Peter Pang, medstifter og CTO af CREAO – Interviewserie

Peter Pang, medstifter og CTO af CREAO, har en dyb baggrund i kunstig intelligensforskning og maskinlæringsinfrastruktur i det fremvoksende agente AI-område. Før han startede CREAO i 2025, tilbragte Pang næsten seks år hos Meta som forskningsspecialist, hvor han arbejdede på generative AI-initiativer relateret til LLaMA-stiftsmodellerne, herunder LLM-agente-systemer til dataannotation og syntetisk datagenerering. Før han kom til Meta, arbejdede han hos Apple (AAPL ) som maskinlæringsingeniør med fokus på NLP, overførselslæring, dyb læring og prædiktive systemer, mens hans tidligere år på Brookhaven National Laboratory gav ham indsigt i avanceret videnskabelig forskning og eksperimentelle systemer. Hans erfaring med frontlinjeforskning i AI, storskala maskinlæring og autonome systemer former nu CREAOs tekniske vision om at bygge AI-agenter, der kan udføre varigt, huske og automatisere arbejdsgange.

CREAO er en AI-naturlig platform, der hjælper enkeltpersoner og virksomheder med at oprette autonome AI-agenter og arbejdsgange gennem naturlig sprog i stedet for traditionel kodning. Virksomheden positionerer sin “Super Agent” som et varigt AI-system, der ikke kun kan generere output, men også omdanne succesfulde opgaver til genbrugelige agenter, der kan operere kontinuerligt med hukommelse, planlægning og integrationer på tværs af eksterne værktøjer og API’er. CREAOs platform understøtter større frontlinje AI-modeller, herunder OpenAI, Anthropic, Google (GOOGL ) og andre, mens den fremhæver en AI-først driftsmodel, hvor agenter i stigende grad håndterer driftsudførelse i stedet for at fungere som enkeltstående assistenter. Grundlagt i Palo Alto er virksomheden fokuseret på at fremme agente AI-arbejdsgange, kodefri automatisering og skalerbar AI-orkestration for virksomheder og selvstændige professionelle.

Du tilbragte næsten seks år hos Meta, hvor du arbejdede på LLaMA-stiftsmodeller og agente-systemer til syntetisk datagenerering efter tidligere maskinlæringsroller hos Apple og forskningsarbejde på Brookhaven National Laboratory. Hvad overbeviste dig om, at det var det rette øjeblik at co-stifte Creao AI, og hvilket problem følte du, at eksisterende AI-platforme stadig ikke løste?

På Meta så jeg, hvordan modelkapaciteten forbedredes dramatisk med hver generation. Jeg arbejdede på at skale LLaMA op. Jeg så, hvad disse modeller kunne gøre i kontrollerede miljøer. Det gab, der hele tiden voksede, var ikke i, hvad modellerne kunne opnå, men i, hvad folk faktisk fik ud af dem.

Hvert platform gav dig samme interface: en chat-vindue. Du spurgte, og det svarede, og du udførte arbejdet. AI’en var en underentreprenør, der glemte alt mellem skift. Du kørte det igen næste dag. Systemet lærte ikke noget mellem kørsler. Din virksomhed forblev den samme.

Det var problemet. Ikke modelintelligens. Udførelse. Ingen byggede systemet, hvor AI kunne tage en resultat fra samtale til udførelse, fastholde det og gentage det uden en menneskelig del.

Min baggrund i fysik lærte mig at tænke i systemer, ikke komponenter. På Brookhaven og gennem min ph.d. på Stony Brook tilbragte jeg år med at bygge eksperimentelle rørledninger, hvor instrumentet, dataindsamlingen og analysen skulle fungere som en lukket cirkel, eller også ville resultaterne ikke betyde noget. På Apple arbejdede jeg på multimodale modeller og så samme mønster: rå kapacitet uden et system omkring det kompenserer ikke.

Da Kai og jeg begyndte at tale om CREAO, var tesen specifik: branchen har ikke brug for endnu en chatbot. Den har brug for en lukket cirkel – AI, der bygger værktøjer, kører dem og bliver bedre over tid. Modellerne var endelig gode nok. Ingen byggede cirklen.

CREAO beskriver sig selv som en platform, hvor AI både kan bygge værktøjer og udføre arbejde autonomt. Hvordan definerer du forskellen på en sand “lukket cirkel” AI-system og den bølge af AI-kopiloter, der nu oversvømmer markedet?

En kopilot sidder ved siden af dig. Du kører, og den foreslår. Hvis du går i seng, gør kopiloten ingenting.

Et lukket cirkel-system gennemfører den fulde cyklus: observer, handle, lære, forbedre. Mennesket definerer resultatet. Systemet håndterer udførelse, fastholdelse og iteration.

På CREAO tænker vi på dette som et sele-system. En enkelt agent kan udarbejde en e-mail, triage en fejl eller sammenfatte en rapport. Men en enkelt agent kompenserer ikke. Den kører, producerer output og stopper. Et sele-system omgiver agenterne og omdanner dem fra enkeltstående værktøjer til en selvforbedrende motor. Det følger en cirkel: Forbindelse, Revision, Løsninger, Byg, Selvforbedring. Systemet kobler sig til dine virkelige datakilder – dine repos, dine fejllogfiler, dine annoncekonti. Det vurderer den aktuelle tilstand. Det foreslår reparationer. Agenter bygges til at udføre disse reparationer. Outputtet føres tilbage i. En ny runde af revision begynder. Cirklen strammes.

Det er strukturelt forskelligt fra “Jeg har en agent, der gør X.” Dette er et system, der opdager, hvad X skal være, bygger X, måler X og udvikler X uden, at du siger det til.

De fleste kopiloter er AI-assisteret. Et lukket cirkel er AI-opereret. Det er skillelinjen.

Din seneste post om “sele-ingeniørarbejde” og AI-først organisationer genererede massiv opmærksomhed online. Hvad overraskede dig mest om reaktionen på idéen om, at 99% af produktionskoden på CREAO nu er skrevet af AI?

Indlægget fik 1,8 millioner visninger. Jeg skrev det som dokumentation for vores team – en optegnelse af, hvordan vi omstrukturerede og hvad vi lærte. Jeg havde ikke forventet, at det ville have så stor rækkevidde.

Hvad der overraskede mig, var splittelsen i reaktioner. Den ene lejr sagde, at dette var uansvarligt, at man ikke kan stole på AI-genereret kode i produktion. Den anden lejr sagde: “Vi ser præcis det samme, og ingen taler om det.”

Den sidstnævnte gruppe fortalte mig noget vigtigt. Der er hold over hele branchen, der stille gennemgår denne transformation. En journalist, jeg talte med, fortalte mig, at hun havde talt med omkring fem personer om dette emne. Hun sagde, at vi var længere fremme end nogen: “Jeg tror ikke, at nogen har genopbygget hele deres arbejdsgang på samme måde, som I har.”

Det 99%-tal lyder provokerende, men det er bare resultatet af at fjerne menneskelige flaskehalse ét for ét. Når du designer arkitekturen, så agenter kan se hele kodebasen – vi samlede alt sammen i en enkelt monorepo specifikt, så AI kunne se alt – og din CI/CD-pipeline har seks deterministiske faser, og tre parallele AI-gennemløb afkrydsler kvalitet, sikkerhed og afhængighedsproblemer på hver PR, og din selvhealing-cirkel opdager fejl, triagerer dem og bekræfter reparationer automatisk – skifter den menneskelige rolle fra at skrive kode til at designe systemet, der styrer, hvordan agenter skriver kode. Kodevolumen følger naturligt.

Hvad der overraskede mig mest, er, at flere CTO’er ikke siger dette offentligt. Jeg tror, at mange gør det, men er bange for opfattelsen.

I dit indlæg argumenterer du for, at de fleste virksomheder stadig er “AI-assisteret” og ikke sandt “AI-først”. Hvad er de største misforståelser, ledelseshold har, når de tror, de allerede opererer som AI-naturlige organisationer?

Jeg ser hold, der påstår, at de er AI-først, mens de stadig kører samme sprint-cykler, samme Jira-boards, samme ugentlige møder, samme QA-godkendelser. De tilføjede AI til cirklen. De genopbyggede ikke cirklen.

Den største misforståelse: “Vi bruger AI-værktøjer, derfor er vi AI-først.” En ingeniør åbner Cursor. En PM udarbejder specifikationer med ChatGPT. QA eksperimenterer med AI-testgenerering. Arbejdsgangen forbliver den samme. Effektiviteten stiger 10 til 20 procent. Intet ændrer sig strukturelt. Det er AI-assisteret.

Her er testen: Hvis du fjernede alle AI-værktøjer i morgen, ville din proces skulle ændres, eller kun dine værktøjer? Hvis processen forbliver den samme, er du ikke AI-først.

Den anden misforståelse er, at AI-først er en ingeniørbeslutning. Hvis ingeniørerne sender funktioner i time, men marketing tager en uge om at annoncere dem, er marketing flaskehalsen. Hvis produktteamet stadig kører en månedscyklus, er planlægning flaskehalsen. På CREAO har vi presset AI-naturlig drift ind i hver funktion: frigivelsesnoter genereret fra ændringslogfiler, funktion-intro-videoer skabt af AI, sociale medier orkestreret og autopubliceret, sundhedsrapporter genereret fra produktionsdatabaser. Ingeniør, produkt, marketing og vækst kører i en AI-naturlig arbejdsgang. Hvis en funktion opererer i agenthastighed og en anden i menneskehastighed, begrænser den menneskehastighed alt.

Den tredje misforståelse er, at denne overgang kan være gradvis. En almindelig version af dette er, hvad folk kalder “vibe-kodning”. Åbn Cursor, prompt indtil noget virker, commit, gentag. Det producerer prototyper. Et produktionsystem kræver stabilitet, pålidelighed og sikkerhed. Du behøver et system, der garanterer disse egenskaber, når AI skriver koden. Du bygger systemet. Prompt’erne er udskiftelige.

Du skrev, at den virkelige gennembrud kom, da CREAO genopbyggede hele sin ingeniørarbejdsgang omkring AI-agenter i stedet for blot at tilføje AI-værktøjer til eksisterende processer. Hvilken del af denne overgang var den mest vanskelige operationelt eller kulturelt for holdet?

Begge, men de er forskellige former for svært.

Operationelt var den mest vanskelige beslutning at samle kodebasen. Vores gamle arkitektur var spredt over flere uafhængige systemer. En enkelt ændring kunne kræve, at man berørte tre eller fire repos. Fra et menneskeligt ingeniørperspektiv, håndterbart. Fra et AI-agents perspektiv, uigennemskueligt. Agenten kan ikke se det fulde billede. Den kan ikke resonere om tværservicesimplicationer. Den kan ikke køre integrationstests lokalt.

Jeg tilbragte en uge med at designe det nye system og en anden uge med at genopbygge hele kodebasen ved hjælp af agenter. Det var et dristigt kald. Hvis det fejlede, ville vi have et ødelagt monorepo og et ødelagt multi-repo-oplysning. Men principperne er klare: Jo mere af dit system, du trækker ind i en form, som agenten kan inspicere, validerer og ændre, jo mere gevinst får du. Et fragmenteret kodebasis er usynligt for agenter. En samlet er læselig.

Kulturelt var den mest vanskelige del identitet. Ingeniører finder deres værdi i koden, de skriver. Når AI skriver 99% af koden, bliver spørgsmålet: Hvad er mit job nu? Det er ikke et processpørgsmål. Det er eksistentielt.

Jeg vil ikke påstå, at alle var glade. Når jeg stoppede med at tale med folk hver dag, fordi min ledelsestid faldt fra 60% til under 10%, følte nogle teammedlemmer usikkerhed. Hvad betyder det, at CTO ikke taler med mig? Hvad er min værdi i denne nye verden? Det er rimelige bekymringer. Nogle mennesker tilbringer mere tid med at debattere, om AI kan gøre deres arbejde, end med at gøre arbejdet.

Men når folk oplevede den nye arbejdsgang – hvor deres job skiftede fra at skrive kode til at designe systemer, definere SOP’er og bygge feedback-løkker – fandt de fleste det mere intellektuelt engagerende. Ingeniørerne, der kæmpede mest, var dem, hvis identitet var tættest knyttet til at skrive kode. Dem, der tilpassede sig hurtigst, så sig selv som problemløsere først og kodere anden.

En af de mere kontroversielle observationer i dit indlæg var, at junior-ingeniører tilpassede sig hurtigere end senior-ingeniører i denne nye omgang. Hvorfor tror du, at tilpasning bliver vigtigere end akkumuleret teknisk erfaring i AI-først ingeniørhold?

Jeg bemærkede en mønster, jeg ikke havde forventet. Junior-ingeniører med mindre traditionel praksis følte sig befriet. De havde adgang til værktøjer, der forstærkede deres indvirkning. De bar ikke på en årti lang tradition at afvikle.

Senior-ingeniører med stærk traditionel praksis havde det sværest. To måneders arbejde kunne afsluttes på en time af AI. Det er noget svært at acceptere efter år med at bygge en sjælden færdighed.

Årsagen er strukturel. En senior-ingeniørs ekspertise bor i den mekaniske udførelse af kode – navigation af komplekse systemer, skrivning af optimerede implementationer, gennemførelse af grundige gennemløb. Disse færdigheder blev erhvervet over år og de er ægte. Men i en AI-først omgang er den mekaniske færdighed i at skrive kode det, der automatiseres. Hvad bliver tilbage – og bliver mere værdifuldt – er evnen til at evaluere, kritiserer og lede AI.

Jeg har en ph.d. i fysik. Det mest nyttige, min ph.d. lærte mig, var, hvordan man stiller spørgsmål ved antagelser, stress-tester argumenter og søger efter, hvad der mangler. Evnen til at kritiserer AI er mere værdifuld end evnen til at producere kode. Kan du se på en arkitekturforlag og se fejlmoden, som agenten missede? Kan du se på en genereret UI og vide, det er forkert, før brugeren fortæller dig?

Junior-ingeniører havde aldrig dyb mekanisk ekspertise at slippe af med. De lærte bare det nye.

Jeg dømmer ikke. Jeg beskriver, hvad jeg observerede. Senioritet er stadig en fordel – den dybe arkitektoniske tænkning, systemdesignintuitionen – men kun hvis den senior-ingeniør er villig til at operere på en anden højde. I denne overgang betyder tilpasning mere end akkumuleret færdighed.

CREAO genopbyggede sin infrastruktur omkring monorepos, automatiserede CI/CD-pipelines, AI-gennemløbssystemer og selvhealing-cirkler, der integrerer værktøjer som CloudWatch, Sentry, Linear og Claude. Hvor tæt er vi på en fremtid, hvor software-systemer i høj grad vedligeholder og reparerer sig selv?

Vi kører en selvhealing-cirkel i produktion lige nu. Lad mig beskrive, hvad den faktisk gør.

Hver morgen kl. 9:00 UTC kører en automatiseret sundhedsarbejdsgang. Claude Sonnet spørgger CloudWatch, analyserer fejlmoder på tværs af alle tjenester og genererer en executive sundhedsrapport, der leveres til teamet. Ingen bad om det. En time senere klusterer fejltriage-motoren produktionsfejl fra CloudWatch og Sentry, vurderer hver klasse på ni alvorlighedsdimensioner – brugerindvirkning, hastighed, blast-radius, forretningskritikalitet og fem andre – og auto-genererer undersøgelsesbilletter i Linear med eksempellogfiler, berørte slutpunkter og foreslåede undersøgelsesveje.

Når en ingeniør pusher en reparation, håndterer samme pipeline det. Tre Claude-gennemløb vurderer PR’en – kodekvalitet, sikkerhed og afhængighedsskanning. CI validerer gennem en seks-fase-pipeline. Efter deployment kontrollerer fejltriage-motoren igen. Hvis de oprindelige fejl er løst, lukker billetten automatisk.

Oveni byggede vi, hvad vi kalder Agent-selet. En tre-dommer-vurderingspanel – en Anthropic-dommer, en OpenAI-dommer, en Google-dommer – vurderer hver live-agent-svar. Når vurderingerne falder, omdanner en seks-job-ingeniør-pipeline de lave vurderinger til Linear-billetter, draft-PR’er og verificerede reparationer. Og for store ændringer routerer AI-styrede grå udgivelser 10% af trafikken til den nye variant og fremmer gennem 20%, 50%, 100%, kun hvis vurderingerne holder.

Vi har ikke et QA-hold. Vi har ikke et staging-miljø. Ingen læser transkriptioner og vurderer agent-svarerne med hånden.

Så hvor tæt er vi? Tættere, end de fleste mennesker tror, for begrænsede domæner – kendte fejlmoder, regressioner, konfigurationsdrift. Jeg ville sige, at 70 til 80% af produktionsvedligeholdelse kan køre på denne måde med den rette infrastruktur. Den del, der stadig kræver mennesker, er tvetydige fejl, hvor arkitekturen selv kan være forkert, eller hvor reparationen kræver forståelse af en forretningsbeslutning, der ikke er kodet i systemet.

Den praktiske takeaway: Du behøver ikke at vente på perfektion. Selv delvis selvhealing ændrer dramatisk teamdynamik.

Du har beskrevet en fremtid, hvor “one-person companies” kan blive almindelige, da AI-agenter erstatter store operationelle hold. Hvilke typer virksomheder eller brancher tror du, der vil føle denne skift først?

Virksomheder, hvor forholdet mellem operationel overhead og kerneværdiskabelse er højest.

Jeg tror, at one-person companies kan blive almindelige. Hvis en enkelt arkitekt med agenter kan gøre arbejdet for 100 mennesker, behøver mange virksomheder ikke en anden medarbejder. Modelkapacitet er uret, der driver denne ændring. Jeg tilskriver hele skiftet på CREAO til de sidste to måneder. Opus 4.5 kunne ikke gøre, hvad Opus 4.6 kan. Næste generations-modeller vil accelerere det yderligere.

Skiftet rammer først, hvor arbejdet er digitalt, gentaget og hvor feedback-løkkerne er klare. Indholdproduktion, marketing-operationer, e-handel, udviklerværktøjer, digitale agenturer. Hvis din virksomhed i sin kerne handler om at tage information, omdanne den og distribuere den, kan et sele-system håndtere det meste af denne cirkel.

Vi ser det på vores egen platform. Vi beskriver specifikke brugsområder i vores arbejde: En solo-stifter kobler GitHub, Sentry og CloudWatch. Systemet vurderer fejllogfiler, deployments-hyppighed og infrastruktur-sundhed. Fra denne vurdering bygger det en fejltriage-agent, en funktion-opdagelses-agent, en indholdsgenererings-pipeline, en infrastruktur-optimeringscirkel. Hver agent kører, producerer output og ændrer tilstanden. Næste cyklus ser systemet en anden billed. Systemet fandt de nye løsninger. Stifteren planlagde dem ikke.

På CREAO kører vi vores egen drift på denne måde. En agent erstattede en tre-mand SEO-arbejdsgang på en nat. En anden kørte en indholdspipeline i to dage, før nogen kontrollerede outputtet. Outputtet var affald, og vi dræbte det. Begge skete i samme uge. Vi kalder os selv crash-test-dumme for fremtidens arbejde.

Brancher, der føler det sidst: sundhedspleje, tungt maskineri, juridisk – hvor arbejdet er fysisk, tungt reguleret eller kræver menneskelig dømmekraft i hver beslutning. Men selv der vil de administrative lag komprimere.

CREAO har nyligt samlet 10 millioner dollars, ledet af Prosperity7 Ventures, venture-armen af Saudi Aramco. Ud over selv finansieringen, hvilke strategiske muligheder åbner denne partnerskab op for virksomheden, da autonome AI-agenter bliver mere fokuseret på virksomheder?

Prosperity7 styrer en 3 milliarder dollars diversificeret fond og opererer på tværs af Silicon Valley, Mellemøsten og Asien. De har bygget en portefølje, der spænder over enterprise AI-infrastruktur – Arcee AI, Spirit AI og andre. Den strategiske fit går ud over kapital.

Deres tes var vores. Da AI-adoptionsmoden modner, skifter fokus fra modeller til udførelse. Creao AI bygger den infrastruktur-lag, der tillader agenter at operere autonomt, pålideligt og kontinuerligt. Det er præcis, hvad vi tror på. AI-agents-markedet forventes at nå 52 milliarder dollars i 2030. Virksomhederne, der indkasserer den virkelige værdi, vil ikke være dem med den bedste model. De vil være dem med den bedste udførelses-lag.

Praktisk set accelererer de 10 millioner dollars – og bringer vores total til 25 millioner dollars på tværs af tre runder på under et år – tre ting. Først, ingeniør-dybde. Vi udvider teamet til at håndtere enterprise-klasse-integrationer og agent-til-agent-samarbejde. Selvhealing-selet, tre-dommer-vurderingspanelet, AI-styrede udgivelser – disse skal fungere på enterprise-skala, ikke kun for et 25-mandshold. Anden, geografisk rækkevidde. Prosperity7s tilstedeværelse i Mellemøsten og Asien åbner markeder, hvor autonom AI-adoptionshastighed accelererer hurtigere, end de fleste mennesker i Silicon Valley realiserer. Tredje, institutionel troværdighed. Når du beder virksomheder om at stole på agenter, der kører deres operationer kontinuerligt, betyder backingen noget.

Vi har samlet 25 millioner dollars på under et år med zero betalt marketing og 200.000 brugere gennem organisk adoption. Den hastighed reflekterer markedets overbevisning om, at udførelses-laget er det næste slagmark.

Set fremad, hvad ser succes ud til for CREAO over de næste par år? Er den lange sigtige vision at bygge bedre AI-agenter, eller forsøger I i sidste ende at gendefinere, hvordan virksomheder selv er struktureret og opererer?

Begge. Og de er uadskillelige.

Kort sigt, succes betyder at bevise, at den lukkede cirkel-model fungerer i skala. Vi har 200.000 brugere, der ankom gennem organisk adoption, siden vores lancering i september 2025. Vi sender til produktion tre til otte gange om dagen. Vi kører vores egen ingeniør, marketing og drift på selet. Næste skridt er at demonstrere, at virksomheder af alle størrelser kan køre på samme måde.

Men bedre agenter er ikke slutmålet. Slutmålet er selet – systemet omkring agenterne.

En agent er et værktøj. Et sele-system er en flywheel. Jo mere det kører, jo tættere bliver det. Jo mere data det ser, jo bedre bliver dets vurderinger. Jo bedre dets vurderinger, jo skarpere bliver dets løsninger. Jo skarpere dets løsninger, jo mere indvirkning har dets agenter. Jo mere indvirkning dets agenter har, jo mere ændrer datamønsteret. Og cirklen fortsætter.

20th-century-modellen for en virksomhed er en hierarki af mennesker organiseret i afdelinger, hver med chefer, hver med processer designet for menneskelig gennemløb. Når agenter kan pålideligt udføre det meste af operationel arbejde, bliver denne model ikke kun mere effektiv – den begynder at blive unødvendig.

Alle ved, at AI lover en eksplosion af produktivitet. Men branchen er fanget i to fælder. Hvis mennesker stadig opererer AI-værktøjer skridt for skridt, rammer produktiviteten en loft. Og hvis mennesker stadig er de eneste, der bygger værktøjerne, er den virkelige revolution ikke startet. Vi bygger systemet, hvor AI gør begge dele: bygger værktøjer og kører dem.

De fleste grundlæggere, jeg taler med, opererer stadig på traditionel vis. Nogle tænker på at lave skiftet. Meget få har gjort det. Værktøjerne findes til, at ethvert hold kan gøre dette. Intet i vores stack er proprietært. Den konkurrencemæssige fordel er beslutningen om at genopbygge alt omkring disse værktøjer og viljen til at absorbere omkostningerne.

Vi byggede et agent-platform. Agenterne genopbyggede det. Det er designprincippet. Selet strammes dag for dag.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge CREAO.