Peter Pang, Mitgründer und CTO von CREAO – Interview-Serie

Peter Pang, Mitgründer und CTO von CREAO, bringt eine tiefe Erfahrung in der künstlichen Intelligenz und maschinellen Lerninfrastruktur in den aufstrebenden Bereich der agentischen KI. Bevor er CREAO 2025 gründete, verbrachte Pang fast sechs Jahre bei Meta als Forschungswissenschaftler, der an generativen KI-Initiativen im Zusammenhang mit den LLaMA-Grundmodellen arbeitete, einschließlich LLM-agensystemen für die Datenannotation und die synthetische Datengenerierung. Vor Meta arbeitete er bei Apple (AAPL ) als Machine-Learning-Engineer, der sich auf NLP, Transfer-Learning, Deep Learning und Vorhersagesysteme konzentrierte, während seine früheren Jahre am Brookhaven National Laboratory ihn mit fortschrittlicher wissenschaftlicher Forschung und experimentellen Systemen vertraut machten. Seine Erfahrung in der Forschung an der Spitze der KI, der groß angelegten maschinellen Lerninfrastruktur und autonomen Systemen prägt nun die technische Vision von CREAO, die darauf abzielt, KI-Agenten zu bauen, die eine persistente Ausführung, Speicherung und Automatisierung von Workflows ermöglichen.

CREAO ist eine KI-natürliche Plattform, die Einzelpersonen und Unternehmen dabei hilft, autonome KI-Agenten und Workflows über die natürliche Sprache und nicht über traditionelle Codierung zu erstellen. Das Unternehmen positioniert sein “Super-Agent”-System als ein persistierendes KI-System, das nicht nur Ausgaben generieren, sondern auch erfolgreiche Aufgaben in wiederverwendbare Agenten umwandeln kann, die kontinuierlich mit Speicherung, Planung und Integrationen über externe Tools und APIs arbeiten können. Die Plattform von CREAO unterstützt führende KI-Modelle wie OpenAI, Anthropic, Google (GOOGL ) und andere, während sie ein KI-erstes Betriebsmodell betont, bei dem Agenten zunehmend die operative Ausführung anstelle von einmaligen Assistenten übernehmen. Gegründet in Palo Alto konzentriert sich das Unternehmen auf die Weiterentwicklung von agentischen KI-Workflows, No-Code-Automatisierung und skalierbare KI-Orchestrierung für Unternehmen und unabhängige Fachleute.

Sie haben fast sechs Jahre bei Meta gearbeitet und an LLaMA-Grundmodellen und agenssystemen für synthetische Datengenerierung gearbeitet, nachdem Sie zuvor bei Apple und Brookhaven National Laboratory in der maschinellen Lernforschung tätig waren. Was hat Sie davon überzeugt, dass es der richtige Moment war, CREAO zu gründen, und welches Problem glaubten Sie, dass bestehende KI-Plattformen noch nicht lösen?

Bei Meta habe ich gesehen, wie sich die Modellfähigkeit mit jeder Generation dramatisch verbesserte. Ich habe an der Skalierung von LLaMA gearbeitet. Ich habe gesehen, was diese Modelle in kontrollierten Umgebungen leisten konnten. Die Lücke, die sich immer weiter vergrößerte, lag nicht in dem, was die Modelle leisten konnten – es lag in dem, was die Menschen tatsächlich aus ihnen herausholten.

Jede Plattform bot Ihnen die gleiche Schnittstelle: ein Chat-Fenster. Sie fragen, es antwortet, Sie erledigen die Arbeit. Die KI ist ein Auftragnehmer, der alles zwischen den Schichten vergisst. Sie führen es morgen erneut aus. Das System lernt nichts zwischen den Durchläufen. Ihr Geschäft bleibt gleich.

Das war das Problem. Nicht die Intelligenz des Modells. Die Ausführung. Niemand baute ein System, in dem die KI ein Ergebnis von der Konversation bis zur Ausführung persistieren und wiederholen konnte, ohne dass ein Mensch in der Schleife war.

Mein Hintergrund in der Physik hat mich gelehrt, in Systemen und nicht in Komponenten zu denken. Am Brookhaven National Laboratory und während meines PhD-Studiums an der Stony Brook University habe ich Jahre damit verbracht, experimentelle Pipelines aufzubauen, in denen das Instrument, die Datenerfassung und die Analyse als geschlossener Kreislauf arbeiten mussten, oder die Ergebnisse nichts bedeuteten. Bei Apple habe ich an multimodalen Modellen gearbeitet und das gleiche Muster gesehen: Rohfähigkeit ohne ein System darum herum kompensierte nicht.

Als Kai und ich über CREAO sprachen, war die These spezifisch: Die Branche benötigt keine weitere Chatbot-Plattform. Sie benötigt einen geschlossenen Kreislauf – KI, die Werkzeuge baut, sie ausführt und sich im Laufe der Zeit verbessert. Die Modelle waren endlich gut genug. Niemand baute den Kreislauf.

CREAO beschreibt sich selbst als Plattform, auf der KI sowohl Werkzeuge bauen als auch autonome Arbeit ausführen kann. Wie definieren Sie den Unterschied zwischen einem echten “geschlossenen” KI-System und der Welle von KI-Copiloten, die derzeit den Markt fluten?

Ein Copilot sitzt neben Ihnen. Sie fahren, er schlägt vor. Wenn Sie einschlafen, tut der Copilot nichts.

Ein geschlossenes System vollzieht den gesamten Zyklus: Beobachten, Handeln, Lernen, Verbessern. Der Mensch definiert das Ergebnis. Das System übernimmt die Ausführung, die Persistenz und die Iteration.

Bei CREAO denken wir darüber in Form eines Gurtsystems nach. Ein einzelner Agent kann einen Entwurf für eine E-Mail erstellen, einen Fehler triagieren oder einen Bericht zusammenfassen. Aber ein einzelner Agent kompensierte nicht. Er läuft, produziert Ausgaben und hört auf. Ein Gurtsystem umschließt die Agenten und verwandelt sie von Einmal-Werkzeugen in einen sich selbst verbessernden Motor. Es folgt einem Kreislauf: Verbindung, Prüfung, Lösungen, Aufbau, Selbstverbesserung. Das System greift auf Ihre echten Datenquellen zu – Ihre Repositorys, Ihre Fehlerprotokolle, Ihre Werbekonten. Es bewertet den aktuellen Zustand. Es schlägt Korrekturen vor. Agenten werden gebaut, um diese Korrekturen auszuführen. Die Ausgaben fließen zurück. Ein neuer Prüfungskreislauf beginnt. Der Kreislauf wird enger.

Das ist strukturell anders als “Ich habe einen Agenten, der X tut.” Dies ist ein System, das herausfindet, was X sein sollte, X baut, X misst und X ohne dass Sie es ihm sagen, weiterentwickelt.

Die meisten Copiloten sind KI-gestützt. Ein geschlossener Kreislauf ist KI-betrieben. Das ist die Trennlinie.

Ihr kürzliches Posten über “Gurts-Engineering” und KI-erste Organisationen hat massive Aufmerksamkeit online erregt. Was überraschte Sie am meisten über die Reaktion auf die Idee, dass 99% des Produktionscodes bei CREAO nun von KI geschrieben werden?

Der Beitrag erreichte 1,8 Millionen Aufrufe. Ich schrieb es als Dokumentation für unser Team – eine Aufzeichnung davon, wie wir unsere Struktur umgestalteten und was wir lernten. Ich erwartete nicht, dass es so weit reicht.

Was mich überraschte, war die Spaltung der Reaktionen. Ein Lager sagte, dies sei unverantwortlich, dass man nicht auf KI-generierten Code in der Produktion vertrauen könne. Das andere Lager sagte: “Wir sehen genau das Gleiche und niemand spricht darüber.”

Diese zweite Gruppe sagte mir etwas Wichtiges. Es gibt Teams in der ganzen Branche, die stillschweigend durch diesen Übergang gehen. Ein Reporter, mit dem ich sprach, sagte mir, dass er mit etwa fünf Personen über dieses Thema gesprochen habe. Er sagte, wir seien weiter als jeder andere: “Ich denke nicht, dass jemand sein gesamtes Workflow-System so umgestaltet hat, wie wir es getan haben.”

Die 99%-Zahl klingt provokativ, aber es ist einfach das Ergebnis der Entfernung von menschlichen Engpässen, einen nach dem anderen. Wenn Sie die Architektur so entwerfen, dass Agenten den gesamten Codebereich sehen können – wir haben alles in ein einzelnes Monorepo vereinigt, damit KI alles sehen kann – und Ihre CI/CD-Pipeline sechs deterministische Phasen hat, und drei parallele KI-Überprüfungen Qualität, Sicherheit und Abhängigkeitsprobleme auf jedem PR überprüfen, und Ihre Selbstheilungsschleife Fehler erkennt, triagiert sie und überprüft Reparaturen automatisch – dann verschiebt sich die Rolle des Menschen von Code-Schreiben zu System-Design, das bestimmt, wie Agenten Code schreiben. Der Code-Umfang folgt natürlich.

Was mich am meisten überraschte, ist, dass nicht mehr CTOs dies öffentlich sagen. Ich denke, viele tun es, aber haben Angst vor der Wahrnehmung.

In Ihrem Artikel argumentieren Sie, dass die meisten Unternehmen noch “KI-gestützt” und nicht wirklich “KI-erst” sind. Welche größten Missverständnisse haben Führungsteams, wenn sie glauben, sie arbeiten bereits als KI-natürliche Organisationen?

Ich sehe Teams, die von KI-erst sprechen, während sie die gleichen Sprint-Zyklen, die gleichen Jira-Boards, die gleichen wöchentlichen Stand-ups, die gleichen QA-Freigaben durchführen. Sie haben KI in die Schleife eingefügt. Sie haben die Schleife nicht neu entworfen.

Das größte Missverständnis: “Wir verwenden KI-Tools, also sind wir KI-erst.” Ein Ingenieur öffnet Cursor. Ein PM erstellt Spezifikationen mit ChatGPT. QA experimentiert mit KI-Testgenerierung. Der Workflow bleibt gleich. Die Effizienz steigt um 10 bis 20 Prozent. Nichts ändert sich strukturell. Das ist KI-gestützt.

Hier ist der Test: Wenn Sie morgen alle KI-Tools entfernen, müsste Ihr Prozess sich ändern oder nur Ihre Tools? Wenn der Prozess gleich bleibt, sind Sie nicht KI-erst.

Das zweite Missverständnis ist, dass KI-erst eine Entscheidung der Ingenieure ist. Wenn die Ingenieure Funktionen in Stunden ausliefern, aber das Marketing eine Woche braucht, um sie anzukündigen, ist das Marketing der Engpass. Wenn das Produktteam immer noch einen monatlichen Planungszyklus durchführt, ist die Planung der Engpass. Bei CREAO haben wir KI-natürliche Operationen in jede Funktion getrieben: Versionshinweise, die aus Changelogs generiert werden, Feature-Einführungs-Videos, die von KI erstellt werden, soziale Medien, die von KI orchestriert und automatisch veröffentlicht werden, Gesundheitsberichte, die aus Produktionsdatenbanken generiert werden. Ingenieure, Produkt, Marketing und Wachstum laufen in einem KI-natürlichen Workflow. Wenn eine Funktion mit Agents-Geschwindigkeit und eine andere mit Mensch-Geschwindigkeit läuft, begrenzt die menschliche Funktion alles.

Das dritte Missverständnis ist, dass dieser Übergang allmählich sein kann. Eine gängige Version davon ist, was die Leute “Vibe-Coding” nennen. Cursor öffnen, bis etwas funktioniert, commiten, wiederholen. Das produziert Prototypen. Ein Produktions-System benötigt Stabilität, Zuverlässigkeit und Sicherheit. Sie benötigen ein System, das diese Eigenschaften garantiert, wenn KI den Code schreibt. Sie bauen das System. Die Prompts sind verderblich.

Sie schrieben, dass der eigentliche Durchbruch kam, als CREAO den gesamten technischen Workflow um KI-Agenten herum neu entwarf, anstatt einfach KI-Tools in bestehende Prozesse einzufügen. Welcher Teil dieses Übergangs war operationell oder kulturell für das Team am schwierigsten?

Beides, aber sie sind unterschiedlich schwer.

Operationell war die schwierigste Entscheidung die Vereinigung des Codebereichs. Unsere alte Architektur war über mehrere unabhängige Systeme verstreut. Eine einzelne Änderung könnte das Ändern von drei oder vier Repositorys erfordern. Aus der Sicht eines menschlichen Ingenieurs handhabbar. Aus der Sicht eines KI-Agents undurchsichtig. Der Agent kann das gesamte Bild nicht sehen. Er kann nicht über cross-service-Implicationen nachdenken. Er kann lokale Integrationstests nicht ausführen.

Ich verbrachte eine Woche damit, das neue System zu entwerfen, und eine weitere Woche damit, den gesamten Codebereich mit Agenten neu zu architektieren. Das war ein mutiger Ruf. Wenn es fehlschlug, hätten wir ein gebrochenes Monorepo und ein gebrochenes Multi-Repo-Setup. Aber das Prinzip ist klar: Je mehr von Ihrem System Sie in eine Form bringen, die der Agent überprüfen, validieren und ändern kann, desto mehr Hebelwirkung erhalten Sie. Ein fragmentierter Codebereich ist für Agenten unsichtbar. Ein vereinheitlichter ist lesbar.

Kulturell war der schwierigste Teil die Identität. Ingenieure finden ihren Wert im Code, den sie schreiben. Wenn KI 99% des Codes schreibt, wird die Frage: Was ist mein Job jetzt? Das ist keine Prozessfrage. Das ist existenziell.

Ich werde nicht so tun, als ob jeder glücklich war. Als ich aufhörte, jeden Tag mit den Leuten zu sprechen, weil meine Management-Zeit von 60% auf unter 10% sank, fühlten sich einige Teammitglieder unsicher. Was bedeutet es, wenn der CTO nicht mehr mit mir spricht? Was ist mein Wert in dieser neuen Welt? Das sind berechtigte Bedenken. Einige Leute verbringen mehr Zeit damit, zu diskutieren, ob KI ihre Arbeit tun kann, als die Arbeit zu tun.

Aber sobald die Leute den neuen Workflow erlebten – bei dem ihre Arbeit von Code-Tippen zu System-Design, SOP-Definition und Aufbau von Feedback-Schleifen wechselte – fanden die meisten es intellektuell ansprechender. Die Ingenieure, die am meisten zu kämpfen hatten, waren die, deren Identität am stärksten mit dem Akt des Code-Schreibens verknüpft war. Die, die sich am schnellsten anpassten, sahen sich als Problemlöser und nicht als Coder.

Eine der kontroverseren Beobachtungen in Ihrem Stück war, dass Junior-Ingenieure sich in dieser neuen Umgebung schneller anpassten als Senior-Ingenieure. Warum glauben Sie, dass Anpassungsfähigkeit wichtiger wird als angesammelte technische Erfahrung in KI-ersten Ingenieursteams?

Ich bemerkte ein Muster, das ich nicht erwartet hatte. Junior-Ingenieure mit weniger traditioneller Praxis fühlten sich befähigt. Sie hatten Zugang zu Tools, die ihren Einfluss verstärkten. Sie trugen keine Dekade von Gewohnheiten mit sich, die sie verlernen mussten.

Senior-Ingenieure mit starker traditioneller Praxis hatten das größte Problem. Zwei Monate ihrer Arbeit konnten in einer Stunde von KI erledigt werden. Das ist eine harte Sache, nachdem man jahrelang eine seltene Fähigkeit aufgebaut hat.

Der Grund ist strukturell. Die Expertise eines Senior-Ingenieurs lebt in der mechanischen Ausführung von Code – Navigation komplexer Systeme, Schreiben optimierter Implementierungen, Durchführung gründlicher Überprüfungen. Diese Fähigkeiten wurden über Jahre erworben und sie sind real. Aber in einer KI-ersten Umgebung ist die mechanische Fähigkeit des Code-Schreibens der Teil, der automatisiert wird. Was bleibt – und wird wertvoller – ist die Fähigkeit, KI zu bewerten, zu kritisieren und zu leiten.

Ich habe einen PhD in Physik. Das Nützlichste, was mein PhD mir beigebracht hat, war, wie man Annahmen in Frage stellt, Argumente auf die Probe stellt und nach dem sucht, was fehlt. Die Fähigkeit, KI zu kritisieren, ist wertvoller als die Fähigkeit, Code zu produzieren. Kannst du auf einen Architektur-Vorschlag schauen und den Fehlermodus sehen, den der Agent verpasst hat? Kannst du auf eine generierte Benutzeroberfläche schauen und wissen, dass sie falsch ist, bevor der Benutzer es dir sagt?

Junior-Ingenieure hatten nie tiefe mechanische Expertise, die sie aufgeben mussten. Sie lernten einfach das Neue.

Ich mache kein Urteil. Ich beschreibe, was ich beobachtet habe. Seniorität ist immer noch ein Vorteil – das tiefe architektonische Denken, die System-Design-Intuition – aber nur, wenn der Senior-Ingenieur bereit ist, auf einer anderen Höhe zu operieren. In diesem Übergang ist Anpassungsfähigkeit wichtiger als angesammelte Fähigkeit.

CREAO hat seine Infrastruktur um Monorepos, automatisierte CI/CD-Pipelines, KI-Überprüfungssysteme und Selbstheilungsschleifen neu aufgebaut, die Tools wie CloudWatch, Sentry, Linear und Claude integrieren. Wie nahe sind wir an einer Zukunft, in der Software-Systeme sich größtenteils selbst warten und reparieren?

Wir führen eine Selbstheilungsschleife in der Produktion durch. Lassen Sie mich beschreiben, was sie tatsächlich tut.

Jeden Morgen um 9:00 Uhr UTC läuft ein automatisierter Gesundheits-Workflow. Claude Sonnet fragt CloudWatch, analysiert Fehlermuster über alle Dienste und generiert eine Zusammenfassung der Gesundheit, die an das Team geliefert wird. Niemand hat danach gefragt. Eine Stunde später clustert die Triagierungs-Engine Produktionsfehler aus CloudWatch und Sentry, bewertet jeden Cluster über neun Schweregrade – Benutzereinfluss, Geschwindigkeit, Auswirkungsbereich, Geschäftskritikalität und fünf andere – und generiert automatisch Untersuchungstickets in Linear mit Beispiel-Logs, betroffenen Endpunkten und vorgeschlagenen Untersuchungspfaden.

Wenn ein Ingenieur einen Fix eincheckt, behandelt die gleiche Pipeline dies. Drei Claude-Überprüfungen bewerten das PR – Code-Qualität, Sicherheit und Abhängigkeits-Scanning. CI validiert durch eine sechsphasige Pipeline. Nach der Bereitstellung überprüft die Triagierungs-Engine erneut. Wenn die ursprünglichen Fehler behoben sind, schließt sich das Ticket automatisch.

Daraufhin haben wir das, was wir den “Agenten-Gurt” nennen, aufgebaut. Eine Dreirichter-Kommission – ein Anthropic-Richter, ein OpenAI-Richter, ein Google-Richter – bewertet jede Live-Antwort des Agenten. Wenn die Bewertungen sinken, generiert eine sechs-Jobs-Engineering-Pipeline diese niedrigen Bewertungen in Linear-Tickets, Entwurfs-PRs und überprüfte Reparaturen. Und für größere Änderungen leiten KI-gesteuerte Grau-Veröffentlichungen 10% des Traffics zur neuen Variante um und fördern durch 20%, 50%, 100%, wenn die Bewertungen halten.

Wir haben kein QA-Team. Wir haben keine Staging-Umgebung. Niemand liest Transkripte und bewertet Agenten-Antworten von Hand.

Also, wie nahe sind wir? Näher, als die meisten Leute denken, für eingeschränkte Bereiche – bekannte Fehlermuster, Regressionsfehler, Konfigurationsdrift. Ich würde sagen, 70 bis 80% der Wartung in der Produktion kann auf diese Weise laufen, wenn die richtige Infrastruktur vorhanden ist. Der Teil, der noch menschliche Eingriffe erfordert, sind undurchsichtige Fehler, bei denen die Architektur selbst falsch sein könnte oder bei denen die Korrektur ein Verständnis von Geschäftsentscheidungen erfordert, die nicht im System kodifiziert sind.

Die praktische Erkenntnis: Sie müssen nicht auf Perfektion warten. Selbst teilweise Selbstheilung verändert dramatisch die Teamdynamik.

Sie haben beschrieben, dass “Ein-Mann-Unternehmen” in Zukunft häufiger werden könnten, da KI-Agenten große operative Teams ersetzen. Welche Arten von Unternehmen oder Branchen glauben Sie, dass diesen Wandel zuerst spüren werden?

Unternehmen, bei denen das Verhältnis von operativem Overhead zu Kernwertbildung am höchsten ist.

Ich glaube, dass Ein-Mann-Unternehmen häufiger werden. Wenn ein Architekt mit Agenten die Arbeit von 100 Menschen erledigen kann, benötigen viele Unternehmen keinen zweiten Mitarbeiter. Die Modellfähigkeit ist der Treiber, der diese Veränderung antreibt. Ich führe den gesamten Wandel bei CREAO auf die letzten zwei Monate zurück. Opus 4.5 konnte nicht das tun, was Opus 4.6 tut. Next-Gen-Modelle werden es noch beschleunigen.

Der Wandel trifft zuerst zu, wo die Arbeit digital, wiederholbar und die Feedback-Schleifen klar sind. Content-Erstellung, Marketing-Operationen, E-Commerce, Entwickler-Tools, digitale Agenturen. Wenn Ihr Geschäft im Wesentlichen darum geht, Informationen zu nehmen, zu transformieren und zu verteilen, kann ein Gurtsystem den größten Teil dieser Schleife übernehmen.

Wir sehen es auf unserer eigenen Plattform. Wir beschreiben spezifische Anwendungsfälle in unserer Arbeit: Ein Solo-Gründer verbindet GitHub, Sentry und CloudWatch. Das System überprüft Fehler-Logs, Bereitstellungs-Häufigkeit und Infrastruktur-Gesundheit. Aus dieser Überprüfung baut es einen Fehler-Triage-Agenten, einen Feature-Entdeckungs-Agenten, eine Content-Generierungspipeline, eine Infrastruktur-Optimierungsschleife. Jeder Agent läuft, produziert Ausgaben und ändert den Zustand. Im nächsten Zyklus sieht die Überprüfung ein anderes Bild. Das System fand die neuen Lösungen. Der Gründer hat sie nicht geplant.

Bei CREAO führen wir unsere eigenen Operationen auf diese Weise durch. Ein Agent ersetzte einen dreiköpfigen SEO-Workflow über Nacht. Ein anderer führte eine Content-Pipeline für zwei Tage durch, bevor jemand die Ausgaben überprüfte. Die Ausgaben waren Müll, und wir töteten es. Beides passierte in der gleichen Woche. Wir nennen uns selbst Crash-Test-Dummies für die Zukunft der Arbeit.

Branchen, die es zuletzt spüren: Gesundheitswesen, Schwerindustrie, Recht – überall, wo die Arbeit physisch, stark reguliert oder menschliche Urteilsfähigkeit in jeder Entscheidung erfordert. Aber selbst dort werden die administrativen Schichten komprimiert.

CREAO hat kürzlich 10 Millionen Dollar von Prosperity7 Ventures, dem Venture-Arm von Saudi Aramco, aufgenommen. Was für strategische Chancen eröffnet diese Partnerschaft dem Unternehmen, wenn autonome KI-Agenten immer mehr auf Unternehmen ausgerichtet werden?

Prosperity7 verwaltet einen diversifizierten Fonds von 3 Milliarden Dollar und operiert in Silicon Valley, dem Mittleren Osten und Asien. Sie haben ein Portfolio aufgebaut, das die Infrastruktur von Unternehmens-KI umfasst – Arcee AI, Spirit AI und andere. Die strategische Passung geht über das Kapital hinaus.

Ihre These deckte sich mit unserer. Wie Raed Twaily, ihr Executive Managing Director, öffentlich sagte: “Wenn die KI-Adoption reift, verschiebt sich der Fokus von Modellen zur Ausführung. Creao AI baut die Infrastrukturschicht auf, die es Agenten ermöglicht, autonom, zuverlässig und kontinuierlich zu operieren.” Das ist genau, was wir glauben. Der KI-Agenten-Markt wird voraussichtlich bis 2030 52 Milliarden Dollar erreichen. Die Unternehmen, die den echten Wert erfassen, werden nicht diejenigen mit dem besten Modell sein. Sie werden diejenigen mit der besten Ausführungsschicht sein.

Praktisch beschleunigt die 10-Millionen-Dollar-Finanzierung – unsere Gesamtförderung auf 25 Millionen Dollar über drei Runden in weniger als einem Jahr – drei Dinge. Erstens die Tiefe des Ingenieursteams. Wir erweitern das Team, um Unternehmens-KI-Integrationen und Agent-zu-Agent-Kollaboration zu bewältigen. Der Selbstheilungs-Gurt, die Dreirichter-Kommission, das KI-gesteuerte Rollout-System – all dies muss auf Unternehmens-Niveau funktionieren, nicht nur für ein 25-köpfiges Team. Zweitens die geografische Reichweite. Die Präsenz von Prosperity7 im Mittleren Osten und Asien öffnet Märkte, in denen die autonome KI-Adoption schneller voranschreitet, als die meisten Leute in Silicon Valley realisieren. Drittens die institutionelle Glaubwürdigkeit. Wenn Sie Unternehmen auffordern, Agenten zu vertrauen, die ihre Operationen kontinuierlich ausführen, zählt die Unterstützung.

Wir haben 25 Millionen Dollar in weniger als einem Jahr mit null bezahlter Werbung und 200.000 Nutzern durch organische Adoption aufgenommen. Diese Geschwindigkeit spiegelt die Überzeugung des Marktes wider, dass die Ausführungsschicht der nächste Schlachtfeld ist.

Auf lange Sicht, was bedeutet Erfolg für CREAO in den nächsten Jahren? Ist die langfristige Vision, bessere KI-Agenten zu bauen oder letztendlich, wie Unternehmen selbst strukturiert und betrieben werden, neu zu definieren?

Beides. Und sie sind untrennbar.

Kurzfristig bedeutet Erfolg, den geschlossenen Kreislauf-Modell auf großem Maßstab zu beweisen. Wir haben 200.000 Nutzer, die durch organische Adoption seit unserem Start im September 2025 gekommen sind. Wir liefern drei bis acht Mal am Tag in die Produktion. Wir führen unsere eigene Technik, Marketing und Betrieb auf dem Gurtsystem durch. Der nächste Schritt ist, zu demonstrieren, dass Unternehmen aller Größen auf die gleiche Weise laufen können.

Aber bessere Agenten sind nicht das Endziel. Das Endziel ist der Gurt – das System um die Agenten herum.

Ein Agent ist ein Werkzeug. Ein Gurtsystem ist ein Flugzeug. Je mehr es läuft, desto enger wird es. Je mehr Daten es sieht, desto besser sind seine Überprüfungen. Je besser seine Überprüfungen, desto schärfer sind seine Lösungen. Je schärfer seine Lösungen, desto einflussreicher sind seine Agenten. Je einflussreicher seine Agenten, desto mehr ändert sich die Daten. Und der Kreislauf setzt sich fort.

Das 20. Jahrhundert-Modell eines Unternehmens ist eine Hierarchie von Menschen, organisiert in Abteilungen, jede mit Managern, jede mit Prozessen, die für menschliche Durchlaufzeit entworfen sind. Wenn Agenten die meisten operativen Arbeiten zuverlässig ausführen können, wird dieses Modell nicht nur effizienter – es beginnt, überflüssig zu werden.

Jeder weiß, dass KI eine Explosion an Produktivität verspricht. Aber die Branche ist in zwei Fallen gefangen. Wenn Menschen KI-Tools Schritt für Schritt bedienen, trifft die Produktivität auf eine Decke. Und wenn Menschen die einzigen sind, die die Tools bauen, hat die echte Revolution noch nicht begonnen. Wir bauen das System, in dem KI beides tut: Werkzeuge baut und sie ausführt.

Die meisten Gründer, mit denen ich spreche, operieren immer noch auf die traditionelle Weise. Einige denken darüber nach, den Wechsel zu vollziehen. Sehr wenige haben es getan. Die Tools existieren, damit jedes Team dies tun kann. Nichts in unserem Stack ist proprietär. Der Wettbewerbsvorteil ist die Entscheidung, alles um diese Tools herum neu zu entwerfen, und die Bereitschaft, die Kosten zu absorbieren.

Wir bauten eine Agenten-Plattform. Die Agenten bauten sie neu. Das ist das Design-Prinzip. Der Gurt zieht sich Tag für Tag enger.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten CREAO besuchen.