Πέτρος Pang, Συνιδρυτής και Τεχνικός Διευθυντής της CREAO – Σειρά Συνεντεύξεων

Πέτρος Pang, Συνιδρυτής και Τεχνικός Διευθυντής της CREAO, φέρνει ένα βαθύ υπόβαθρο στην έρευνα της τεχνητής νοημοσύνης και την υποδομή της μηχανικής μάθησης στο αναδυόμενο χώρο της αιτιοκρατικής τεχνητής νοημοσύνης. Πριν από την εκκίνηση της CREAO το 2025, ο Pang πέρασε σχεδόν έξι χρόνια στη Meta ως Ερευνητικός Επιστήμονας που εργαζόταν σε πρωτοβουλίες γενετικής τεχνητής νοημοσύνης που συνδέονται με τα μοντέλα LLaMA, συμπεριλαμβανομένων των συστημάτων LLM αιτιοκρατικής για την αναγραφή δεδομένων και τη σύνθεση συνθετικών δεδομένων. Πριν από τη Meta, εργάστηκε στην Apple (AAPL ) ως Μηχανικός Μάθησης με επίκεντρο την NLP, τη μεταφορά μάθησης, τη βαθιά μάθηση και τα προγνωστικά συστήματα, ενώ τα πρώιμα χρόνια του στο Εργαστήριο Brookhaven τον εξέθεσαν σε προηγμένη επιστημονική έρευνα και πειραματικά συστήματα. Η εμπειρία του σε πρωτοποριακή έρευνα τεχνητής νοημοσύνης, μεγάλης κλίμακας μηχανικής μάθησης και αυτονομίας συστημάτων διαμορφώνει τώρα την τεχνική όραση της CREAO για την κατασκευή πρακτόρων τεχνητής νοημοσύνης ικανών για επιμονή, μνήμη και αυτοματοποίηση ροής εργασίας.

CREAO είναι μια πλατφόρμα που έχει ως επίκεντρο την υποστήριξη ατόμων και επιχειρήσεων στην δημιουργία αυτονομών πρακτόρων τεχνητής νοημοσύνης και ροών εργασίας μέσω της φυσικής γλώσσας και όχι της παραδοσιακής προγραμματιστικής. Η εταιρεία θέτει τον “Σούπερ Πρακτόρα” της ως ένα μόνιμο σύστημα τεχνητής νοημοσύνης ικανό όχι μόνο να παράγει εξόδους, αλλά και να μετατρέψει επιτυχημένες εργασίες σε επαναχρησιμοποιήσιμους πρακτόρες που μπορούν να λειτουργούν συνεχώς με μνήμη, προγραμματισμό και ολοκλήρωση με εξωτερικά εργαλεία και API. Η πλατφόρμα της CREAO υποστηρίζει σημαντικά μοντέλα τεχνητής νοημοσύνης, συμπεριλαμβανομένων των OpenAI, Anthropic, Google (GOOGL ) και άλλων, ενώ τονίζει ένα μοντέλο λειτουργίας που βασίζεται στην τεχνητή νοημοσύνη, όπου οι πρακτόρες χειρίζονται όλο και περισσότερο την εκτέλεση λειτουργιών αντί να λειτουργούν ως βοηθοί μιας φοράς. Ιδρυμένη στο Palo Alto, η εταιρεία επικεντρώνεται στην προώθηση των ροών εργασίας της αιτιοκρατικής τεχνητής νοημοσύνης, της αυτοματοποίησης χωρίς κώδικα και της διαχειρίσιμης ορχήστρας τεχνητής νοημοσύνης για επιχειρήσεις και ανεξάρτητους επαγγελματίες.

Πέρασες σχεδόν έξι χρόνια στη Meta εργαζόμενος στα μοντέλα LLaMA και στα αιτιοκρατικά συστήματα για τη σύνθεση συνθετικών δεδομένων μετά από προηγούμενους ρόλους μηχανικής μάθησης στην Apple και έρευνας στο Εργαστήριο Brookhaven. Τι σας έπεισε ότι ήταν η σωστή στιγμή για να συνιδρύσετε την Creao AI, και ποιο πρόβλημα νιώθατε ότι τα υπάρχοντα πλαίσια τεχνητής νοημοσύνης δεν κατάφερναν να λύσουν;

Στη Meta, είδα τις ικανότητες των μοντέλων να βελτιώνονται δραματικά με κάθε γενιά. Εργάστηκα στην κλιμάκωση του LLaMA. Είδα τι μπορούσαν να κάνουν αυτά τα μοντέλα σε ελεγχόμενα περιβάλλοντα. Ο χάσμα που συνέχιζε να αυξάνεται δεν ήταν σε τι μπορούσαν να επιτύχουν τα μοντέλα — ήταν σε τι πραγματικά έπαιρναν οι άνθρωποι από αυτά.

Κάθε πλατφόρμα σας έδινε την ίδια διεπαφή: ένα παράθυρο chat. Ρωτάτε, απαντά, κάνετε τη δουλειά. Η τεχνητή νοημοσύνη είναι ένας εργολάβος που ξεχνά τα πάντα μεταξύ των βαρών. Την εκτελείτε ξανά την επόμενη μέρα. Το σύστημα δεν μαθαίνει τίποτα μεταξύ των εκτελέσεων. Η επιχείρησή σας παραμένει η ίδια.

Αυτό ήταν το πρόβλημα. Όχι η νοημοσύνη του μοντέλου. Η εκτέλεση. Κανείς δεν χτίζε το σύστημα όπου η τεχνητή νοημοσύνη θα μπορούσε να πάρει ένα αποτέλεσμα από τη συζήτηση μέχρι την εκτέλεση, να το διατηρήσει και να το επαναλάβει χωρίς ανθρώπινη παρέμβαση.

Η εμπειρία μου στη φυσική με δίδαξε να σκέφτομαι σε συστήματα, όχι σε συστατικά. Στο Brookhaven και μέσω του διδακτορικού μου στο Stony Brook, πέρασα χρόνια xây dựng πειραματικών πipelines όπου το όργανο, η συλλογή δεδομένων και η ανάλυση έπρεπε να λειτουργούν ως ένα κλειστό κύκλωμα ή τα αποτελέσματα δεν σήμαιναν τίποτα. Στην Apple, εργάστηκα σε πολυμορφικά μοντέλα και είδα το ίδιο μοτίβο: η сыρή ικανότητα χωρίς ένα σύστημα γύρω της δεν συσσωρεύεται.

Όταν ο Kai και εγώ αρχίσαμε να μιλάμε για την CREAO, η θέση μας ήταν συγκεκριμένη: η βιομηχανία δεν χρειάζεται άλλο ένα chatbot. Χρειάζεται ένα κλειστό κύκλωμα — τεχνητή νοημοσύνη που χτίζει εργαλεία, τα εκτελεί και γίνεται καλύτερη με τον καιρό. Τα μοντέλα ήταν τελικά αρκετά καλά. Κανείς δεν χτίζε το κύκλωμα.

Η CREAO περιγράφει τον εαυτό της ως μια πλατφόρμα όπου η τεχνητή νοημοσύνη μπορεί να χτίσει εργαλεία και να εκτελέσει αυτονομία εργασίας. Πώς ορίζετε τη διαφορά μεταξύ ενός πραγματικού “κλειστού κύκλωματος” συστήματος τεχνητής νοημοσύνης και του κύματος των βοηθών τεχνητής νοημοσύνης που πλημμυρίζουν την αγορά;

Ένας βοηθός κάθεται δίπλα σας. Οδηγείτε, προτείνει. Αν κοιμηθείτε, ο βοηθός δεν κάνει τίποτα.

Ένα κλειστό κύκλωμα ολοκληρώνει τον πλήρη κύκλο: παρατηρεί, ενεργεί, μαθαίνει, βελτιώνεται. Ο άνθρωπος ορίζει το αποτέλεσμα. Το σύστημα χειρίζεται την εκτέλεση, τη διατήρηση και την επανάληψη.

Στην CREAO, σκεφτόμαστε αυτό ως ένα σύστημα αγκίστρου. Ένας πρακτόρας μπορεί να σχεδιάσει ένα email, να αναλύσει ένα bug ή να συνοψίσει μια έκθεση. Αλλά ένας πρακτόρας δεν συσσωρεύεται. Τρέχει, παράγει έξοδο και σταματά. Ένα σύστημα αγκίστρου περιβάλλει τους πρακτόρες και τους μετατρέπεται από εργαλεία μιας φοράς σε einen αυτοβελτιωμένο κινητήρα. Ακολουθεί ένα κύκλωμα: Σύνδεση, Ελέγχος, Λύσεις, Κατασκευή, Αυτοβελτίωση. Το σύστημα συνδέεται με τις πραγματικές πηγές δεδομένων — τα repos σας, τα logs σφαλμάτων, τα λογαριασμούς διαφήμισης. Αξιολογεί την τρέχουσα κατάσταση. Προτείνει διορθώσεις. Πρακτόρες χτίζονται για την εκτέλεση αυτών των διορθώσεων. Τα έξοδα επιστρέφουν. Ένας νέος γύρος ελέγχου αρχίζει. Το κύκλωμα σφίγγει.

Αυτό είναι δομικά διαφορετικό από “Έχω einen πρακτόρα που κάνει το X”. Αυτό είναι ένα σύστημα που ανακαλύπτει τι πρέπει να είναι το X, το χτίζει, το μετρά και το εξελίσσει χωρίς να σας πει να το κάνετε.

Τα περισσότερα βοηθοί είναι βοηθούμενοι από την τεχνητή νοημοσύνη. Ένα κλειστό κύκλωμα είναι λειτουργικό από την τεχνητή νοημοσύνη. Αυτή είναι η γραμμή που χωρίζει.

Η πρόσφατη ανάρτησή σας για τη “μηχανική αγκίστρου” και τις οργανώσεις που βασίζονται στην τεχνητή νοημοσύνη προκάλεσε τεράστια προσοχή στο διαδίκτυο. Τι σας έκπληξε περισσότερο για την αντίδραση στην ιδέα ότι το 99% του κώδικα παραγωγής στην CREAO γράφεται τώρα από την τεχνητή νοημοσύνη;

Η ανάρτηση έφτασε τα 1,8 εκατομμύρια προβολές. Την έγραψα ως έγγραφο για την ομάδα μας — ένα αρχείο του πώς ξαναχτίσαμε και τι μάθαμε. Δεν περίμενα τέτοια εμβέλεια.

Τι με έκπληξε ήταν η διάσπαση των αντιδράσεων. Μια πλευρά είπε ότι αυτό ήταν ασεβές, ότι δεν μπορείτε να εμπιστευτείτε τον κώδικα που γράφεται από την τεχνητή νοημοσύνη στην παραγωγή. Η άλλη πλευρά είπε: “Βλέπουμε ακριβώς το ίδιο πράγμα και κανείς δεν μιλάει γι’ αυτό.”

Αυτή η δεύτερη ομάδα μου είπε κάτι σημαντικό. Υπάρχουν ομάδες σε όλη τη βιομηχανία που περνούν ήδη από αυτή τη μετάβαση. Ένας δημοσιογράφος με τον οποίο μίλησα μου είπε ότι είχε μιλήσει με περίπου πέντε άτομα για αυτό το θέμα. Μου είπε ότι ήμαστε πιο μπροστά από οποιονδήποτε: “Δεν νομίζω ότι κάποιος έχει ξαναχτίσει ολόκληρη την εργολαβία μας με τον ίδιο τρόπο που εσείς.”

Το 99% του αριθμού ακούγεται προκλητικό, αλλά είναι απλώς το αποτέλεσμα της αφαίρεσης των ανθρώπινων φραγμών ένα ένα. Όταν σχεδιάζετε την αρχιτεκτονική ώστε οι πρακτόρες να possono δουν τον πλήρη κώδικα — εμείς εμείς εναύλιωσε όλα σε ένα μονορεπο για να μπορέσει η τεχνητή νοημοσύνη να δει τα πάντα — και η CI/CD pipeline έχει έξι φάσεις και τρεις παράλληλες επιθεωρήσεις της τεχνητής νοημοσύνης που πιάνουν ζητήματα ποιότητας, ασφάλειας και εξαρτήσεων σε κάθε αίτηση, και ο αυτοθεραπευτικός κύκλος ανιχνεύει σφάλματα, ταξινομεί και επιβεβαιώνει διορθώσεις αυτόματα — ο ρόλος του ανθρώπου μεταφέρεται από τη γραφή του κώδικα στη σχεδίαση του συστήματος που κυβερνά τον τρόπο με τον οποίο οι πρακτόρες γράφουν τον κώδικα. Ο όγκος του κώδικα ακολουθεί φυσικά.

Τι με έκπληξε περισσότερο είναι ότι περισσότεροι Διευθυντές Τεχνολογίας δεν λένε αυτό δημόσια. Νομίζω ότι πολλοί το κάνουν αλλά φοβούνται την αντίληψη.

Στο άρθρο σας, υποστηρίζετε ότι οι περισσότερες εταιρείες είναι ακόμη “βοηθούμενες από την τεχνητή νοημοσύνη” και όχι πραγματικά “βασισμένες στην τεχνητή νοημοσύνη”. Ποια είναι οι μεγαλύτερες λανθασμένες αντιλήψεις που έχουν οι ομάδες ηγεσίας όταν πιστεύουν ότι λειτουργούν ήδη ως εταιρείες που βασίζονται στην τεχνητή νοημοσύνη;

Βλέπω ομάδες που ισχυρίζονται ότι είναι βασισμένες στην τεχνητή νοημοσύνη ενώ τρέχουν τους ίδιους κύκλους sprint, τις ίδιες πίνακες Jira, τις ίδιες εβδομαδιαίες συνεδρίες, τις ίδιες εγκευσεις QA. Πρόσθεσαν την τεχνητή νοημοσύνη στο κύκλωμα. Δεν ξανασχεδιάστηκαν το κύκλωμα.

Η μεγαλύτερη λανθασμένη αντίληψη: “Χρησιμοποιούμε εργαλεία τεχνητής νοημοσύνης, επομένως είμαστε βασισμένοι στην τεχνητή νοημοσύνη.” Ένας μηχανικός ανοίγει το Cursor. Ένας PM συντάσσει προδιαγραφές με το ChatGPT. QA πειραματίζεται με τη γενετική τεχνητής νοημοσύνης. Η ροή εργασίας παραμένει η ίδια. Η απόδοση αυξάνεται κατά 10 έως 20%. Τίποτα δεν αλλάζει δομικά. Αυτό είναι βοηθούμενο από την τεχνητή νοημοσύνη.

Η δεύτερη λανθασμένη αντίληψη είναι ότι η βασισμένη στην τεχνητή νοημοσύνη είναι μια απόφαση μηχανικής. Αν η μηχανική αποστέλλει χαρακτηριστικά σε λίγες ώρες αλλά η marketing χρειάζεται μια εβδομάδα για να τα ανακοινώσει, η marketing είναι ο φραγμός. Αν η ομάδα προϊόντων vẫn τρέχει einen μηνιαίο κύκλο σχεδιασμού, το σχεδιασμό είναι ο φραγμός. Στην CREAO, ώθησα τις оперaciones που βασίζονται στην τεχνητή νοημοσύνη σε κάθε λειτουργία: σημειώσεις έκδοσης που παράγονται από changelogs, βίντεο εισαγωγής χαρακτηριστικών που δημιουργούνται από την τεχνητή νοημοσύνη, κοινωνικά μέσα που ορχηστρώνονται και αυτο-δημοσιεύονται, αναφορές υγείας που παράγονται από βάσεις δεδομένων παραγωγής. Μηχανική, προϊόν, marketing και ανάπτυξη τρέχουν σε μια ροή που βασίζεται στην τεχνητή νοημοσύνη. Αν μια λειτουργία λειτουργεί με ταχύτητα πρακτόρα και μια άλλη με ανθρώπινη ταχύτητα, η λειτουργία με ανθρώπινη ταχύτητα περιορίζει όλα.

Η τρίτη λανθασμένη αντίληψη είναι ότι αυτή η μετάβαση μπορεί να είναι σταδιακή. Μια κοινή εκδοχή αυτού είναι αυτό που οι άνθρωποι ονομάζουν κωδικοποίηση vibe. Άνοιξε το Cursor, δώσε προτροπή μέχρι να δουλέψει κάτι, κάνε commit, επαναλάβε. Αυτό παράγει προτυπάκια. Ένα σύστημα παραγωγής χρειάζεται σταθερότητα, αξιοπιστία και ασφάλεια. Χρειάζετε ένα σύστημα που να εγγυάται αυτές τις ιδιότητες όταν η τεχνητή νοημοσύνη γράφει τον κώδικα. Χτίζετε το σύστημα. Οι προτροπές είναι απορρίψιμες.

Γράψατε ότι η πραγματική επανάσταση ήρθε όταν η CREAO ξανασχεδιάσε ολόκληρη την ροή μηχανικής της γύρω από τους πρακτόρες της τεχνητής νοημοσύνης αντί να προσθέσει απλώς εργαλεία τεχνητής νοημοσύνης στις υπάρχουσες διαδικασίες. Ποια ήταν η πιο δύσκολη λειτουργία ή πολιτισμική για την ομάδα;

Και τα δύο, αλλά είναι διαφορετικά είδη δυσκολίας.

Λειτουργικά, η πιο δύσκολη απόφαση ήταν η ενοποίηση του κώδικα. Η παλιά αρχιτεκτονική μας ήταν σκόρπια σε πολλά ανεξάρτητα συστήματα. Μια seule αλλαγή μπορεί να απαιτούσε την αλλαγή τριών ή τεσσάρων repository. Από την άποψη του ανθρώπινου μηχανικού, διαχειρίσιμο. Από την άποψη του πρακτόρα της τεχνητής νοημοσύνης, αδιαφανές. Ο πρακτόρας δεν μπορεί να δει την πλήρη εικόνα. Δεν μπορεί να συλλογιστεί για τις επιπτώσεις μεταξύ υπηρεσιών. Δεν μπορεί να τρέξει integration tests τοπικά.

Πέρασα μια εβδομάδα σχεδιάζοντας το νέο σύστημα και μια άλλη εβδομάδα ξανασχεδιάζοντας ολόκληρο τον κώδικα χρησιμοποιώντας πρακτόρες. Αυτή ήταν μια τολμηρή κίνηση. Αν αποτύγχανα, θα είχαμε ένα σπασμένο μονορεπο και ένα σπασμένο σύστημα πολλαπλών repository. Αλλά η αρχή είναι σαφής: όσο περισσότερο από το σύστημα σας τραβήξετε σε μια μορφή που ο πρακτόρας μπορεί να ελέγξει, να επικυρώσει και να τροποποιήσει, τόσο περισσότερη Influence παίρνετε. Ένα σκόρπιο σύστημα είναι αόρατο για τους πρακτόρες. Ένα ενοποιημένο είναι αναγνώσιμο.

Πολιτισμικά, το πιο δύσκολο μέρος ήταν η ταυτότητα. Οι μηχανικοί βρίσκουν την αξία τους στον κώδικα που γράφουν. Όταν η τεχνητή νοημοσύνη γράφει το 99% του κώδικα, η ερώτηση γίνεται: τι είναι η δουλειά μου τώρα; Αυτό δεν είναι μια ερώτηση διαδικασίας. Αυτό είναι υπαρξιακό.

Δεν θα πουν ότι όλοι ήταν ευτυχισμένοι. Όταν σταμάτησα να μιλάω με τους ανθρώπους κάθε μέρα επειδή ο χρόνος διαχείρισης μου έπεσε από 60% σε κάτω από 10%, κάποιοι συνεργάτες αισθάνθηκαν αβέβαιοι. Τι σημαίνει ο Διευθυντής Τεχνολογίας να μην μιλάει μαζί σας; Τι είναι η αξία σας σε αυτό το νέο κόσμο; Αυτά είναι hợp lý concerns. Κάποιοι άνθρωποι περνούν περισσότερο χρόνο συζητώντας αν η τεχνητή νοημοσύνη μπορεί να κάνει τη δουλειά τους παρά να κάνουν τη δουλειά.

Αλλά όταν οι άνθρωποι έζησαν τη νέα ροή εργασίας — όπου η δουλειά τους μεταφέρθηκε από τη γραφή του κώδικα στη σχεδίαση συστημάτων, τον ορισμό SOP, την κατασκευή βρόχων ανατροφοδότησης — οι περισσότεροι το βρήκαν πιο πνευματικά εμπλεκόμενο. Οι μηχανικοί που δυσκολεύτηκαν περισσότερο ήταν αυτοί των οποίων η ταυτότητα ήταν πιο στενά συνδεδεμένη με την πράξη της γραφής του κώδικα. Αυτοί που προσαρμόστηκαν ταχύτερα είδαν τον εαυτό τους ως λύτες προβλημάτων πρώτα και κωδικοποιητές δεύτερα.

Μια από τις πιο αντιφατικές παρατηρήσεις στο άρθρο σας ήταν ότι οι νεότεροι μηχανικοί προσαρμόστηκαν ταχύτερα από τους παλαιότερους μηχανικούς σε αυτό το νέο περιβάλλον. Γιατί νομίζετε ότι η προσαρμοστικότητα γίνεται πιο σημαντική από την συσσωρευμένη τεχνική εμπειρία στις ομάδες μηχανικής που βασίζονται στην τεχνητή νοημοσύνη;

Παρατήρησα ένα μοτίβο που δεν περίμενα. Νεότεροι μηχανικοί με λιγότερη παραδοσιακή πρακτική felt ενδυναμωμένοι. Είχαν πρόσβαση σε εργαλεία που επέκτειναν την επίδρασή τους. Δεν είχαν μια δεκαετία συνηθειών να ξεμάθουν.

Οι παλαιότεροι μηχανικοί με ισχυρή παραδοσιακή πρακτική είχαν τη più δύσκολη φορά. Δύο μήνες της δουλειάς τους θα μπορούσαν να ολοκληρωθούν σε μια ώρα από την τεχνητή νοημοσύνη. Αυτό είναι ένα δύσκολο πράγμα να αποδεχτείς μετά από χρόνια οικοδόμησης ενός σπάνιου σετ δεξιοτήτων.

Ο λόγος είναι δομικός. Η εμπειρία ενός παλαιότερου μηχανικού ζει στη μηχανική εκτέλεση του κώδικα — να πλοηγηθεί σε σύνθετα συστήματα, να γράψει βελτιστοποιημένες υλοποιήσεις, να διεξάγει πλήρεις αναθεωρήσεις. Αυτές οι δεξιότητες κερδίστηκαν με τα χρόνια και είναι πραγματικές. Αλλά σε ένα περιβάλλον που βασίζεται στην τεχνητή νοημοσύνη, η μηχανική δεξιότητα της γραφής του κώδικα είναι το μέρος που αυτοματοποιείται. Τι μένει — και γίνεται πιο πολύτιμο — είναι η ικανότητα να αξιολογήσετε, να κριτικάρετε και να κατευθύνετε την τεχνητή νοημοσύνη.

Έχω einen PhD στη φυσική. Το πιο χρήσιμο που μου δίδαξε το PhD μου ήταν πώς να αμφισβητήσετε υποθέσεις, να δοκιμάσετε επιχειρήματα και να ψάξετε για το τι λείπει. Η ικανότητα να κριτικάρετε την τεχνητή νοημοσύνη είναι πιο πολύτιμη από την ικανότητα να παράγετε κώδικα. Μπορείτε να δείτε μια πρόταση αρχιτεκτονικής και να δείτε το σημείο αποτυχίας που ο πρακτόρας missed; Μπορείτε να δείτε μια γενετική διεπαφή και να ξέρετε ότι είναι λάθος πριν ο χρήστης σας το πει;

Οι νεότεροι μηχανικοί δεν είχαν βαθιά μηχανική εμπειρία να αφήσουν. Απλώς έμαθαν το νέο πράγμα.

Δεν κάνω κρίση. Περιγράφω τι παρατήρησα. Η seniority είναι ακόμη ένα πλεονέκτημα — η βαθιά αρχιτεκτονική σκέψη, η直觉 του συστήματος — αλλά μόνο αν ο παλαιότερος μηχανικός είναι διατεθειμένος να λειτουργήσει σε διαφορετικό υψόμετρο. Σε αυτή τη μετάβαση, η προσαρμοστικότητα μετράει περισσότερο από την συσσωρευμένη δεξιότητα.

Η CREAO ξαναχτίσε την υποδομή της γύρω από μονορεπο, αυτοματοποιημένες CI/CD pipelines, συστήματα αναθεώρησης της τεχνητής νοημοσύνης και αυτοθεραπευτικούς βρόχους που ολοκληρώνονται με εργαλεία όπως το CloudWatch, Sentry, Linear και Claude. Πόσο κοντά είμαστε σε ένα μέλλον όπου τα συστήματα λογισμικού θα διατηρούν και θα επιδιορθώνουν ουσιαστικά τον εαυτό τους;

Τρέχουμε έναν αυτοθεραπευτικό βρόχο σε παραγωγή αυτή τη στιγμή. Ας σας περιγράψω τι πραγματικά κάνει.

Κάθε πρωί στις 9:00 UTC, μια αυτοματοποιημένη ροή υγείας τρέχει. Το Claude Sonnet ερωτά το CloudWatch, αναλύει μοτίβα σφαλμάτων σε όλες τις υπηρεσίες και παράγει μια εκτελεστική περίληψη υγείας που παραδίδεται στην ομάδα. Κανείς δεν ζήτησε. Μια ώρα αργότερα, ο μηχανισμός ταξινόμησης clusterizes παραγωγικά σφάλματα από το CloudWatch και το Sentry, βαθμολογεί κάθε cluster σε εννέα διαστάσεις σοβαρότητας — επίδραση χρήστη, ταχύτητα, ακτίνα, κρίσιμη επιχειρηματική σημασία και πέντε άλλες — και auto-γεννάει εισιτήρια έρευνας στο Linear με δείγματα log, επηρεαζόμενες διεπαφές και προτεινόμενες διαδρομές έρευνας.

Όταν ένας μηχανικός推ει μια διόρθωση, η ίδια pipeline χειρίζεται. Τρεις επιθεωρήσεις της Claude αξιολογούν την αίτηση — ποιότητα κώδικα, ασφάλεια και σάρωση εξαρτήσεων. Η CI επικυρώνει μέσω μιας πορείας έξι φάσεων. Μετά την ανάπτυξη, ο μηχανισμός ταξινόμησης ελέγχει ξανά. Αν τα αρχικά σφάλματα επιλυθούν, το εισιτήριο auto-κλείνει.

Επάνω σε αυτό, χτίσαμε αυτό που ονομάζουμε το Agent Harness. Ένας τρι-δικαστής πίνακας βαθμολογεί κάθε ζωντανό αποκρίσιμο του πρακτόρα. Όταν οι βαθμολογίες πέφτουν, μια πορεία μηχανικής έξι εργασιών μετατρέπει τις χαμηλές βαθμολογίες σε εισιτήρια Linear, προσχέδια PR και επικυρωμένες διορθώσεις. Και για μεγάλες αλλαγές, οι αυτοματοποιημένες γκрейντουτ του πρακτόρα οδηγούν 10% του траφικού στη νέα παραλλαγή και προωθούν μέσω 20%, 50%, 100% μόνο αν οι βαθμολογίες κρατηθούν.

Δεν έχουμε μια ομάδα QA. Δεν έχουμε ένα περιβάλλον staging. Κανείς δεν διαβάζει μεταγραφές και βαθμολογεί απαντήσεις του πρακτόρα με το χέρι.

Πόσο κοντά είμαστε; Κοντύτερα από ότι πολλοί άνθρωποι νομίζουν για περιορισμένα πεδία — γνωστά μοτίβα σφαλμάτων, regressions, configuration drift. Θα έλεγα ότι 70 έως 80% της παραγωγικής συντήρησης μπορεί να τρέξει με αυτόν τον τρόπο με την σωστή υποδομή. Το μέρος που ακόμη χρειάζεται ανθρώπους είναι αμφίβολες αποτυχίες όπου η αρχιτεκτονική ίδια μπορεί να είναι λάθος ή όπου η διόρθωση απαιτεί κατανόηση μιας επιχειρηματικής απόφασης που δεν είναι κωδικοποιημένη στο σύστημα.

Η πρακτική λήψη: δεν πρέπει να περιμένετε την τελειότητα. Ακόμη και η μερική αυτοθεραπεία αλλάζει δραματικά την δυναμική της ομάδας.

Εισαγάγατε ένα μέλλον όπου “εταιρείες ενός ατόμου” θα γίνουν κοινές καθώς οι πρακτόρες της τεχνητής νοημοσύνης αντικαθιστά τις μεγάλες ομάδες λειτουργιών. Ποια είδη εταιρειών ή βιομηχανιών νομίζετε ότι θα νιώσουν αυτή τη μετατόπιση πρώτα;

Εταιρείες όπου το αναλογία λειτουργικής υπερβολής προς βασική δημιουργία αξίας είναι υψηλότερη.

Πιστεύω ότι εταιρείες ενός ατόμου θα γίνουν κοινές. Αν ένας αρχιτέκτονας με πρακτόρες μπορεί να κάνει τη δουλειά 100 ανθρώπων, πολλές εταιρείες δεν θα χρειαστούν δεύτερο υπάλληλο. Η ικανότητα του μοντέλου είναι ο ρυθμός που οδηγεί αυτή τη μετατόπιση. Εμφατίζω ολόκληρη τη μετατόπιση στην CREAO στα τελευταία δύο μήνες. Το Opus 4.5 δεν μπορούσε να κάνει αυτό που κάνει το Opus 4.6. Τα επόμενα μοντέλα θα επιταχύνουν αυτή τη μετατόπιση.

Η μετατόπιση χτυπά πρώτα όπου η δουλειά είναι ψηφιακή, επαναλαμβανόμενη και οι βρόχοι ανατροφοδότησης είναι σαφείς. Παραγωγή περιεχομένου, λειτουργίες marketing, ηλεκτρονικό εμπόριο, εργαλεία ανάπτυξης, ψηφιακές εταιρείες. Αν η επιχείρησή σας είναι ουσιαστικά για τη λήψη πληροφοριών, τη μετατροπή τους και τη διανομή τους, ένα σύστημα αγκίστρου μπορεί να χειριστεί το μεγαλύτερο μέρος αυτού του κύκλου.

Το βλέπουμε στην πλατφόρμα μας. Περιγράφουμε συγκεκριμένες περιπτώσεις εργασίας: ένας solo ιδρυτής συνδέει το GitHub, Sentry και CloudWatch. Το σύστημα ελέγχει τα logs σφαλμάτων, τη συχνότητα ανάπτυξης και την υγεία της υποδομής. Από αυτήν την έρευνα, χτίζει έναν πρακτόρα ταξινόμησης σφαλμάτων, έναν πρακτόρα ανακάλυψης χαρακτηριστικών, μια πορεία δημιουργίας περιεχομένου, einen βρόχο βελτίωσης υποδομής. Κάθε πρακτόρας τρέχει, παράγει έξοδο και αυτή η έξοδος αλλάζει την κατάσταση. Επόμενος κύκλος, η έρευνα βλέπει μια διαφορετική εικόνα. Το σύστημα βρήκε τις νέες λύσεις. Ο ιδρυτής δεν τις σχεδίασε.

Στην CREAO, τρέχουμε τις δικές μας λειτουργίες με αυτόν τον τρόπο. Ένας πρακτόρας αντικατέστησε μια τριμελή ροή SEO από την μια μέρα. Ένας άλλος έτρεξε μια πορεία περιεχομένου για δύο μέρες πριν κανείς ελέγξει την έξοδο. Η έξοδος ήταν σκουπίδια και την σκότωσε. Και τα δύο συνέβησαν την ίδια εβδομάδα. Nous nous appelons les cobayes du futur du travail.

Βιομηχανίες που θα νιώσουν αυτή τη μετατόπιση τελευταίες: υγεία, βαρέα βιομηχανία, νομική — όπου η δουλειά είναι φυσική, βαθιά ρυθμισμένη ή απαιτεί ανθρώπινη κρίση σε κάθε απόφαση. Αλλά ακόμη και εκεί, τα διοικητικά στρώματα θα συμπιεστούν.

Η CREAO πρόσφατα ανέβηκε 10 εκατομμύρια δολάρια με επικεφαλής την Prosperity7 Ventures, τον κλάδο εγχειρηματικών της Saudi Aramco. Πέρα από την ίδια την χρηματοδότηση, ποια στρατηγικά ευκαιρίες ανοίγονται για την εταιρεία καθώς οι αυτονομικοί πρακτόρες της τεχνητής νοημοσύνης γίνονται πιο εταιρικοί;

Η Prosperity7 διαχειρίζεται einen diversificado φонд 3 δισεκατομμυρίων δολαρίων και λειτουργεί σε όλη τη κοιλάδα του Σιλικόνης, τη Μέση Ανατολή και την Ασία. Έχουν χτίσει einen φόρο που καλύπτει την υποδομή της εταιρικής τεχνητής νοημοσύνης — Arcee AI, Spirit AI και άλλους. Η στρατηγική ταυτότητα υπερβαίνει την κεφαλαιοποίηση.

Η θέση τους ταίριαξε με τη δική μας. Όπως ο Raed Twaily, ο Εκτελεστικός Διευθυντής τους, είπε δημόσια: “Όσο η υιοθέτηση της τεχνητής νοημοσύνης ωριμάζει, η εστίαση μεταφέρεται από τα μοντέλα στην εκτέλεση. Η Creao AI χτίζει το στρώμα υποδομής που επιτρέπει στους πρακτόρες να λειτουργούν αυτονομικά, αξιόπιστα και συνεχώς.” Αυτό είναι ακριβώς αυτό που πιστεύουμε. Η αγορά των πρακτόρων της τεχνητής νοημοσύνης προβλέπεται να φτάσει τα 52 δισεκατομμύρια δολάρια μέχρι το 2030. Οι εταιρείες που θα πάρουν την πραγματική αξία δεν θα είναι αυτές με το καλύτερο μοντέλο. Θα είναι αυτές με το καλύτερο στρώμα εκτέλεσης.

Πρακτικά, τα 10 εκατομμύρια — φτάνοντας τον συνολικό μας αριθμό σε 25 εκατομμύρια δολάρια σε τρεις γύρους σε λιγότερο από ένα χρόνο — επιταχύνουν τρία πράγματα. Πρώτον, το βάθος μηχανικής. Επεκτείνουμε την ομάδα για να χειριστούμε εταιρικές ολοκλήρους και συνεργασία πρακτόρων. Ο αυτοθεραπευτικός βρόχος, ο τρι-δικαστής πίνακας βαθμολογίας, το σύστημα αυτοματοποιημένης κυκλοφορίας — όλα αυτά πρέπει να λειτουργούν σε εταιρικό μέγεθος, όχι μόνο για μια ομάδα 25 ατόμων. Δεύτερον, γεωγραφική φθίνουσα. Η παρουσία της Prosperity7 στη Μέση Ανατολή και την Ασία ανοίγει αγορές όπου η υιοθέτηση της αυτονομίας της τεχνητής νοημοσύνης επιταχύνεται ταχύτερα από ότι πολλοί άνθρωποι στη κοιλάδα του Σιλικόνης αντιλαμβάνονται. Τρίτον, ιδρυτική πιστότητα. Όταν ζητάτε από εταιρείες να εμπιστευτούν τους πρακτόρες να τρέχουν τις λειτουργίες τους συνεχώς, η στήριξη μετράει.

Ανέβηκαμε 25 εκατομμύρια δολάρια σε λιγότερο από ένα χρόνο με μηδενική πληρωμένη διαφήμιση και 200.000 χρήστες μέσω οργανικής υιοθέτησης. Αυτή η ταχύτητα αντανακλά την πίστη της αγοράς ότι το στρώμα εκτέλεσης είναι ο επόμενος αγώνας.

Κοιτάζοντας μπροστά, τι σημαίνει επιτυχία για την CREAO τα επόμενα χρόνια; Είναι το μακροπρόθεσμο όραμα να χτίσετε καλύτερους πρακτόρες της τεχνητής νοημοσύνης ή τελικά να ξαναορίσουν πώς οι εταιρείες λειτουργούν και δομούνται;

Και τα δύο. Και είναι αδιαχώριστα.

Σε κοντινή απόσταση, η επιτυχία σημαίνει να αποδείξετε ότι το μοντέλο του κλειστού κύκλωματος λειτουργεί σε κλίμακα. Έχουμε 200.000 χρήστες που ήρθαν μέσω οργανικής υιοθέτησης από την εκκίνηση μας τον Σεπτέμβριο του 2025. Αποστέλλουμε σε παραγωγή τρεις έως οκτώ φορές την ημέρα. Τρέχουμε τη δική μας μηχανική, marketing και λειτουργίες στην αγκίστρα. Ο επόμενος βήμα είναι να αποδείξουμε ότι επιχειρήσεις όλων των μεγεθών μπορούν να τρέχουν με τον ίδιο τρόπο.

Αλλά καλύτεροι πρακτόρες δεν είναι το τελικό αποτέλεσμα. Το τελικό αποτέλεσμα είναι η αγκίστρα — το σύστημα γύρω από τους πρακτόρες.

Ένας πρακτόρας είναι ένα εργαλείο. Ένα σύστημα αγκίστρου είναι ένας ιμάντας. Όσο περισσότερο τρέχει, τόσο πιο σφιχτά γίνεται. Όσο περισσότερα δεδομένα βλέπει, τόσο καλύτερη είναι η έρευνά του. Όσο καλύτερη είναι η έρευνά του, τόσο πιο οξυδερκές είναι οι λύσεις του. Όσο πιο οξυδερκείς είναι οι λύσεις του, τόσο πιο επηρεαστικοί είναι οι πρακτόρες του. Όσο πιο επηρεαστικοί είναι οι πρακτόρες του, τόσο περισσότερα αλλάζουν τα δεδομένα. Και ο κύκλος συνεχίζεται.

Το μοντέλο του 20ου αιώνα μιας εταιρείας είναι μια ιεραρχία ανθρώπων οργανωμένων σε τμήματα, κάθε ένα με διευθυντές, κάθε ένα με διαδικασίες σχεδιασμένες για ανθρώπινη απόδοση. Όταν οι πρακτόρες μπορούν να εκτελέσουν αξιόπιστα την περισσότερη λειτουργική δουλειά, αυτό το μοντέλο δεν γίνεται απλώς πιο αποτελεσματικό — αρχίζει να γίνεται περιττό.

Όλοι γνωρίζουν ότι η τεχνητή νοημοσύνη υπόσχεται μια έκρηξη της παραγωγικότητας. Αλλά η βιομηχανία είναι παγιδευμένη σε δύο παγίδες. Αν οι άνθρωποι ακόμη λειτουργούν τα εργαλεία της τεχνητής νοημοσύνης βήμα προς βήμα, η παραγωγικότητα χτυπά ένα όριο. Και αν οι άνθρωποι είναι ακόμη οι μόνοι που χτίζουν τα εργαλεία, η πραγματική επανάσταση δεν έχει ξεκινήσει. Χτίζουμε το σύστημα όπου η τεχνητή νοημοσύνη κάνει και τα δύο: χτίζει εργαλεία και τα εκτελεί.

Οι περισσότεροι ιδρυτές με τους οποίους μιλάω ακόμη λειτουργούν με τον παραδοσιακό τρόπο. Κάποιοι σκέφτονται να κάνουν τη μετάβαση. Πολύ λίγοι το έχουν κάνει. Τα εργαλεία υπάρχουν για κάθε ομάδα να το κάνει. Τίποτα στο στάκτη μας δεν είναι ιδιόκτητο. Το ανταγωνιστικό πλεονέκτημα είναι η απόφαση να ξανασχεδιάσετε όλα γύρω από αυτά τα εργαλεία και η willingness να απορροφήσετε το κόστος.

Χτίσαμε μια πλατφόρμα πρακτόρων. Οι πρακτόρες ξαναχτίσανε. Αυτή είναι η αρχή σχεδίασης. Η αγκίστρα σφίγγει ημέρα με ημέρα.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν CREAO.