Peter Pang, Co-Fondateur et CTO de CREAO – Série d’entretiens

Peter Pang, Co-Fondateur et CTO de CREAO, apporte une solide expérience dans la recherche en intelligence artificielle et les infrastructures d’apprentissage automatique dans l’émergent espace de l’IA agente. Avant de lancer CREAO en 2025, Pang a passé près de six ans chez Meta en tant que scientifique de recherche travaillant sur des initiatives d’IA générative liées aux modèles de base LLaMA, y compris les systèmes d’IA agente pour l’annotation de données et la génération de données synthétiques. Auparavant, il a travaillé chez Apple (AAPL ) en tant qu’ingénieur en apprentissage automatique axé sur le traitement du langage naturel, l’apprentissage par transfert, l’apprentissage profond et les systèmes prédictifs, tandis que ses premières années au Laboratoire national de Brookhaven l’ont exposé à la recherche scientifique avancée et aux systèmes expérimentaux. Son expérience dans la recherche en intelligence artificielle de pointe, l’apprentissage automatique à grande échelle et les systèmes autonomes façonne désormais la vision technique de CREAO pour construire des agents d’IA capables d’exécution persistante, de mémoire et d’automatisation de workflow.

CREAO est une plate-forme native IA qui aide les individus et les entreprises à créer des agents et des flux de travail autonomes grâce au langage naturel plutôt que par la programmation traditionnelle. L’entreprise positionne son « Super Agent » comme un système d’IA persistant capable de générer non seulement des sorties, mais également de convertir des tâches réussies en agents réutilisables qui peuvent fonctionner en continu avec une mémoire, une planification et des intégrations avec des outils et des API externes. La plate-forme de CREAO prend en charge les principaux modèles d’IA de pointe, notamment OpenAI, Anthropic, Google (GOOGL ) et d’autres, tout en mettant l’accent sur un modèle d’exploitation d’IA première où les agents traitent de plus en plus l’exécution opérationnelle au lieu de servir d’assistants à court terme. Fondée à Palo Alto, l’entreprise se concentre sur le développement de flux de travail d’IA agente, d’automatisation sans code et d’orchestration d’IA évolutives pour les entreprises et les professionnels indépendants.

Vous avez passé près de six ans chez Meta en travaillant sur les modèles de base LLaMA et les systèmes d’IA agente pour la génération de données synthétiques après des rôles d’apprentissage automatique chez Apple et des travaux de recherche au Laboratoire national de Brookhaven. Qu’est-ce qui vous a convaincu que c’était le bon moment pour co-fonder Creao AI, et quel problème les plates-formes d’IA existantes ne parvenaient-elles pas à résoudre ?

À Meta, j’ai vu la capacité des modèles s’améliorer considérablement avec chaque génération. J’ai travaillé sur la mise à l’échelle de LLaMA. J’ai vu ce que ces modèles pouvaient faire dans des environnements contrôlés. L’écart qui s’élargissait sans cesse n’était pas dans ce que les modèles pouvaient accomplir — c’était dans ce que les gens en tiraient réellement.

Chaque plate-forme offrait la même interface : une fenêtre de chat. Vous demandez, elle répond, vous faites le travail. L’IA est un contractant qui oublie tout entre les tâches. Vous la relancez demain. Le système n’apprend rien entre les exécutions. Votre entreprise reste la même.

C’était le problème. Pas l’intelligence du modèle. L’exécution. Personne ne construisait le système où l’IA pouvait mener une tâche de la conversation à l’exécution, la persister et la répéter sans intervention humaine.

Mon expérience en physique m’a appris à penser en termes de systèmes, et non de composants. Au Laboratoire national de Brookhaven et grâce à mon doctorat à Stony Brook, j’ai passé des années à construire des pipelines expérimentaux où l’instrument, la collecte de données et l’analyse devaient fonctionner comme une boucle fermée, ou les résultats n’auraient rien signifié. Chez Apple, j’ai travaillé sur des modèles multimodaux et j’ai vu le même schéma : une capacité brute sans système autour ne se cumule pas.

Lorsque Kai et moi avons commencé à discuter de CREAO, la thèse était spécifique : l’industrie n’a pas besoin d’un autre chatbot. Elle a besoin d’une boucle fermée — une IA qui construit des outils, les exécute et s’améliore avec le temps. Les modèles étaient enfin suffisamment bons. Personne ne construisait la boucle.

CREAO se décrit comme une plate-forme où l’IA peut à la fois construire des outils et exécuter des tâches de manière autonome. Comment définissez-vous la différence entre un véritable système d’IA « en boucle fermée » et la vague d’agents d’IA qui inondent actuellement le marché ?

Un copilote est assis à côté de vous. Vous conduisez, il suggère. Si vous vous endormez, le copilote ne fait rien.

Un système en boucle fermée complète le cycle entier : observer, agir, apprendre, améliorer. L’humain définit le résultat. Le système gère l’exécution, la persistance et l’itération.

Chez CREAO, nous pensons à cela comme un système de harnais. Un agent unique peut rédiger un e-mail, trier un bogue ou résumer un rapport. Mais un agent unique ne se cumule pas. Il s’exécute, produit une sortie et s’arrête. Un système de harnais s’enroule autour des agents et les transforme d’outils à usage unique en un moteur d’amélioration continue. Il suit une boucle : Connexion, Audit, Solutions, Construction, Auto-amélioration. Le système se connecte à vos véritables sources de données — vos référentiels, vos journaux d’erreurs, vos comptes publicitaires. Il évalue l’état actuel. Il propose des solutions. Des agents sont construits pour exécuter ces solutions. Les sorties sont réinjectées. Un nouveau cycle d’audit commence. La boucle se resserre.

C’est structurellement différent de « J’ai un agent qui fait X ». C’est un système qui découvre ce que X devrait être, le construit, le mesure et l’évolue sans que vous lui demandiez de le faire.

La plupart des copilotes sont assistés par l’IA. Un système en boucle fermée est exploité par l’IA. C’est la ligne de démarcation.

Votre récent post sur « l’ingénierie de harnais » et les organisations à l’IA première a généré une attention massive en ligne. Qu’est-ce qui vous a le plus surpris dans la réaction à l’idée que 99 % du code de production de CREAO est désormais écrit par l’IA ?

Le post a atteint 1,8 million de vues. Je l’ai écrit comme documentation pour notre équipe — un enregistrement de la façon dont nous avons réorganisé et de ce que nous avons appris. Je ne m’attendais pas à ce type de portée.

Ce qui m’a le plus surpris, c’est la division des réactions. Un camp a déclaré que c’était irresponsable, que l’on ne peut pas faire confiance au code généré par l’IA en production. L’autre camp a dit : « Nous voyons exactement la même chose et personne n’en parle. »

Ce deuxième groupe m’a dit quelque chose d’important. Il y a des équipes partout dans l’industrie qui passent silencieusement par cette transition. Un journaliste avec qui j’ai parlé m’a dit qu’il avait parlé à environ cinq personnes sur ce sujet. Il a dit que nous étions plus avancés que quiconque : « Je ne pense pas que quiconque ait entièrement reconstruit son flux de travail comme nous l’avons fait. »

Le pourcentage de 99 % semble provocateur, mais c’est simplement le résultat de la suppression des goulets d’étranglement humains un par un. Lorsque vous concevez l’architecture de telle sorte que les agents puissent voir l’ensemble du codebase — nous avons unifié tout en un seul référentiel monorepo spécifiquement pour que l’IA puisse tout voir — et que votre pipeline CI/CD comporte six phases déterministes, et trois passes de révision par l’IA pour détecter les problèmes de qualité, de sécurité et de dépendance sur chaque PR, et que votre boucle auto-réparatrice détecte les erreurs, les trie et vérifie les correctifs automatiquement — le rôle humain passe de l’écriture de code à la conception du système qui régit la façon dont les agents écrivent le code. Le volume de code suit naturellement.

Ce qui m’a le plus surpris, c’est que plus de CTO ne disent pas cela publiquement. Je pense que beaucoup le font mais ont peur de la perception.

Dans votre article, vous soutenez que la plupart des entreprises sont encore « assistées par l’IA » plutôt que véritablement « premières en IA ». Quels sont les plus grands malentendus que les équipes de direction ont lorsqu’elles pensent déjà opérer comme des organisations natives en IA ?

Je vois des équipes prétendre être premières en IA tout en exécutant les mêmes cycles de sprint, les mêmes tableaux Jira, les mêmes réunions hebdomadaires, les mêmes validations QA. Ils ont ajouté l’IA à la boucle. Ils n’ont pas reconstruit la boucle.

Le plus grand malentendu : « Nous utilisons des outils d’IA, nous sommes donc premiers en IA ». Un ingénieur ouvre Cursor. Un PM rédige des spécifications avec ChatGPT. QA expérimente la génération de tests d’IA. Le flux de travail reste le même. L’efficacité augmente de 10 à 20 pour cent. Rien ne change structurellement. C’est assisté par l’IA.

Le test : si vous supprimiez tous les outils d’IA demain, votre processus devrait-il changer, ou seulement vos outils ? Si le processus reste le même, vous n’êtes pas premiers en IA.

Le deuxième malentendu est que l’IA première est une décision d’ingénierie. Si l’ingénierie expédie des fonctionnalités en quelques heures mais que le marketing met une semaine pour les annoncer, le marketing est le goulet d’étranglement. Si l’équipe produit exécute toujours un cycle de planification mensuel, la planification est le goulet d’étranglement. Chez CREAO, nous avons poussé les opérations natives en IA dans chaque fonction : notes de version générées à partir de journaux de modification, vidéos d’introduction de fonctionnalités créées par l’IA, médias sociaux orchestrés et auto-publiés, rapports de santé générés à partir de bases de données de production. L’ingénierie, le produit, le marketing et la croissance fonctionnent dans un flux de travail natif en IA. Si une fonction opère à la vitesse de l’agent et une autre à la vitesse humaine, la fonction à vitesse humaine contraint tout.

Le troisième malentendu est que cette transition peut être progressive. Une version courante de cela est ce que les gens appellent la programmation par intuition. Ouvrez Cursor, faites des prompts jusqu’à ce que quelque chose fonctionne, commitez, répétez. Cela produit des prototypes. Un système de production nécessite de la stabilité, de la fiabilité et de la sécurité. Vous avez besoin d’un système qui garantit ces propriétés lorsque l’IA écrit le code. Vous construisez le système. Les prompts sont jetables.

Vous avez écrit que la véritable percée est survenue lorsque CREAO a reconstruit tout son flux de travail d’ingénierie autour des agents d’IA au lieu de simplement ajouter des outils d’IA aux processus existants. Quelle partie de cette transition a été la plus difficile opérationnellement ou culturellement pour l’équipe ?

Les deux, mais ce sont des difficultés différentes.

Opérationnellement, la décision la plus difficile a été d’unifier le codebase. Notre ancienne architecture était éparpillée sur plusieurs systèmes indépendants. Un seul changement pouvait nécessiter de toucher trois ou quatre référentiels. Pour un ingénieur humain, gérable. Pour un agent d’IA, opaque. L’agent ne peut pas voir l’image complète. Il ne peut pas raisonner sur les implications entre services. Il ne peut pas exécuter des tests d’intégration localement.

J’ai passé une semaine à concevoir le nouveau système et une autre semaine à réarchitecturer l’ensemble du codebase à l’aide d’agents. C’était un appel audacieux. S’il échouait, nous aurions un référentiel monorepo cassé et un référentiel multi-repo cassé. Mais le principe est clair : plus vous tirez votre système dans une forme que l’agent peut inspecter, valider et modifier, plus vous obtenez de levier. Un codebase fragmenté est invisible pour les agents. Un codebase unifié est lisible.

Culturellement, la partie la plus difficile a été l’identité. Les ingénieurs trouvent leur valeur dans le code qu’ils écrivent. Lorsque l’IA écrit 99 % du code, la question devient : quelle est ma tâche maintenant ? Ce n’est pas une question de processus. C’est existentiel.

Je ne prétendrai pas que tout le monde était heureux. Lorsque j’ai arrêté de parler aux gens tous les jours parce que mon temps de gestion est passé de 60 % à moins de 10 %, certains membres de l’équipe se sont sentis incertains. Que signifie le fait que le CTO ne leur parle plus ? Quelle est ma valeur dans ce nouveau monde ? Ce sont des préoccupations raisonnables. Certaines personnes passent plus de temps à débattre de savoir si l’IA peut faire leur travail que de faire le travail.

Mais une fois que les gens ont expérimenté le nouveau flux de travail — où leur tâche est passée de la saisie de code à la conception de systèmes, à la définition de SOP, à la construction de boucles de rétroaction — la plupart ont trouvé cela plus engageant sur le plan intellectuel. Les ingénieurs qui ont eu le plus de mal étaient ceux dont l’identité était la plus étroitement liée à l’acte d’écriture de code. Ceux qui s’adaptent le plus rapidement sont ceux qui se voient d’abord comme des solveurs de problèmes et ensuite comme des codeurs.

L’une des observations les plus controversées dans votre pièce était que les ingénieurs juniors s’adaptent plus rapidement que les ingénieurs seniors dans ce nouvel environnement. Pourquoi pensez-vous que l’adaptabilité devient plus importante que l’expérience technique accumulée dans les équipes d’ingénierie d’IA première ?

J’ai remarqué un schéma que je ne m’attendais pas. Les ingénieurs juniors avec moins de pratique traditionnelle se sentaient habilités. Ils avaient accès à des outils qui amplifiaient leur impact. Ils n’avaient pas à déconstruire une décennie d’habitudes.

Les ingénieurs seniors avec une pratique traditionnelle solide ont eu le plus de mal. Deux mois de leur travail pouvaient être réalisés en une heure par l’IA. C’est une chose difficile à accepter après des années de construction d’un ensemble de compétences rares.

La raison est structurelle. L’expertise d’un ingénieur senior réside dans l’exécution mécanique du code — la navigation dans des systèmes complexes, la rédaction d’implémentations optimisées, la réalisation d’examen approfondis. Ces compétences ont été acquises au fil des ans et elles sont réelles. Mais dans un environnement d’IA première, la compétence mécanique d’écriture de code est la partie qui est automatisée. Ce qui reste — et devient plus précieux — est la capacité d’évaluer, de critiquer et de diriger l’IA.

J’ai un doctorat en physique. La chose la plus utile que mon doctorat m’a enseignée est comment remettre en question les hypothèses, tester les arguments et chercher ce qui manque. La capacité de critiquer l’IA est plus précieuse que la capacité de produire du code. Pouvez-vous regarder une proposition d’architecture et voir le mode d’échec que l’agent a manqué ? Pouvez-vous regarder une interface utilisateur générée et savoir qu’elle est incorrecte avant que l’utilisateur vous le dise ?

Les ingénieurs juniors n’avaient jamais de solide expertise mécanique à abandonner. Ils ont simplement appris la nouvelle chose.

Je ne porte pas de jugement. Je décris ce que j’ai observé. La séniorité est toujours un avantage — la pensée architecturale profonde, l’intuition de conception de systèmes — mais seulement si l’ingénieur senior est prêt à opérer à une autre altitude. Dans cette transition, l’adaptabilité compte plus que la compétence accumulée.

CREAO a reconstruit son infrastructure autour de référentiels monorepo, de pipelines CI/CD automatisés, de systèmes de révision par l’IA et de boucles auto-réparatrices qui intègrent des outils comme CloudWatch, Sentry, Linear et Claude. À quel point sommes-nous proches d’un avenir où les systèmes logiciels s’entretiennent et se réparent largement eux-mêmes ?

Nous exécutons une boucle auto-réparatrice en production en ce moment. Laissez-moi décrire ce qu’elle fait réellement.

Chaque matin à 9h00 UTC, un flux de travail de santé automatisé s’exécute. Claude Sonnet interroge CloudWatch, analyse les modèles d’erreurs à travers tous les services et génère un résumé de santé exécutif livré à l’équipe. Personne ne l’a demandé. Une heure plus tard, le moteur de triage regroupe les erreurs de production à partir de CloudWatch et Sentry, les note sur neuf dimensions de gravité — impact utilisateur, vitesse, rayon d’explosion, criticité commerciale et cinq autres — et génère automatiquement des tickets d’investigation dans Linear avec des journaux d’exemple, des points de terminaison affectés et des chemins d’investigation suggérés.

Lorsqu’un ingénieur pousse une correction, le même pipeline la gère. Trois passes de révision par l’IA évaluent le PR — qualité de code, sécurité et analyse de dépendance. La validation CI passe par un pipeline à six phases. Après le déploiement, le moteur de triage vérifie à nouveau. Si les erreurs d’origine sont résolues, le ticket se ferme automatiquement.

En plus de cela, nous avons construit ce que nous appelons le Harnais d’agent. Un panel d’arbitrage à trois juges — un juge Anthropic, un juge OpenAI, un juge Google — note chaque réponse d’agent en direct. Lorsque les notes baissent, une pipeline d’ingénierie à six tâches transforme ces notes faibles en tickets Linear, en brouillons de PR et en correctifs vérifiés. Et pour les changements majeurs, des déploiements gris à l’IA routent 10 % du trafic vers la nouvelle variante et la promeuvent à 20 %, 50 %, 100 % seulement si les notes sont maintenues.

Nous n’avons pas d’équipe de QA. Nous n’avons pas d’environnement de préproduction. Personne ne lit les transcriptions et ne note les réponses des agents à la main.

Alors, à quel point sommes-nous ? Plus proches que la plupart des gens le pensent pour les domaines contraints — modèles d’erreurs connus, régressions, dérive de configuration. Je dirais que 70 à 80 % de la maintenance de production peut fonctionner de cette façon avec la bonne infrastructure. La partie qui nécessite encore des humains est les défaillances ambigües où l’architecture elle-même pourrait être incorrecte, ou où la correction nécessite de comprendre une décision commerciale non codée dans le système.

La prise pratique : vous n’avez pas à attendre la perfection. Même une auto-réparation partielle change considérablement la dynamique d’équipe.

Vous avez décrit un avenir où les « entreprises à une personne » pourraient devenir courantes à mesure que les agents d’IA remplacent de grandes équipes opérationnelles. Quels types de sociétés ou d’industries pensez-vous ressentiront ce changement en premier ?

Les sociétés où le rapport entre la charge opérationnelle et la création de valeur est le plus élevé.

Je crois que les entreprises à une personne deviendront courantes. Si un architecte avec des agents peut faire le travail de 100 personnes, de nombreuses entreprises n’auront pas besoin d’un deuxième employé. La capacité du modèle est l’horloge qui conduit cela. J’attribue l’ensemble du changement chez CREAO aux deux derniers mois. Opus 4.5 ne pouvait pas faire ce que Opus 4.6 fait. Les modèles de prochaine génération accéléreront cela encore plus.

Le changement frappe d’abord partout où le travail est numérique, répétitif et où les boucles de rétroaction sont claires. Production de contenu, opérations marketing, commerce électronique, outils de développement, agences numériques. Si votre entreprise est fondamentalement axée sur la prise d’informations, leur transformation et leur distribution, un système de harnais peut gérer la plupart de cette boucle.

Nous le voyons sur notre propre plate-forme. Nous décrivons des cas d’utilisation spécifiques dans notre travail : un fondateur solo connecte GitHub, Sentry et CloudWatch. Le système audite les journaux d’erreurs, la fréquence de déploiement et la santé de l’infrastructure. À partir de cette analyse, il construit un agent de triage de bogues, un agent de découverte de fonctionnalités, un pipeline de génération de contenu, une boucle d’optimisation d’infrastructure. Chaque agent s’exécute, produit une sortie et change l’état. Le cycle suivant, l’analyse voit une image différente. Le système a trouvé les nouvelles solutions. Le fondateur ne les a pas planifiées.

Chez CREAO, nous exécutons nos propres opérations de cette façon. Un agent a remplacé un flux de travail SEO à trois personnes en une nuit. Un autre a exécuté un pipeline de contenu pendant deux jours avant que quiconque ne vérifie la sortie. La sortie était mauvaise, et nous l’avons tuée. Les deux choses se sont produites la même semaine. Nous nous appelons les cobayes de l’avenir du travail.

Les industries qui ressentiront cela en dernier : les soins de santé, la fabrication lourde, le droit — partout où le travail est physique, fortement réglementé ou nécessite un jugement humain dans chaque décision. Mais même là, les couches administratives se compresseront.

CREAO a récemment levé 10 millions de dollars menés par Prosperity7 Ventures, la branche de capital-risque de Saudi Aramco. Au-delà du financement lui-même, quelles opportunités stratégiques cette association ouvre-t-elle pour l’entreprise à mesure que les agents d’IA autonomes deviennent plus axés sur l’entreprise ?

Prosperity7 gère un fonds diversifié de 3 milliards de dollars et opère dans la Silicon Valley, au Moyen-Orient et en Asie. Ils ont construit un portefeuille couvrant l’infrastructure d’IA d’entreprise — Arcee AI, Spirit AI et d’autres. L’ajustement stratégique va au-delà du capital.

Leur thèse correspondait à la nôtre. Comme l’a déclaré publiquement Raed Twaily, leur directeur général exécutif : « À mesure que l’adoption de l’IA mûrit, l’attention se déplace des modèles vers l’exécution. Creao AI construit la couche d’infrastructure qui permet aux agents de fonctionner de manière autonome, fiable et continue. » C’est exactement ce que nous croyons. Le marché des agents d’IA devrait atteindre 52 milliards de dollars d’ici 2030. Les entreprises qui capturent la valeur réelle ne seront pas celles avec le meilleur modèle. Ce seront celles avec la meilleure couche d’exécution.

Pratiquement, les 10 millions de dollars — portant notre total à 25 millions de dollars sur trois tours en moins d’un an — accélèrent trois choses. Premièrement, la profondeur d’ingénierie. Nous élargissons l’équipe pour gérer les intégrations d’entreprise et la collaboration entre agents. Le harnais auto-réparateur, le panel d’arbitrage à trois juges, le système de déploiement à l’IA — ceux-ci doivent fonctionner à l’échelle de l’entreprise, et non seulement pour une équipe de 25 personnes. Deuxièmement, la portée géographique. La présence de Prosperity7 au Moyen-Orient et en Asie ouvre des marchés où l’adoption d’IA autonome s’accélère plus vite que la plupart des gens de la Silicon Valley ne le réalisent. Troisièmement, la crédibilité institutionnelle. Lorsque vous demandez aux entreprises de faire confiance à des agents qui exécutent leurs opérations en continu, le soutien compte.

Nous avons levé 25 millions de dollars en moins d’un an avec zéro marketing payant et 200 000 utilisateurs grâce à l’adoption organique. Cette vitesse reflète la conviction du marché que la couche d’exécution est le prochain champ de bataille.

En regardant vers l’avenir, qu’est-ce que le succès signifie pour CREAO au cours des prochaines années ? Est-ce que la vision à long terme est de construire de meilleurs agents d’IA, ou êtes-vous finalement en train de redéfinir la façon dont les entreprises elles-mêmes sont structurées et exploitées ?

Les deux. Et ils sont inséparables.

À court terme, le succès signifie prouver que le modèle en boucle fermée fonctionne à grande échelle. Nous avons 200 000 utilisateurs qui sont arrivés par adoption organique depuis notre lancement en septembre 2025. Nous expédions en production trois à huit fois par jour. Nous exécutons notre propre ingénierie, marketing et opérations sur le harnais. L’étape suivante consiste à démontrer que les entreprises de toutes tailles peuvent fonctionner de la même manière.

Mais de meilleurs agents ne sont pas le jeu. Le jeu est le harnais — le système autour des agents.

Un agent est un outil. Un système de harnais est un volant. Plus il tourne, plus il se resserre. Plus de données il voit, meilleures sont ses audits. Meilleurs sont ses audits, plus pointues sont ses solutions. Plus pointues sont ses solutions, plus impactants sont ses agents. Plus impactants sont ses agents, plus les données changent. Et la boucle continue.

Le modèle du 20e siècle d’une entreprise est une hiérarchie d’humains organisés en départements, chacun avec des gestionnaires, chacun avec des processus conçus pour le débit humain. Lorsque les agents peuvent exécuter de manière fiable la plupart des tâches opérationnelles, ce modèle ne devient pas seulement plus efficace — il commence à devenir inutile.

Tout le monde sait que l’IA promet une explosion de productivité. Mais l’industrie est piégée dans deux pièges. Si les humains exploitent toujours les outils d’IA étape par étape, la productivité atteint un plafond. Et si les humains sont toujours les seuls à construire les outils, la véritable révolution n’a pas commencé. Nous construisons le système où l’IA fait les deux : construit les outils et les exécute.

La plupart des fondateurs avec qui je parle opèrent encore de la manière traditionnelle. Certains pensent à faire le changement. Très peu l’ont fait. Les outils existent pour que n’importe quelle équipe puisse le faire. Rien dans notre pile n’est propriétaire. L’avantage concurrentiel est la décision de tout reconstruire autour de ces outils, et la volonté d’absorber le coût.

Nous avons construit une plate-forme d’agent. Les agents l’ont reconstruite. C’est le principe de conception. Le harnais se resserre jour après jour.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter CREAO.