Peter Pang, Co-Founder dan CTO CREAO – Seri Wawancara

Peter Pang, Co-Founder dan CTO CREAO, membawa latar belakang yang dalam dalam penelitian kecerdasan buatan dan infrastruktur pembelajaran mesin ke ruang agen AI yang muncul. Sebelum meluncurkan CREAO pada 2025, Pang menghabiskan hampir enam tahun di Meta sebagai Ilmuwan Peneliti yang bekerja pada inisiatif AI generatif yang terkait dengan model fondasi LLaMA, termasuk sistem agen LLM untuk anotasi data dan generasi data sintetis. Sebelumnya, dia bekerja di Apple (AAPL ) sebagai Insinyur Pembelajaran Mesin yang fokus pada NLP, pembelajaran transfer, pembelajaran dalam, dan sistem prediktif, sementara tahun-tahun awalnya di Brookhaven National Laboratory memperkenalkannya pada penelitian ilmiah lanjutan dan sistem eksperimental. Pengalaman luasnya dalam penelitian AI pionir, pembelajaran mesin skala besar, dan sistem otonom sekarang membentuk visi teknis CREAO untuk membangun agen AI yang mampu eksekusi persisten, memori, dan otomatisasi alur kerja.

CREAO adalah platform AI-asli yang fokus membantu individu dan bisnis membuat agen AI otonom dan alur kerja melalui bahasa alami daripada pengkodean tradisional. Perusahaan ini memposisikan “Super Agen” sebagai sistem AI persisten yang tidak hanya dapat menghasilkan output, tetapi juga mengubah tugas yang sukses menjadi agen yang dapat diulang yang dapat beroperasi terus menerus dengan memori, penjadwalan, dan integrasi dengan alat dan API eksternal. Platform CREAO mendukung model AI pionir utama termasuk OpenAI, Anthropic, Google (GOOGL ), dan lain-lain, sambil menekankan model operasi AI-pertama di mana agen semakin menangani eksekusi operasional bukan sebagai asisten satu kali. Didirikan di Palo Alto, perusahaan ini fokus pada kemajuan alur kerja AI agen, otomatisasi tanpa kode, dan orkestrasi AI yang dapat diskalakan untuk bisnis dan profesional independen.

Anda menghabiskan hampir enam tahun di Meta bekerja pada model fondasi LLaMA dan sistem agen untuk generasi data sintetis setelah peran pembelajaran mesin sebelumnya di Apple dan penelitian di Brookhaven National Laboratory. Apa yang membuat Anda yakin bahwa saat itu adalah saat yang tepat untuk mendirikan CREAO, dan apa masalah yang Anda rasakan platform AI yang ada belum berhasil pecahkan?

Di Meta, saya menyaksikan kemampuan model meningkat dramatis dengan setiap generasi. Saya bekerja pada penskalaan LLaMA. Saya melihat apa yang dapat dilakukan model tersebut dalam pengaturan yang terkendali. Celah yang terus melebar bukanlah pada apa yang dapat dilakukan model — tetapi pada apa yang orang benar-benar dapatkan dari mereka.

Setiap platform memberikan antarmuka yang sama: jendela obrolan. Anda bertanya, mereka menjawab, Anda melakukan pekerjaan. AI adalah kontraktor yang melupakan semua antara sesi. Anda menjalankannya lagi besok. Sistem tidak belajar antara sesi. Bisnis Anda tetap sama.

Itulah masalahnya. Bukan kecerdasan model. Eksekusi. Tidak ada yang membangun sistem di mana AI dapat mengambil hasil dari konversasi ke eksekusi, mempertahankannya, dan mengulanginya tanpa campur tangan manusia.

Latar belakang saya dalam fisika mengajarkan saya untuk berpikir dalam sistem, bukan komponen. Di Brookhaven dan melalui PhD saya di Stony Brook, saya menghabiskan tahun-tahun membangun pipa eksperimental di mana instrumen, pengumpulan data, dan analisis harus bekerja sebagai loop tertutup atau hasilnya tidak berarti. Di Apple, saya bekerja pada model multimodal dan melihat pola yang sama: kemampuan mentah tanpa sistem di sekitarnya tidak menghasilkan efek.

Ketika Kai dan saya mulai membicarakan CREAO, tesisnya spesifik: industri tidak membutuhkan chatbot lain. Industri membutuhkan loop tertutup — AI yang membangun alat, menjalankannya, dan memperbaikinya seiring waktu. Modelnya sudah cukup baik. Tidak ada yang membangun loopnya.

CREAO menjelaskan dirinya sebagai platform di mana AI dapat membangun alat dan menjalankan pekerjaan secara otonom. Bagaimana Anda mendefinisikan perbedaan antara sistem AI “loop tertutup” yang sebenarnya dan gelombang “kopilot AI” yang saat ini membanjiri pasar?

Seorang kopilot duduk di sebelah Anda. Anda mengemudi, mereka menyarankan. Jika Anda tidur, kopilot tidak melakukan apa-apa.

Sistem loop tertutup menyelesaikan siklus penuh: mengamati, bertindak, belajar, memperbaiki. Manusia mendefinisikan hasil. Sistem menangani eksekusi, persistensi, dan iterasi.

Di CREAO, kami memikirkan ini sebagai sistem harness. Sebuah agen tunggal dapat menggambar email, menangani bug, atau meringkas laporan. Tapi sebuah agen tunggal tidak menghasilkan efek. Ia berjalan, menghasilkan output, dan berhenti. Sistem harness membungkus agen dan mengubahnya dari alat sekali pakai menjadi mesin yang memperbaiki diri. Ia mengikuti loop: Koneksi, Pemeriksaan, Solusi, Bangun, Perbaiki Diri. Sistem terhubung ke sumber data nyata Anda — repositori, log kesalahan, akun iklan. Ia menilai keadaan saat ini. Ia mengusulkan perbaikan. Agen dibangun untuk mengeksekusi perbaikan tersebut. Outputnya umpan balik. Putaran pemeriksaan baru dimulai. Loopnya semakin ketat.

Itu struktural berbeda dari “Saya memiliki agen yang melakukan X.” Ini adalah sistem yang menemukan apa X seharusnya, membangun X, mengukur X, dan mengembangkan X tanpa Anda mengatakan kepadanya untuk melakukannya.

Sebagian besar kopilot adalah AI-asistif. Sistem loop tertutup adalah AI-dioperasikan. Itulah garis pembatas.

Posting Anda baru-baru ini tentang “rekayasa harness” dan organisasi AI-pertama menghasilkan perhatian besar secara online. Apa yang paling mengejutkan Anda tentang reaksi terhadap gagasan bahwa 99% kode produksi CREAO sekarang ditulis oleh AI?

Posting itu mencapai 1,8 juta tampilan. Saya menulisnya sebagai dokumentasi untuk tim kami — catatan tentang bagaimana kami merestrukturisasi dan apa yang kami pelajari. Saya tidak mengharapkan jangkauan seperti itu.

Apa yang mengejutkan saya adalah perbedaan reaksi. Satu kelompok mengatakan ini tidak bertanggung jawab, bahwa Anda tidak bisa mempercayai kode yang dihasilkan AI dalam produksi. Kelompok lain mengatakan: “Kami melihat hal yang sama dan tidak ada yang membicarakannya.”

Kelompok kedua itu memberitahu saya sesuatu yang penting. Ada tim di seluruh industri yang diam-diam melakukan transisi ini. Seorang reporter yang saya bicarakan mengatakan dia telah berbicara dengan sekitar lima orang tentang topik ini. Dia mengatakan kami lebih maju daripada siapa pun: “Saya tidak pikir siapa pun telah sepenuhnya membangun kembali seluruh alur kerja mereka seperti yang kami lakukan.”

Angka 99% terdengar provokatif, tetapi itu hanya hasil dari menghilangkan bottleneck manusia satu per satu. Ketika Anda merancang arsitektur sehingga agen dapat melihat seluruh basis kode — kami menyatukan semuanya ke dalam satu monorepo sehingga AI dapat melihat semuanya — dan pipa CI/CD Anda memiliki enam fase deterministik, dan tiga lulus tinjauan AI paralel menangkap masalah kualitas, keamanan, dan ketergantungan pada setiap PR, dan loop perbaikan diri mendeteksi kesalahan, menanganinya, dan memverifikasi perbaikan secara otomatis — peran manusia bergeser dari menulis kode menjadi merancang sistem yang mengatur bagaimana agen menulis kode. Volume kode mengikuti secara alami.

Apa yang mengejutkan saya paling adalah bahwa lebih sedikit CTO yang mengatakan ini secara terbuka. Saya pikir banyak yang melakukannya tetapi takut akan persepsi.

Di artikel Anda, Anda berargumen bahwa sebagian besar perusahaan masih “AI-asistif” daripada benar-benar “AI-pertama”. Apa kesalahpahaman terbesar yang tim kepemimpinan miliki ketika mereka percaya bahwa mereka sudah beroperasi sebagai organisasi AI-asli?

Saya melihat tim yang mengklaim AI-pertama sambil menjalankan siklus sprint yang sama, papan Jira yang sama, pertemuan mingguan yang sama, tanda tangan QA yang sama. Mereka menambahkan AI ke dalam loop. Mereka tidak merancang ulang loopnya.

Kesalahpahaman terbesar: “Kami menggunakan alat AI, oleh karena itu kami AI-pertama.” Seorang insinyur membuka Cursor. Seorang PM menggambar spesifikasi dengan ChatGPT. QA bereksperimen dengan generasi tes AI. Alur kerja tetap sama. Efisiensi meningkat 10 hingga 20 persen. Tidak ada yang berubah secara struktural. Itu adalah AI-asistif.

Uji coba: jika Anda menghapus setiap alat AI besok, apakah proses Anda perlu berubah, atau hanya alatnya? Jika proses tetap sama, Anda tidak AI-pertama.

Kesalahpahaman kedua adalah bahwa AI-pertama adalah keputusan teknik. Jika teknik mengirimkan fitur dalam hitungan jam tetapi pemasaran menghabiskan seminggu untuk mengumumkannya, pemasaran adalah bottleneck. Jika tim produk masih menjalankan siklus perencanaan bulanan, perencanaan adalah bottleneck. Di CREAO, kami mendorong operasi AI-asli ke setiap fungsi: catatan rilis yang dihasilkan dari changelog, video pengenalan fitur yang dibuat oleh AI, media sosial yang diatur dan dipublikasikan secara otomatis, laporan kesehatan yang dihasilkan dari database produksi. Teknik, produk, pemasaran, dan pertumbuhan berjalan dalam satu alur kerja AI-asli. Jika satu fungsi beroperasi pada kecepatan agen dan fungsi lainnya pada kecepatan manusia, fungsi kecepatan manusia membatasi semuanya.

Kesalahpahaman ketiga adalah bahwa transisi ini dapat bertahap. Versi umum dari ini adalah apa yang orang sebut “pemrograman vibe”. Buka Cursor, prompt sampai sesuatu berhasil, komit, ulangi. Itu menghasilkan prototipe. Sistem produksi membutuhkan stabilitas, keandalan, dan keamanan. Anda membutuhkan sistem yang menjamin properti tersebut ketika AI menulis kode. Anda membangun sistem. Promptnya dapat dibuang.

Anda menulis bahwa terobosan sebenarnya terjadi ketika CREAO merancang ulang seluruh alur kerja teknik di sekitar agen AI daripada hanya menambahkan alat AI ke proses yang ada. Bagian mana dari transisi itu yang paling sulit secara operasional atau budaya untuk tim?

Keduanya, tetapi mereka berbeda.

Secara operasional, keputusan paling sulit adalah menyatukan basis kode. Arsitektur lama kami tersebar di beberapa sistem independen. Perubahan tunggal mungkin memerlukan menyentuh tiga atau empat repositori. Dari perspektif insinyur manusia, itu mudah dikelola. Dari perspektif agen AI, itu tidak jelas. Agen tidak bisa melihat gambaran lengkap. Ia tidak bisa bernalar tentang implikasi antar layanan. Ia tidak bisa menjalankan tes integrasi secara lokal.

Saya menghabiskan satu minggu merancang sistem baru dan satu minggu lainnya merancang ulang basis kode seluruhnya menggunakan agen. Itu adalah keputusan yang berani. Jika gagal, kami akan memiliki monorepo yang rusak dan setup multi-repo yang rusak. Tetapi prinsipnya jelas: semakin banyak sistem yang Anda tarik ke dalam bentuk yang dapat dilihat, divalidasi, dan dimodifikasi oleh agen, semakin banyak keuntungan yang Anda dapatkan. Basis kode yang terfragmentasi tidak terlihat oleh agen. Yang disatukan adalah dapat dibaca.

Secara budaya, bagian tersulit adalah identitas. Insinyur menemukan nilai mereka dalam kode yang mereka tulis. Ketika AI menulis 99% kode, pertanyaannya menjadi: apa pekerjaan saya sekarang? Itu bukan pertanyaan proses. Itu eksistensial.

Saya tidak akan berpura-pura semua orang bahagia. Ketika saya berhenti berbicara dengan orang setiap hari karena waktu manajemen saya turun dari 60% menjadi di bawah 10%, beberapa anggota tim merasa tidak pasti. Apa artinya CTO tidak berbicara dengan saya? Apa nilai saya di dunia baru ini? Itu adalah kekhawatiran yang masuk akal. Beberapa orang menghabiskan lebih banyak waktu untuk memperdebatkan apakah AI dapat melakukan pekerjaan mereka daripada melakukan pekerjaan itu sendiri.

Tetapi setelah orang mengalami alur kerja baru — di mana pekerjaan mereka bergeser dari mengetik kode menjadi merancang sistem, mendefinisikan SOP, dan membangun loop umpan balik — sebagian besar menemukannya lebih menantang secara intelektual. Insinyur yang paling berjuang adalah mereka yang identitasnya paling erat terkait dengan tindakan menulis kode. Mereka yang beradaptasi paling cepat melihat diri mereka sebagai pemecah masalah terlebih dahulu dan pengkode kedua.

Salah satu pengamatan yang lebih kontroversial dalam tulisan Anda adalah bahwa insinyur junior beradaptasi lebih cepat daripada insinyur senior dalam lingkungan ini. Mengapa Anda pikir kemampuan beradaptasi menjadi lebih penting daripada pengalaman teknis yang diperoleh dalam tim teknik AI-pertama?

Saya melihat pola yang tidak terduga. Insinyur junior dengan pengalaman tradisional yang lebih sedikit merasa diberdayakan. Mereka memiliki akses ke alat yang memperkuat dampak mereka. Mereka tidak membawa decade pengalaman yang perlu dihilangkan.

Insinyur senior dengan praktik tradisional yang kuat mengalami kesulitan terbesar. Dua bulan pekerjaan mereka bisa diselesaikan dalam satu jam oleh AI. Itu adalah hal yang sulit diterima setelah bertahun-tahun membangun keterampilan langka.

Alasannya struktural. Keahlian insinyur senior hidup dalam eksekusi mekanis kode — menavigasi sistem kompleks, menulis implementasi yang dioptimalkan, melakukan tinjauan menyeluruh, dan sistem prediktif, sementara tahun-tahun awal mereka di Brookhaven National Laboratory memperkenalkan mereka pada penelitian ilmiah lanjutan dan sistem eksperimental. Pengalaman mereka di seluruh penelitian AI pionir, pembelajaran mesin skala besar, dan sistem otonom sekarang membentuk visi teknis CREAO untuk membangun agen AI yang mampu eksekusi persisten, memori, dan otomatisasi alur kerja.

Saya memiliki gelar PhD di fisika. Hal yang paling berguna yang saya pelajari dari PhD saya adalah bagaimana mempertanyakan asumsi, menguji argumen, dan mencari apa yang hilang. Kemampuan untuk mengkritik AI lebih berharga daripada kemampuan untuk menghasilkan kode. Bisakah Anda melihat proposal arsitektur dan melihat mode kegagalan yang agen lewatkan? Bisakah Anda melihat antarmuka yang dihasilkan dan tahu itu salah sebelum pengguna mengatakan kepada Anda?

Insinyur junior tidak pernah memiliki keahlian mekanis yang dalam untuk dilepaskan. Mereka hanya belajar hal baru.

Saya tidak membuat penilaian. Saya menggambarkan apa yang saya amati. Senioritas masih sebuah keuntungan — pemikiran arsitektur yang dalam, intuisi desain sistem — tetapi hanya jika insinyur senior bersedia beroperasi pada ketinggian yang berbeda. Dalam transisi ini, kemampuan beradaptasi lebih penting daripada keterampilan yang diperoleh.

CREAO membangun infrastruktur di sekitar monorepo, pipa CI/CD otomatis, sistem tinjauan AI, dan loop perbaikan diri yang mengintegrasikan alat seperti CloudWatch, Sentry, Linear, dan Claude. Seberapa dekat kita dengan masa depan di mana sistem perangkat lunak sebagian besar memelihara dan memperbaiki diri sendiri?

Kami menjalankan loop perbaikan diri di produksi sekarang. Izinkan saya menjelaskan apa yang sebenarnya dilakukan.

Setiap pagi pukul 09:00 UTC, alur kerja kesehatan otomatis berjalan. Claude Sonnet mengquery CloudWatch, menganalisis pola kesalahan di seluruh layanan, dan menghasilkan ringkasan kesehatan eksekutif yang dikirim ke tim. Tidak ada yang meminta. Satu jam kemudian, mesin triase mengelompokkan kesalahan produksi dari CloudWatch dan Sentry, menskor klaster di seluruh sembilan dimensi keparahan — dampak pengguna, kecepatan, radius ledakan, kritisitas bisnis, dan lima lainnya — dan menghasilkan tiket investigasi otomatis di Linear dengan log sampel, endpoint yang terkena, dan jalur investigasi yang disarankan.

Ketika seorang insinyur mendorong perbaikan, pipa yang sama menanganinya. Tiga lulus tinjauan Claude mengevaluasi PR — kualitas kode, keamanan, dan pemindaian ketergantungan. CI memvalidasi melalui pipa enam fase. Setelah penerapan, mesin triase memeriksa kembali. Jika kesalahan asli terpecahkan, tiket otomatis ditutup.

Di atas itu, kami membangun apa yang kami sebut Harness Agen. Panel penilaian tiga hakim — satu hakim Anthropic, satu hakim OpenAI, satu hakim Google — menskor setiap respons agen langsung. Ketika skor turun, pipa enam pekerjaan teknik mengubah skor rendah menjadi tiket Linear, draf PR, dan perbaikan yang diverifikasi. Dan untuk perubahan besar, rollout abu-abu AI yang diatur mengalihkan 10% lalu lintas ke varian baru dan mempromosikan melalui 20%, 50%, 100% hanya jika skor bertahan.

Kami tidak memiliki tim QA. Kami tidak memiliki lingkungan staging. Tidak ada yang membaca transkrip dan menskor respons agen secara manual.

Jadi, seberapa dekat kita? Lebih dekat daripada yang dipikirkan kebanyakan orang untuk domain yang terkendali — pola kesalahan yang diketahui, regresi, drift konfigurasi. Saya akan mengatakan 70 hingga 80 persen pemeliharaan produksi dapat berjalan dengan cara ini dengan infrastruktur yang tepat. Bagian yang masih membutuhkan manusia adalah kegagalan yang ambigu di mana arsitektur itu sendiri mungkin salah, atau di mana perbaikan memerlukan pemahaman keputusan bisnis yang tidak dikodekan dalam sistem.

Ambil simpulan praktis: Anda tidak perlu menunggu kesempurnaan. Bahkan perbaikan diri sebagian secara dramatis mengubah dinamika tim.

Anda telah menggambarkan masa depan di mana “perusahaan satu orang” dapat menjadi umum karena agen AI menggantikan tim operasional besar. Jenis perusahaan atau industri mana yang Anda pikir akan merasakan pergeseran ini pertama kali?

Perusahaan di mana rasio overhead operasional terhadap penciptaan nilai inti tertinggi.

Saya percaya perusahaan satu orang akan menjadi umum. Jika satu arsitek dengan agen dapat melakukan pekerjaan 100 orang, banyak perusahaan tidak akan membutuhkan karyawan kedua. Kemampuan model adalah penggerak yang mendorong ini. Saya mengatribusikan seluruh pergeseran di CREAO pada dua bulan terakhir. Opus 4.5 tidak bisa melakukan apa yang Opus 4.6 lakukan. Model generasi berikutnya akan mempercepatnya lebih lanjut.

Pergeseran ini pertama kali memengaruhi di mana pekerjaan itu digital, dapat diulang, dan loop umpan baliknya jelas. Produksi konten, operasi pemasaran, e-commerce, alat pengembang, agensi digital. Jika bisnis Anda pada dasarnya tentang mengambil informasi, mengubahnya, dan mendistribusikannya, sistem harness dapat menangani sebagian besar loop itu.

Kami melihatnya di platform kami sendiri. Kami menjelaskan kasus penggunaan spesifik dalam pekerjaan kami: seorang pendiri solo menghubungkan GitHub, Sentry, dan CloudWatch. Sistem mengaudit log kesalahan, frekuensi penerapan, dan kesehatan infrastruktur. Dari audit itu, sistem membangun agen penanganan bug, agen penemuan fitur, pipa generasi konten, loop optimasi infrastruktur. Setiap agen berjalan, menghasilkan output, dan output itu mengubah keadaan. Siklus berikutnya, audit melihat gambaran yang berbeda. Sistem menemukan solusi baru. Pendiri tidak merencanakannya.

Di CREAO, kami menjalankan operasi kami dengan cara ini. Satu agen menggantikan alur kerja SEO tiga orang dalam semalam. Agen lain menjalankan pipa konten selama dua hari sebelum siapa pun memeriksa output. Outputnya sampah, dan kami membunuhnya. Keduanya terjadi dalam seminggu. Kami menyebut diri kami sebagai banteng uji coba untuk masa depan kerja.

Industri yang merasakan pergeseran terakhir: kesehatan, manufaktur berat, hukum — di mana pekerjaan itu fisik, terregulasi berat, atau memerlukan penilaian manusia dalam setiap keputusan. Tetapi bahkan di sana, lapisan administratif akan terkompresi.

CREAO baru-baru ini mengumpulkan $10 juta yang dipimpin oleh Prosperity7 Ventures, lengan ventura dari Saudi Aramco. Di luar pendanaan itu sendiri, apa peluang strategis yang dibuka oleh kemitraan ini untuk perusahaan karena agen AI otonom menjadi lebih fokus pada perusahaan?

Prosperity7 mengelola dana yang diversifikasi sebesar $3 miliar dan beroperasi di Lembah Silikon, Timur Tengah, dan Asia. Mereka telah membangun portofolio yang mencakup infrastruktur AI perusahaan — Arcee AI, Spirit AI, dan lain-lain. Kesesuaian strategis melampaui modal.

Tesis mereka sesuai dengan kami. Seperti yang dikatakan Raed Twaily, Direktur Eksekutif mereka, secara terbuka: “Ketika adopsi AI matang, fokus bergeser dari model ke eksekusi. Creao AI membangun lapisan infrastruktur yang memungkinkan agen untuk beroperasi secara otonom, dapat diandalkan, dan terus menerus.” Itulah tepatnya apa yang kami percayai. Pasar agen AI diperkirakan akan mencapai $52 miliar pada 2030. Perusahaan yang menangkap nilai nyata tidak akan menjadi mereka yang memiliki model terbaik. Mereka akan menjadi mereka yang memiliki lapisan eksekusi terbaik.

Secara praktis, $10 juta — yang membawa total kami menjadi $25 juta di seluruh tiga putaran dalam setahun — mempercepat tiga hal. Pertama, kedalaman teknik. Kami memperluas tim untuk menangani integrasi skala perusahaan dan kolaborasi agen-ke-agen. Harness perbaikan diri, panel penilaian tiga hakim, sistem rollout AI yang diatur — semuanya perlu berfungsi pada skala perusahaan, bukan hanya untuk tim 25 orang. Kedua, jangkauan geografis. Kehadiran Prosperity7 di Timur Tengah dan Asia membuka pasar di mana adopsi AI otonom dipercepat lebih cepat daripada yang banyak orang di Lembah Silikon sadari. Ketiga, kredibilitas institusional. Ketika Anda meminta perusahaan untuk mempercayai agen yang menjalankan operasi mereka terus menerus, dukungan itu penting.

Kami mengumpulkan $25 juta dalam setahun dengan tidak ada pemasaran berbayar dan 200.000 pengguna melalui adopsi organik. Kecepatan itu mencerminkan keyakinan pasar bahwa lapisan eksekusi adalah pertempuran berikutnya.

Mempertimbangkan ke depan, apa yang terlihat seperti kesuksesan untuk CREAO dalam beberapa tahun mendatang? Apakah visi jangka panjang untuk membangun agen AI yang lebih baik, atau Anda pada akhirnya mencoba untuk mendefinisikan kembali bagaimana perusahaan sendiri terstruktur dan dioperasikan?

Keduanya. Dan mereka tidak terpisahkan.

Jangka pendek, kesuksesan berarti membuktikan model loop tertutup bekerja pada skala. Kami memiliki 200.000 pengguna yang datang melalui adopsi organik sejak peluncuran kami pada September 2025. Kami mengirim ke produksi tiga hingga delapan kali sehari. Kami menjalankan teknik, pemasaran, dan operasi kami sendiri di harness. Langkah berikutnya adalah menunjukkan bahwa bisnis dari semua ukuran dapat berjalan dengan cara yang sama.

Tetapi agen yang lebih baik bukanlah tujuan akhir. Tujuan akhir adalah harness — sistem di sekitar agen.

Sebuah agen adalah alat. Sistem harness adalah roda gila. Semakin banyak itu berjalan, semakin ketat. Semakin banyak data yang dilihat, semakin baik auditnya. Semakin baik auditnya, semakin tajam solusinya. Semakin tajam solusinya, semakin berdampak agennya. Semakin berdampak agennya, semakin berubah datanya. Dan loopnya berlanjut.

Model abad ke-20 dari sebuah perusahaan adalah hierarki manusia yang diatur menjadi departemen, masing-masing dengan manajer, masing-masing dengan proses yang dirancang untuk throughput manusia. Ketika agen dapat mengeksekusi sebagian besar pekerjaan operasional secara andal, model itu tidak hanya menjadi lebih efisien — itu mulai menjadi tidak perlu.

Setiap orang tahu AI menjanjikan ledakan produktivitas. Tetapi industri itu terjebak dalam dua perangkap. Jika manusia masih mengoperasikan alat AI langkah demi langkah, produktivitas mencapai batas. Dan jika manusia masih satu-satunya yang membangun alat, revolusi sebenarnya belum dimulai. Kami membangun sistem di mana AI melakukan keduanya: membangun alat dan menjalankannya.

Kebanyakan pendiri yang saya bicarakan masih beroperasi dengan cara tradisional. Beberapa memikirkan untuk membuat perubahan. Sangat sedikit yang telah melakukannya. Alat untuk setiap tim untuk melakukan ini ada. Tidak ada yang ada di tumpukan kami yang bersifat milik. Keuntungan kompetitif adalah keputusan untuk merancang ulang semuanya di sekitar alat ini, dan kemauan untuk menyerap biaya.

Kami membangun platform agen. Agen-agen membangunnya kembali. Itulah prinsip desain. Harness semakin ketat setiap hari.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi CREAO.