Peter Pang, Co-Fundador y CTO de CREAO – Serie de Entrevistas

Peter Pang, Co-Fundador y CTO de CREAO, aporta una profunda experiencia en investigación de inteligencia artificial y infraestructura de aprendizaje automático al espacio de inteligencia artificial agente en surgimiento. Antes de lanzar CREAO en 2025, Pang pasó casi seis años en Meta como Científico de Investigación trabajando en iniciativas de inteligencia artificial generativa relacionadas con los modelos de fundamentos LLaMA, incluidos sistemas de LLM agente para anotación de datos y generación de datos sintéticos. Antes de Meta, trabajó en Apple (AAPL ) como Ingeniero de Aprendizaje Automático centrado en NLP, aprendizaje de transferencia, aprendizaje profundo y sistemas predictivos, mientras que sus primeros años en Brookhaven National Laboratory lo expusieron a investigaciones científicas avanzadas y sistemas experimentales. Su experiencia en investigación de inteligencia artificial de vanguardia, aprendizaje automático a gran escala y sistemas autónomos ahora da forma a la visión técnica de CREAO de construir agentes de inteligencia artificial capaces de ejecución persistente, memoria y automatización de flujo de trabajo.

CREAO es una plataforma nativa de inteligencia artificial centrada en ayudar a individuos y empresas a crear agentes y flujos de trabajo de inteligencia artificial autónomos a través del lenguaje natural en lugar de la codificación tradicional. La empresa posiciona su “Super Agente” como un sistema de inteligencia artificial persistente capaz de no solo generar salidas, sino también de convertir tareas exitosas en agentes reutilizables que pueden operar continuamente con memoria, programación y integraciones a través de herramientas y API externas. La plataforma de CREAO admite modelos de inteligencia artificial de vanguardia importantes, incluidos OpenAI, Anthropic, Google (GOOGL ) y otros, mientras enfatiza un modelo de operación de inteligencia artificial en el que los agentes manejan cada vez más la ejecución operativa en lugar de servir como asistentes de una sola vez. Fundada en Palo Alto, la empresa se centra en avanzar en flujos de trabajo de inteligencia artificial agente, automatización sin código y orquestación de inteligencia artificial escalable para empresas y profesionales independientes.

Pasaste casi seis años en Meta trabajando en modelos de fundamentos LLaMA y sistemas agente para generación de datos sintéticos después de roles de aprendizaje automático anteriores en Apple y trabajo de investigación en Brookhaven National Laboratory. ¿Qué te convenció de que era el momento adecuado para co-fundar Creao AI, y qué problema sentiste que las plataformas de inteligencia artificial existentes aún no estaban resolviendo?

En Meta, presencié cómo la capacidad del modelo mejoraba dramáticamente con cada generación. Trabajé en la escalabilidad de LLaMA. Vi lo que estos modelos podían hacer en entornos controlados. La brecha que se ampliaba constantemente no estaba en lo que los modelos podían lograr, sino en lo que la gente realmente obtenía de ellos.

Cada plataforma te daba la misma interfaz: una ventana de chat. Preguntas, responde, haces el trabajo. La inteligencia artificial es un contratista que olvida todo entre turnos. Lo ejecutas de nuevo al día siguiente. El sistema no aprende nada entre ejecuciones. Tu negocio sigue siendo el mismo.

Ese era el problema. No la inteligencia del modelo. La ejecución. Nadie estaba construyendo el sistema donde la inteligencia artificial pudiera tomar un resultado desde la conversación hasta la ejecución, persistirlo y repetirlo sin un humano en el bucle.

Mi formación en física me enseñó a pensar en sistemas, no en componentes. En Brookhaven y a través de mi doctorado en Stony Brook, pasé años construyendo pipelines experimentales donde el instrumento, la recopilación de datos y el análisis tenían que funcionar como un bucle cerrado o los resultados no significaban nada. En Apple, trabajé en modelos multimodales y vi el mismo patrón: la capacidad bruta sin un sistema alrededor no se acumula.

Cuando Kai y yo comenzamos a hablar sobre CREAO, la tesis fue específica: la industria no necesita otro chatbot. Necesita un bucle cerrado, inteligencia artificial que construya herramientas, las ejecute y mejore con el tiempo. Los modelos finalmente eran lo suficientemente buenos. Nadie estaba construyendo el bucle.

CREAO describe su plataforma como un lugar donde la inteligencia artificial puede construir herramientas y ejecutar trabajo de forma autónoma. ¿Cómo defines la diferencia entre un sistema de inteligencia artificial de “bucle cerrado” y la ola de copilotos de inteligencia artificial que actualmente inunda el mercado?

Un copiloto se sienta a tu lado. Tú conduces, él sugiere. Si te duermes, el copiloto no hace nada.

Un sistema de bucle cerrado completa el ciclo completo: observa, actúa, aprende, mejora. El humano define el resultado. El sistema maneja la ejecución, la persistencia y la iteración.

En CREAO, pensamos en esto como un sistema de arnés. Un agente único puede redactar un correo electrónico, triage un error o resumir un informe. Pero un agente individual no se acumula. Se ejecuta, produce una salida y se detiene. Un sistema de arnés se envuelve alrededor de los agentes y los convierte de herramientas de un solo disparo en un motor de mejora continua. Sigue un bucle: Conexión, Auditoría, Soluciones, Construcción, Auto-mejora. El sistema se conecta a tus fuentes de datos reales, tus repositorios, tus registros de errores, tus cuentas de publicidad. Evalúa el estado actual. Propone soluciones. Se construyen agentes para ejecutar esas soluciones. Las salidas se retroalimentan. Comienza una nueva ronda de auditoría. El bucle se ajusta.

Eso es estructuralmente diferente a “Tengo un agente que hace X”. Esto es un sistema que descubre qué debería ser X, construye X, mide X y evoluciona X sin que tú se lo digas.

La mayoría de los copilotos son asistidos por inteligencia artificial. Un bucle cerrado es operado por inteligencia artificial. Esa es la línea divisoria.

Tu publicación reciente sobre “ingeniería de arnés” y organizaciones de inteligencia artificial de primer nivel generó una gran atención en línea. ¿Qué te sorprendió más sobre la reacción a la idea de que el 99% del código de producción en CREAO ahora es escrito por inteligencia artificial?

La publicación alcanzó 1,8 millones de visitas. La escribí como documentación para nuestro equipo, un registro de cómo reestructuramos y qué aprendimos. No esperaba ese tipo de alcance.

Lo que me sorprendió fue la división en reacciones. Un grupo dijo que esto era irresponsable, que no puedes confiar en el código generado por inteligencia artificial en producción. El otro grupo dijo: “Estamos viendo exactamente lo mismo y nadie está hablando de ello”.

Ese segundo grupo me dijo algo importante. Hay equipos en toda la industria que están pasando silenciosamente por esta transición. Un reportero con quien hablé me dijo que había hablado con alrededor de cinco personas sobre este tema. Me dijo que estábamos más avanzados que nadie: “No creo que nadie haya reconstruido completamente su flujo de trabajo como lo hemos hecho”.

El número del 99% suena provocativo, pero es solo el resultado de eliminar cuellos de botella humanos uno a uno. Cuando diseñamos la arquitectura para que los agentes puedan ver la base de código completa, unificamos todo en un solo monorepo específicamente para que la inteligencia artificial pueda ver todo, y nuestro pipeline de CI/CD tiene seis fases determinísticas, y tres pasos de revisión de inteligencia artificial paralelos capturan calidad, seguridad y problemas de dependencia en cada PR, y nuestro bucle de auto-mejora detecta errores, los triage y verifica soluciones automáticamente, el papel humano se desplaza de escribir código a diseñar el sistema que gobierna cómo los agentes escriben el código. El volumen de código sigue naturalmente.

Lo que me sorprendió más es que más directores de tecnología no estén diciendo esto públicamente. Creo que muchos lo están haciendo pero tienen miedo de la percepción.

En tu artículo, argumentas que la mayoría de las empresas aún están “asistidas por inteligencia artificial” en lugar de ser verdaderamente “de primer nivel en inteligencia artificial”. ¿Cuáles son los mayores malentendidos que los equipos de liderazgo tienen cuando creen que ya están operando como organizaciones nativas de inteligencia artificial?

Veo a equipos que afirman ser de primer nivel en inteligencia artificial mientras ejecutan los mismos ciclos de sprint, las mismas tablas de Jira, las mismas reuniones semanales, las mismas aprobaciones de QA. Agregaron inteligencia artificial al bucle. No rediseñaron el bucle.

El mayor malentendido: “Usamos herramientas de inteligencia artificial, por lo tanto somos de primer nivel en inteligencia artificial”. Un ingeniero abre Cursor. Un PM redacta especificaciones con ChatGPT. QA experimenta con generación de pruebas de inteligencia artificial. El flujo de trabajo sigue siendo el mismo. La eficiencia aumenta un 10 a un 20 por ciento. Nada cambia estructuralmente. Eso es asistido por inteligencia artificial.

La prueba: si eliminaras todas las herramientas de inteligencia artificial mañana, ¿tendría que cambiar tu proceso o solo tus herramientas? Si el proceso sigue siendo el mismo, no eres de primer nivel en inteligencia artificial.

El segundo malentendido es que ser de primer nivel en inteligencia artificial es una decisión de ingeniería. Si la ingeniería envía características en horas pero el marketing tarda una semana en anunciarlas, el marketing es el cuello de botella. Si el equipo de producto aún ejecuta un ciclo de planificación mensual, la planificación es el cuello de botella. En CREAO, empujamos operaciones nativas de inteligencia artificial a todas las funciones: notas de lanzamiento generadas a partir de registros de cambios, videos de introducción de características creados por inteligencia artificial, redes sociales orquestadas y autopublicadas, informes de salud generados a partir de bases de datos de producción. Ingeniería, producto, marketing y crecimiento funcionan en un flujo de trabajo nativo de inteligencia artificial. Si una función opera a la velocidad del agente y otra a la velocidad humana, la función de velocidad humana restringe todo.

El tercer malentendido es que esta transición puede ser gradual. Una versión común de esto es lo que la gente llama codificación de vibra. Abre Cursor, haz un prompt hasta que algo funcione, confirma, repite. Eso produce prototipos. Un sistema de producción necesita estabilidad, confiabilidad y seguridad. Necesitas un sistema que garantice esas propiedades cuando la inteligencia artificial escribe el código. Construyes el sistema. Los prompts son desechables.

Escribiste que el verdadero avance llegó cuando CREAO rediseñó todo su flujo de trabajo de ingeniería alrededor de agentes de inteligencia artificial en lugar de simplemente agregar herramientas de inteligencia artificial a procesos existentes. ¿Qué parte de esa transición fue la más difícil operacional o culturalmente para el equipo?

Ambas, pero son diferentes tipos de dificultades.

Operacionalmente, la decisión más difícil fue unificar la base de código. Nuestra arquitectura anterior estaba dispersa en múltiples sistemas independientes. Un solo cambio podría requerir tocar tres o cuatro repositorios. Desde la perspectiva de un ingeniero humano, es manejable. Desde la perspectiva de un agente de inteligencia artificial, es opaco. El agente no puede ver la imagen completa. No puede razonar sobre implicaciones entre servicios. No puede ejecutar pruebas de integración localmente.

Pasé una semana diseñando el nuevo sistema y otra semana re-ingenierizando toda la base de código usando agentes. Fue una llamada audaz. Si fallaba, tendríamos un monorepo roto y un conjunto de repositorios múltiples rotos. Pero el principio es claro: cuanto más de tu sistema puedas llevar a una forma que el agente pueda inspeccionar, validar y modificar, más palanca obtienes. Una base de código fragmentada es invisible para los agentes. Una base de código unificada es legible.

Culturalmente, la parte más difícil fue la identidad. Los ingenieros encuentran su valor en el código que escriben. Cuando la inteligencia artificial escribe el 99% del código, la pregunta se convierte en: ¿cuál es mi trabajo ahora? Eso no es una pregunta de proceso. Eso es existencial.

No pretendo que todos estuvieran felices. Cuando dejé de hablar con la gente todos los días porque mi tiempo de gestión disminuyó del 60% a menos del 10%, algunos miembros del equipo se sintieron inciertos. ¿Qué significa que el CTO no hable conmigo? ¿Cuál es mi valor en este nuevo mundo? Esas son preocupaciones razonables. Algunas personas pasan más tiempo debatiendo si la inteligencia artificial puede hacer su trabajo que haciendo el trabajo.

Pero una vez que la gente experimentó el nuevo flujo de trabajo, donde su trabajo se desplazó de teclear código a diseñar sistemas, definir SOP, construir bucles de retroalimentación, la mayoría encontró que era más intelectualmente atractivo. Los ingenieros que lucharon más fueron aquellos cuya identidad estaba más estrechamente vinculada a la acción de escribir código. Los que se adaptaron más rápidamente vieron que eran solucionadores de problemas primero y codificadores segundo.

Una de las observaciones más controvertidas en tu pieza fue que los ingenieros junior se adaptaron más rápido que los ingenieros senior en este nuevo entorno. ¿Por qué crees que la adaptabilidad se está convirtiendo en más importante que la experiencia técnica acumulada en equipos de ingeniería de inteligencia artificial de primer nivel?

Noté un patrón que no esperaba. Los ingenieros junior con menos práctica tradicional se sintieron empoderados. Tenían acceso a herramientas que amplificaban su impacto. No llevaban una década de hábitos que desaprender.

Los ingenieros senior con una sólida práctica tradicional tuvieron la mayor dificultad. Dos meses de su trabajo podían completarse en una hora por la inteligencia artificial. Eso es algo difícil de aceptar después de años de construir un conjunto de habilidades raras.

La razón es estructural. La experiencia de un ingeniero senior vive en la ejecución mecánica del código, navegar sistemas complejos, escribir implementaciones optimizadas, realizar revisiones exhaustivas. Esas habilidades son reales y se ganaron con los años. Pero en un entorno de primer nivel en inteligencia artificial, la habilidad mecánica de escribir código es la parte que se está automatizando. Lo que queda, y se vuelve más valioso, es la capacidad de evaluar, criticar y dirigir la inteligencia artificial.

Tengo un doctorado en física. Lo más útil que mi doctorado me enseñó fue cómo cuestionar suposiciones, probar argumentos y buscar lo que falta. La capacidad de criticar la inteligencia artificial es más valiosa que la capacidad de producir código. ¿Puedes mirar una propuesta de arquitectura y ver el modo de fallo que el agente pasó por alto? ¿Puedes mirar una interfaz generada y saber que está mal antes de que el usuario te lo diga?

Los ingenieros junior nunca tuvieron una gran experiencia mecánica de la que deshacerse. Simplemente aprendieron la nueva cosa.

No estoy haciendo un juicio. Estoy describiendo lo que observé. La senioridad todavía es una ventaja, el pensamiento arquitectónico profundo, la intuición de diseño de sistemas, pero solo si el ingeniero senior está dispuesto a operar a una altitud diferente. En esta transición, la adaptabilidad importa más que la habilidad acumulada.

CREAO reconstruyó su infraestructura alrededor de monorepos, pipelines de CI/CD automatizados, sistemas de revisión de inteligencia artificial y bucles de auto-sanación que integran herramientas como CloudWatch, Sentry, Linear y Claude. ¿Cuán cerca estamos de un futuro donde los sistemas de software se mantienen y reparan en gran medida por sí mismos?

Ejecutamos un bucle de auto-sanación en producción ahora mismo. Déjame describir lo que realmente hace.

Cada mañana a las 9:00 AM UTC, se ejecuta un flujo de trabajo de salud automatizado. Claude Sonnet consulta CloudWatch, analiza patrones de error en todos los servicios y genera un resumen ejecutivo de salud entregado al equipo. Nadie lo pidió. Una hora después, el motor de triage clustering errores de producción de CloudWatch y Sentry, puntuando cada cluster en nueve dimensiones de gravedad, y auto-genera tickets de investigación en Linear con registros de muestra, puntos de conexión afectados y caminos de investigación sugeridos.

Cuando un ingeniero envía una solución, el mismo pipeline maneja eso. Tres pasos de revisión de Claude evalúan el PR, calidad de código, seguridad y escaneo de dependencias. La validación de CI pasa por un pipeline de seis fases. Después del despliegue, el motor de triage vuelve a verificar. Si los errores originales se resolvieron, el ticket se cierra automáticamente.

Además, construimos lo que llamamos el Arnes de Agente. Un panel de calificación de tres jueces, un juez de Anthropic, un juez de OpenAI, un juez de Google, puntuación de cada respuesta de agente en vivo. Cuando las puntuaciones disminuyen, un pipeline de ingeniería de seis trabajos convierte esas bajas puntuaciones en tickets de Linear, borradores de PR y soluciones verificadas. Y para cambios importantes, despliegues grises de inteligencia artificial enrutados al 10% del tráfico y promovidos a través del 20%, 50%, 100% solo si las puntuaciones se mantienen.

No tenemos un equipo de QA. No tenemos un entorno de staging. Nadie lee transcripciones y puntuaciones de respuestas de agentes a mano.

Así que, ¿cuán cerca estamos? Más cerca de lo que la mayoría de la gente piensa para dominios restringidos, patrones de error conocidos, regresiones, deriva de configuración. Diría que el 70 al 80 por ciento del mantenimiento de producción puede funcionar de esta manera con la infraestructura adecuada. La parte que todavía necesita humanos es la de fallos ambiguos donde la arquitectura en sí podría estar mal, o donde la solución requiere comprender una decisión comercial no codificada en el sistema.

La conclusión práctica: no necesitas esperar a la perfección. Incluso la auto-sanación parcial cambia dramáticamente la dinámica del equipo.

Has descrito un futuro donde las “empresas de una persona” podrían volverse comunes a medida que los agentes de inteligencia artificial reemplazan a grandes equipos operativos. ¿Qué tipos de empresas o industrias crees que sentirán este cambio primero?

Empresas donde la relación entre la sobrecarga operativa y la creación de valor principal es más alta.

Creo que las empresas de una persona se volverán comunes. Si un arquitecto con agentes puede hacer el trabajo de 100 personas, muchas empresas no necesitarán un segundo empleado. La capacidad del modelo es el reloj que impulsa esto. Atribuyo todo el cambio en CREAO a los últimos dos meses. Opus 4.5 no podía hacer lo que Opus 4.6 hace. Los modelos de próxima generación acelerarán esto aún más.

El cambio golpea primero donde el trabajo es digital, repetible y los bucles de retroalimentación son claros. Producción de contenido, operaciones de marketing, comercio electrónico, herramientas de desarrollo, agencias digitales. Si tu negocio es fundamentalmente tomar información, transformarla y distribuirla, un sistema de arnés puede manejar la mayoría de ese bucle.

Lo vemos en nuestra propia plataforma. Describimos casos de uso específicos en nuestro trabajo: un fundador solitario conecta GitHub, Sentry y CloudWatch. El sistema audita registros de error, frecuencia de despliegue y salud de infraestructura. A partir de esa auditoría, construye un agente de triage de errores, un agente de descubrimiento de características, un pipeline de generación de contenido, un bucle de optimización de infraestructura. Cada agente se ejecuta, produce una salida y esa salida cambia el estado. La próxima ronda, la auditoría ve una imagen diferente. El sistema encontró las nuevas soluciones. El fundador no las planeó.

En CREAO, ejecutamos nuestras propias operaciones de esta manera. Un agente reemplazó un flujo de trabajo de SEO de tres personas de la noche a la mañana. Otro ejecutó un pipeline de contenido durante dos días antes de que alguien verificara la salida. La salida era basura y la matamos. Ambas cosas sucedieron en la misma semana. Nos llamamos a nosotros mismos conejillos de indias para el futuro del trabajo.

Industrias que sentirán esto último: atención médica, fabricación pesada, legal, cualquier lugar donde el trabajo sea físico, altamente regulado o requiera juicio humano en cada decisión. Pero incluso allí, las capas administrativas se comprimirán.

CREAO recientemente recaudó $10 millones liderados por Prosperity7 Ventures, el brazo de inversión de Saudi Aramco. Más allá de la financiación en sí, ¿qué oportunidades estratégicas abre esta asociación para la empresa a medida que los agentes de inteligencia artificial autónomos se centran más en la empresa?

Prosperity7 administra un fondo diversificado de $3 mil millones y opera en Silicon Valley, Medio Oriente y Asia. Han construido un portfolio que abarca infraestructura de inteligencia artificial empresarial, Arcee AI, Spirit AI y otros. El ajuste estratégico va más allá del capital.

Su tesis coincidió con la nuestra. Como Raed Twaily, su Director Ejecutivo, dijo públicamente: “A medida que la adopción de inteligencia artificial madura, el enfoque se está desplazando de los modelos a la ejecución. Creao AI está construyendo la capa de infraestructura que permite que los agentes operen de forma autónoma, confiable y continua”. Eso es exactamente lo que creemos. El mercado de agentes de inteligencia artificial se proyecta que alcanzará $52 mil millones para 2030. Las empresas que capturan valor real no serán las que tengan el mejor modelo. Serán las que tengan la mejor capa de ejecución.

Prácticamente, los $10 millones, lo que eleva nuestro total a $25 millones en tres rondas en menos de un año, aceleran tres cosas. Primero, profundidad de ingeniería. Estamos expandiendo el equipo para manejar integraciones de nivel empresarial y colaboración de agente a agente. El arnés de auto-sanación, el panel de calificación de tres jueces, el sistema de despliegue de inteligencia artificial, necesitan funcionar a escala empresarial, no solo para un equipo de 25 personas. Segundo, alcance geográfico. La presencia de Prosperity7 en Medio Oriente y Asia abre mercados donde la adopción de inteligencia artificial autónoma está acelerando más rápido de lo que la mayoría de la gente en Silicon Valley se da cuenta. Tercero, credibilidad institucional. Cuando estás pidiendo a las empresas que confíen en agentes que ejecutan sus operaciones continuamente, el respaldo importa.

Recaudamos $25 millones en menos de un año con cero marketing pagado y 200,000 usuarios a través de adopción orgánica. Esa velocidad refleja la convicción del mercado de que la capa de ejecución es el próximo campo de batalla.

Mirando hacia adelante, ¿qué se considera éxito para CREAO en los próximos años? ¿Es la visión a largo plazo construir mejores agentes de inteligencia artificial o, en última instancia, intentar redefinir cómo se estructuran y operan las empresas?

Ambas. Y son inseparables.

A corto plazo, el éxito significa demostrar que el modelo de bucle cerrado funciona a escala. Tenemos 200,000 usuarios que llegaron a través de la adopción orgánica desde nuestro lanzamiento en septiembre de 2025. Enviamos a producción de tres a ocho veces al día. Ejecutamos nuestra propia ingeniería, marketing y operaciones en el arnés. El próximo paso es demostrar que los negocios de todos los tamaños pueden funcionar de la misma manera.

Pero mejores agentes no son el juego final. El juego final es el arnés, el sistema alrededor de los agentes.

Un agente es una herramienta. Un sistema de arnés es una rueda de volante. Cuanto más se ejecuta, más se ajusta. Cuanto más datos ve, mejor son sus auditorías. Cuanto mejor son sus auditorías, más afiladas son sus soluciones. Cuanto más afiladas son sus soluciones, más impactantes son sus agentes. Cuanto más impactantes son sus agentes, más cambian los datos. Y el bucle continúa.

El modelo del siglo XX de una empresa es una jerarquía de humanos organizados en departamentos, cada uno con gerentes, cada uno con procesos diseñados para el rendimiento humano. Cuando los agentes pueden ejecutar de forma confiable la mayoría del trabajo operativo, ese modelo no solo se vuelve más eficiente, comienza a volverse innecesario.

Todos saben que la inteligencia artificial promete una explosión de productividad. Pero la industria está atrapada en dos trampas. Si los humanos aún operan las herramientas de inteligencia artificial paso a paso, la productividad golpea un techo. Y si los humanos son los únicos que construyen las herramientas, la verdadera revolución no ha comenzado. Estamos construyendo el sistema donde la inteligencia artificial hace ambas cosas: construye las herramientas y las ejecuta.

La mayoría de los fundadores con los que hablo todavía operan de la manera tradicional. Algunos piensan en hacer el cambio. Muy pocos lo han hecho. Las herramientas existen para que cualquier equipo pueda hacer esto. Nada en nuestra pila es propiedad. La ventaja competitiva es la decisión de rediseñar todo alrededor de estas herramientas y la voluntad de absorber el costo. Construimos una plataforma de agente. Los agentes la reconstruyeron. Esa es la principio de diseño. El arnés se ajusta día a día.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar CREAO.