. Pokud je váš podnik založen na převodu informací, transformaci a distribuci, systém postrojů může zvládnout většinu tohoto cyklu.

Vidíme to na naší vlastní platformě. Popisujeme konkrétní použití: solo zakladatel propojuje GitHub, Sentry a CloudWatch. Systém audituje chybové logy, frekvenci nasazení a infrastrukturní zdraví. Z tohoto auditu staví agenta pro vyřešení bugů, agenta pro objevování funkcí, pipeline pro generování obsahu, optimalizační smyčku infrastruktury. Každý agent běží, produkuje výstup a mění stav. Další kolo auditu vidí jiný obrázek. Systém našel nová řešení. Zakladatel je neplánoval.

V CREAO běžíme svou vlastní operaci tímto způsobem. Jeden agent nahradil tříčlenný SEO pracovní postup přes noc. Další běžel obsahový pipeline po dva dny, než někdo zkontroloval výstup. Výstup byl odpad, a my jsme to ukončili. Obě věci se staly ve stejném týdnu. Říkáme si “crash test dummies” pro budoucnost práce.

Odvětví, která budou tuto změnu cítit jako poslední: zdravotnictví, těžká výroba, právní — kde je práce fyzická, silně regulovaná nebo vyžaduje lidské úsudky v každém rozhodnutí. Ale i tam se administrativní vrstvy zkomprimují.

CREAO nedávno získal 10 milionů dolarů vedených Prosperity7 Ventures, venture ramenem Saudi Aramco. Mimo samotné financování, jaké strategické příležitosti tato partnerství otevírá společnosti, protože autonomní AI agenty se stávají více zaměřenými na podniky?

Prosperity7 spravuje 3 miliardový diverzifikovaný fond a operuje napříč Silicon Valley, Středním východem a Asií. Postavili portfolio, které zahrnuje podnikovou AI infrastrukturu — Arcee AI, Spirit AI a další. Strategická shoda jde za hranice kapitálu.

Jejich teze odpovídala naší. Jako Raed Twaily, jejich výkonný ředitel, řekl veřejně: “Jak se adopce AI zraje, zaměření se posouvá od modelů na provedení. CREAO AI buduje infrastrukturní vrstvu, která umožňuje agentům fungovat autonomně, spolehlivě a kontinuálně.” To je přesně to, čemu věříme. Trh AI agentů se má do roku 2030 vyvinout na 52 miliard dolarů. Společnosti, které skutečně využijí hodnotu, nebudou ty s nejlepšími modely, ale ty s nejlepší vrstvou provedení.

Prakticky, 10 milionů dolarů — což nás přivádí k celkovému počtu 25 milionů dolarů napříč třemi kolegy za méně než rok — urychluje tři věci. První, hloubka inženýrství. Rozšiřujeme tým, aby zvládl podnikové integrace a spolupráci agentů. Sebezlepšující postroj, tříčlenná porota, AI-bráněné nasazení — tyto věci potřebují fungovat na podnikové úrovni, ne jen pro 25členný tým. Druhé, geografický dosah. Přítomnost Prosperity7 na Středním východě a v Asii otevírá trhy, kde adopce autonomních AI urychluje rychleji, než si většina lidí v Silicon Valley uvědomuje. Třetí, institucionální důvěryhodnost. Když žádáte podniky, aby důvěřovaly agentům, kteří běží jejich operace kontinuálně, záloha má význam.

Získali jsme 25 milionů dolarů za méně než rok s nulovou placenou marketingovou aktivitou a 200 000 uživateli prostřednictvím organické adopce. Tato rychlost odráží přesvědčení trhu, že vrstva provedení je příští bitevní pole.

Pohledem do budoucna, co znamená úspěch pro CREAO v příštích několika letech? Je dlouhodobá vize budovat lepší AI agenty, nebo se nakonec snažíte předefinovat, jak jsou společnosti samy strukturovány a provozovány?

Obě. A jsou nedílné.

Krátce, úspěch znamená prokázat, že uzavřený model funguje v měřítku. Máme 200 000 uživatelů, kteří přišli prostřednictvím organické adopce od našeho spuštění v září 2025. Dodáváme do produkce třikrát až osmkrát denně. Běžíme naše vlastní inženýrství, marketing a operace na postroji. Další krok je prokázat, že podniky všech velikostí mohou běžet stejným způsobem.

Ale lepší agenty nejsou konečným cílem. Konečným cílem je postroj — systém kolem agentů.

Agent je nástroj. Systém postrojů je setrvačník. Čím více běží, tím více se utahuje. Čím více dat vidí, tím lepší jsou jeho audity. Čím lepší jsou jeho audity, tím ostřejší jsou jeho řešení. Čím ostřejší jsou jeho řešení, tím více dopadají jeho agenty. Čím více dopadají jeho agenty, tím více se mění data. A cyklus pokračuje.

20. století model společnosti je hierarchie lidí organizovaných do oddělení, každé s manažery, každé s procesy navržené pro lidskou propustnost. Když agenty mohou spolehlivě vykonávat většinu provozní práce, tento model se nestává pouze efektivnějším — začíná být zbytečným.

Všichni ví, že AI slibuje explozi produktivity. Ale průmysl je uvězněn ve dvou pastích. Pokud lidé stále provozují AI-nástroje krok za krokem, produktivita narazí na strop. A pokud lidé jsou stále jediní, kdo buduje nástroje, skutečná revoluce ještě nezačala. Budujeme systém, ve kterém AI buduje nástroje a běží je.

Většina zakladatelů, se kterými mluvím, stále funguje tradičním způsobem. Někteří přemýšlejí o přechodu. Velmi málo z nich to již udělalo. Nástroje existují pro jakýkoli tým, aby to udělal. Nic v našem stacku není proprietární. Konkurenční výhoda je rozhodnutí přestavět všechno kolem těchto nástrojů a ochota absorbovat náklady.

Postavili jsme platformu agentů. Agenty přestavěli ji. To je designový princip. Postroj se utahuje den za dnem.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit CREAO.