Peter Pang, Co-Fondatore e CTO di CREAO – Serie di Interviste

Peter Pang, Co-Fondatore e CTO di CREAO, porta una profonda esperienza nella ricerca di intelligenza artificiale e nell’infrastruttura di apprendimento automatico nello spazio emergente dell’AI agente. Prima di lanciare CREAO nel 2025, Pang ha trascorso quasi sei anni in Meta come Ricercatore Scientifico lavorando su iniziative di AI generativa legate ai modelli di fondazione LLaMA, compresi i sistemi LLM agente per l’annotazione dei dati e la generazione di dati sintetici. Prima di Meta, ha lavorato in Apple (AAPL ) come Ingegnere di Apprendimento Automatico focalizzato su NLP, transfer learning, deep learning e sistemi predittivi, mentre i suoi primi anni al Brookhaven National Laboratory lo hanno esposto a ricerche scientifiche avanzate e sistemi sperimentali. La sua esperienza nella ricerca di frontiera dell’AI, nell’apprendimento automatico su larga scala e nei sistemi autonomi ora plasma la visione tecnica di CREAO di costruire agenti di intelligenza artificiale in grado di esecuzione persistente, memoria e automazione del flusso di lavoro.

CREAO è una piattaforma nativa di intelligenza artificiale focalizzata sull’aiuto di individui e aziende a creare agenti autonomi di intelligenza artificiale e flussi di lavoro attraverso il linguaggio naturale piuttosto che la codifica tradizionale. L’azienda posiziona il suo “Super Agente” come un sistema di intelligenza artificiale persistente in grado non solo di generare output, ma anche di convertire attività di successo in agenti riutilizzabili che possono operare in modo continuo con memoria, pianificazione e integrazioni tra strumenti e API esterni. La piattaforma di CREAO supporta i principali modelli di intelligenza artificiale di frontiera, tra cui OpenAI, Anthropic, Google (GOOGL ) e altri, sottolineando un modello di funzionamento basato sull’intelligenza artificiale in cui gli agenti gestiscono sempre più l’esecuzione operativa invece di fungere da assistenti una tantum. Fondata a Palo Alto, l’azienda si concentra sull’avanzamento dei flussi di lavoro dell’AI agente, dell’automazione senza codice e dell’orchestrazione dell’AI scalabile per aziende e professionisti indipendenti.

Ha trascorso quasi sei anni in Meta lavorando sui modelli di fondazione LLaMA e sui sistemi agente per la generazione di dati sintetici dopo ruoli di apprendimento automatico in Apple e ricerche al Brookhaven National Laboratory. Cosa l’ha convinto che fosse il momento giusto per co-fondare Creao AI, e qual era il problema che sentiva che le piattaforme di intelligenza artificiale esistenti non risolvevano ancora?

A Meta, ho visto le capacità del modello migliorare drasticamente con ogni generazione. Ho lavorato sulla scalabilità di LLaMA. Ho visto cosa questi modelli potevano fare in ambienti controllati. Il divario che si allargava non era in ciò che i modelli potevano realizzare, ma in ciò che le persone ottenevano effettivamente da loro.

Ogni piattaforma offriva la stessa interfaccia: una finestra di chat. Chiedevi, rispondeva, facevi il lavoro. L’intelligenza artificiale era un contraente che dimenticava tutto tra un turno e l’altro. Lo eseguivi di nuovo il giorno dopo. Il sistema non imparava nulla tra le esecuzioni. La tua attività rimaneva la stessa.

Quello era il problema. Non l’intelligenza del modello. L’esecuzione. Nessuno stava costruendo il sistema in cui l’intelligenza artificiale potesse portare un risultato dall’inizio alla fine, persistere e ripetere senza un essere umano nel ciclo.

La mia formazione in fisica mi ha insegnato a pensare in termini di sistemi, non componenti. A Brookhaven e durante il mio dottorato a Stony Brook, ho trascorso anni costruendo pipeline sperimentali in cui lo strumento, la raccolta dei dati e l’analisi dovevano funzionare come un ciclo chiuso o i risultati non avevano senso. In Apple, ho lavorato su modelli multimodali e ho visto lo stesso schema: la capacità grezza senza un sistema intorno non si accumula.

Quando Kai e io abbiamo iniziato a parlare di CREAO, la tesi era specifica: l’industria non ha bisogno di un altro chatbot. Ha bisogno di un ciclo chiuso, un’intelligenza artificiale che costruisce strumenti, li esegue e migliora nel tempo. I modelli erano finalmente abbastanza buoni. Nessuno stava costruendo il ciclo.

CREAO descrive se stessa come una piattaforma in cui l’intelligenza artificiale può sia costruire strumenti che eseguire lavori in modo autonomo. Come definisce la differenza tra un vero sistema di intelligenza artificiale a ciclo chiuso e l’ondata di copiloti di intelligenza artificiale che inonda attualmente il mercato?

Un copilota siede accanto a te. Tu guidi, lui suggerisce. Se vai a dormire, il copilota non fa nulla.

Un sistema a ciclo chiuso completa il ciclo completo: osserva, agisce, impara, migliora. L’essere umano definisce il risultato. Il sistema gestisce l’esecuzione, la persistenza e l’iterazione.

A CREAO, pensiamo a questo come a un sistema di finimenti. Un singolo agente può stendere un’e-mail, triare un bug o riassumere un rapporto. Ma un singolo agente non si accumula. Esegue, produce output e si ferma. Un sistema di finimenti avvolge gli agenti e li trasforma da strumenti una tantum in un motore di miglioramento continuo. Segue un ciclo: Connessione, Auditing, Soluzioni, Costruzione, Auto-Miglioramento. Il sistema si collega alle tue vere fonti di dati, i tuoi repository, i tuoi log di errore, i tuoi account pubblicitari. Valuta lo stato attuale. Propone soluzioni. Gli agenti vengono costruiti per eseguire quelle soluzioni. Gli output si ritornano nel sistema. Un nuovo ciclo di auditing inizia. Il ciclo si stringe.

Questo è strutturalmente diverso da “Ho un agente che fa X”. Questo è un sistema che scopre cosa dovrebbe essere X, costruisce X, misura X e evolve X senza che tu glielo dica.

La maggior parte dei copiloti è assistita dall’intelligenza artificiale. Un sistema a ciclo chiuso è operato dall’intelligenza artificiale. Quella è la linea di demarcazione.

Il suo recente post su “ingegneria dei finimenti” e organizzazioni basate sull’intelligenza artificiale ha generato un’attenzione massiccia online. Cosa l’ha sorpresa di più nella reazione all’idea che il 99% del codice di produzione di CREAO sia ora scritto dall’intelligenza artificiale?

Il post ha raggiunto 1,8 milioni di visualizzazioni. L’ho scritto come documentazione per il nostro team, un registro di come abbiamo ristrutturato e cosa abbiamo imparato. Non mi aspettavo quel tipo di risposta.

Cosa mi ha sorpresa è stata la divisione nelle reazioni. Un gruppo ha detto che era irresponsabile, che non puoi fidarti del codice generato dall’intelligenza artificiale in produzione. L’altro gruppo ha detto: “Stiamo vedendo la stessa cosa e nessuno ne parla”.

Quel secondo gruppo mi ha detto qualcosa di importante. Ci sono team in tutta l’industria che stanno passando silenziosamente attraverso questa transizione. Un reporter con cui ho parlato mi ha detto che aveva parlato con circa cinque persone su questo argomento. Ha detto che eravamo più avanti di chiunque altro: “Non credo che qualcun altro abbia completamente ricostruito l’intero flusso di lavoro come abbiamo fatto noi”.

Il numero del 99% suona provocatorio, ma è solo il risultato dell’eliminazione dei collo di bottiglia umani uno per uno. Quando progetti l’architettura in modo che gli agenti possano vedere l’intero codice, unificiamo tutto in un singolo monorepo specificamente in modo che l’intelligenza artificiale possa vedere tutto, e il tuo pipeline CI/CD ha sei fasi deterministiche, e tre passaggi di revisione dell’intelligenza artificiale catturano problemi di qualità, sicurezza e dipendenze in ogni PR, e il tuo ciclo di auto-miglioramento rileva errori, li tria e verifica le correzioni automaticamente, il ruolo umano si sposta dallo scrivere codice al progettare il sistema che governa come gli agenti scrivono il codice. Il volume del codice segue naturalmente.

Cosa mi ha sorpresa di più è che più CTO non stanno dicendo questo pubblicamente. Credo che molti lo stiano facendo ma abbiano paura della percezione.

Nel suo articolo, sostiene che la maggior parte delle aziende è ancora “assistita dall’intelligenza artificiale” piuttosto che essere veramente “basata sull’intelligenza artificiale”. Quali sono i più grandi malintesi che i team di leadership hanno quando credono di operare già come organizzazioni native di intelligenza artificiale?

Vedo team che affermano di essere basati sull’intelligenza artificiale mentre eseguono gli stessi cicli di sprint, le stesse tavole di Jira, gli stessi stand-up settimanali, gli stessi QA di firma. Hanno aggiunto l’intelligenza artificiale al ciclo. Non hanno ridisegnato il ciclo.

Il più grande malinteso: “Usiamo strumenti di intelligenza artificiale, quindi siamo basati sull’intelligenza artificiale”. Un ingegnere apre Cursor. Un PM stende specifiche con ChatGPT. QA sperimenta con la generazione di test dell’intelligenza artificiale. Il flusso di lavoro rimane lo stesso. L’efficienza aumenta del 10 al 20 percento. Nulla cambia strutturalmente. Quello è assistito dall’intelligenza artificiale.

Ecco il test: se rimuovi ogni strumento di intelligenza artificiale domani, il tuo processo dovrebbe cambiare, o solo gli strumenti? Se il processo rimane lo stesso, non sei basato sull’intelligenza artificiale.

Il secondo malinteso è che il basato sull’intelligenza artificiale sia una decisione di ingegneria. Se l’ingegneria consegna funzionalità in ore ma il marketing ci mette una settimana per annunciarle, il marketing è il collo di bottiglia. Se il team del prodotto esegue ancora un ciclo di pianificazione mensile, la pianificazione è il collo di bottiglia. A CREAO, abbiamo spinto le operazioni native di intelligenza artificiale in ogni funzione: note di rilascio generate dai changelog, video di introduzione delle funzionalità create dall’intelligenza artificiale, social media orchestrati e autopubblicati, report di salute generati da database di produzione. Ingegneria, prodotto, marketing e crescita operano in un unico flusso di lavoro nativo di intelligenza artificiale. Se una funzione opera alla velocità dell’agente e un’altra alla velocità umana, la funzione alla velocità umana limita tutto.

Il terzo malinteso è che questa transizione possa essere graduale. Una versione comune di questo è ciò che le persone chiamano coding basato sul feeling. Apri Cursor, promuovi fino a quando qualcosa funziona, immetti, ripeti. Questo produce prototipi. Un sistema di produzione ha bisogno di stabilità, affidabilità e sicurezza. Hai bisogno di un sistema che garantisca quelle proprietà quando l’intelligenza artificiale scrive il codice. Costruisci il sistema. I prompt sono usa e getta.

Ha scritto che il vero punto di svolta arrivò quando CREAO ridisegnò l’intero flusso di lavoro di ingegneria intorno agli agenti di intelligenza artificiale invece di aggiungere semplicemente strumenti di intelligenza artificiale ai processi esistenti. Quale parte di quella transizione è stata la più difficile operativamente o culturalmente per il team?

Entrambe, ma sono due tipi diversi di difficoltà.

Operativamente, la decisione più difficile è stata unificare il codice. La nostra vecchia architettura era sparsa in più sistemi indipendenti. Un singolo cambiamento poteva richiedere il tocco di tre o quattro repository. Per un ingegnere umano, gestibile. Per un agente di intelligenza artificiale, opaco. L’agente non può vedere l’immagine completa. Non può ragionare sulle implicazioni interservizio. Non può eseguire test di integrazione localmente.

Ho trascorso una settimana a progettare il nuovo sistema e un’altra settimana a ristrutturare l’intero codice utilizzando gli agenti. È stata una decisione audace. Se falliva, avremmo avuto un monorepo rotto e un setup multi-repo rotto. Ma il principio è chiaro: più del tuo sistema puoi tirare in una forma che l’agente possa ispezionare, convalidare e modificare, più vantaggio ottieni. Un codice basato su frammenti è invisibile agli agenti. Uno unificato è leggibile.

Culturalmente, la parte più difficile è stata l’identità. Gli ingegneri trovano il loro valore nel codice che scrivono. Quando l’intelligenza artificiale scrive il 99% del codice, la domanda diventa: qual è il mio lavoro adesso? Non è una domanda di processo. È esistenziale.

Non pretendo che tutti fossero felici. Quando ho smesso di parlare con le persone ogni giorno perché il mio tempo di gestione è sceso dal 60% a meno del 10%, alcuni membri del team si sono sentiti incerti. Cosa significa che il CTO non parla con me? Cosa è il mio valore in questo nuovo mondo? Sono preoccupazioni ragionevoli. Alcune persone spendono più tempo a discutere se l’intelligenza artificiale possa fare il loro lavoro che a fare il lavoro.

Ma una volta che le persone hanno sperimentato il nuovo flusso di lavoro, dove il loro lavoro si è spostato dal digitare codice a progettare sistemi, definire procedure operative e costruire cicli di feedback, la maggior parte ha trovato più coinvolgente intellettualmente. Gli ingegneri che hanno lottato di più erano quelli la cui identità era più strettamente legata all’atto di scrivere codice. Quelli che si sono adattati più velocemente si sono visti come risolutori di problemi per primi e codificatori per secondi.

Una delle osservazioni più controverse nel suo pezzo è stata che gli ingegneri junior si sono adattati più velocemente degli ingegneri senior in questo nuovo ambiente. Perché pensa che l’adattabilità stia diventando più importante dell’esperienza tecnica accumulata nei team di ingegneria basati sull’intelligenza artificiale?

Ho notato un modello che non mi aspettavo. Gli ingegneri junior con meno pratica tradizionale si sono sentiti potenziati. Avevano accesso a strumenti che amplificavano il loro impatto. Non portavano con sé un decennio di abitudini da disimparare.

Gli ingegneri senior con una forte pratica tradizionale hanno avuto il tempo più difficile. Due mesi del loro lavoro potevano essere completati in un’ora dall’intelligenza artificiale. È una cosa dura da accettare dopo anni di costruzione di un insieme di abilità rare.

Il motivo è strutturale. L’esperienza di un ingegnere senior vive nell’esecuzione meccanica del codice, nella navigazione di sistemi complessi, nella scrittura di implementazioni ottimizzate, nella conduzione di recensioni approfondite. Quelle abilità sono state guadagnate in anni e sono reali. Ma in un ambiente basato sull’intelligenza artificiale, la parte meccanica della scrittura del codice è la parte che viene automatizzata. Ciò che rimane, e diventa più prezioso, è la capacità di valutare, criticare e dirigere l’intelligenza artificiale.

Ho un dottorato in fisica. La cosa più utile che il mio dottorato mi ha insegnato è come mettere in discussione le ipotesi, testare gli argomenti e cercare cosa manca. La capacità di criticare l’intelligenza artificiale è più preziosa della capacità di produrre codice. Puoi guardare una proposta di architettura e vedere il modo di fallimento che l’agente ha mancato? Puoi guardare un’interfaccia utente generata e sapere che è sbagliata prima che l’utente te lo dica?

Gli ingegneri junior non avevano mai avuto una profonda esperienza meccanica a cui rinunciare. Hanno semplicemente imparato la nuova cosa.

Non sto facendo un giudizio. Sto descrivendo cosa ho osservato. La seniorità è ancora un vantaggio, il pensiero architettonico profondo, l’intuizione del design di sistema, ma solo se l’ingegnere senior è disposto a operare a un’altra altitudine. In questa transizione, l’adattabilità conta più dell’abilità accumulata.

CREAO ha ricostruito la sua infrastruttura intorno a monorepo, pipeline CI/CD automatizzate, sistemi di revisione dell’intelligenza artificiale e cicli di auto-miglioramento che integrano strumenti come CloudWatch, Sentry, Linear e Claude. Quanto siamo vicini a un futuro in cui i sistemi software si manterranno e si ripareranno in larga misura da soli?

Eseguimosi un ciclo di auto-miglioramento in produzione proprio adesso. Lasciami descrivere cosa fa effettivamente.

Ogni mattina alle 9:00 UTC, un flusso di lavoro di salute automatizzato viene eseguito. Claude Sonnet interroga CloudWatch, analizza modelli di errore in tutti i servizi e genera un riassunto esecutivo di salute consegnato al team. Nessuno l’ha chiesto. Un’ora dopo, il motore di triage raggruppa errori di produzione da CloudWatch e Sentry, punteggia ogni cluster su nove dimensioni di gravità, impatto dell’utente, velocità, raggio di esplosione, criticità aziendale e cinque altre, e genera automaticamente biglietti di indagine in Linear con log di esempio, endpoint interessati e percorsi di indagine suggeriti.

Quando un ingegnere spinge una correzione, la stessa pipeline gestisce la correzione. Tre passaggi di revisione dell’intelligenza artificiale valutano il PR, qualità del codice, sicurezza e scansione delle dipendenze. La CI convalida attraverso una pipeline a sei fasi. Dopo il deploy, il motore di triage controlla di nuovo. Se gli errori originali sono risolti, il biglietto si chiude automaticamente.

Inoltre, abbiamo costruito ciò che chiamiamo il Finimento dell’Agente. Un pannello di giudici a tre giudici, un giudice Anthropic, un giudice OpenAI, un giudice Google, punteggia ogni risposta dell’agente live. Quando i punteggi scendono, una pipeline di ingegneria a sei lavori trasforma quei bassi punteggi in biglietti Linear, PR di bozza e correzioni verificate. E per i cambiamenti principali, i rollout grigi dell’intelligenza artificiale instradano il 10% del traffico alla nuova variante e promuovono attraverso il 20%, il 50%, il 100% solo se i punteggi si mantengono.

Non abbiamo un team di QA. Non abbiamo un ambiente di staging. Nessuno legge trascrizioni e punteggia le risposte dell’agente a mano.

Quindi, quanto siamo vicini? Più vicini di quanto pensino la maggior parte delle persone per domini vincolati, modelli di errore noti, regressioni, deriva della configurazione. Direi che il 70-80% della manutenzione di produzione può essere eseguito in questo modo con la giusta infrastruttura. La parte che ancora richiede esseri umani è il fallimento ambiguo in cui l’architettura stessa potrebbe essere sbagliata, o dove la correzione richiede la comprensione di una decisione aziendale non codificata nel sistema.

La conclusione pratica: non devi aspettare la perfezione. Anche l’auto-miglioramento parziale cambia drasticamente la dinamica del team.

Ha descritto un futuro in cui le “aziende a una persona” potrebbero diventare comuni poiché gli agenti di intelligenza artificiale sostituiscono grandi team operativi. Quali tipi di aziende o settori pensa che sentiranno questo spostamento per primi?

Aziende in cui il rapporto tra oneri operativi e creazione di valore è più alto.

Credo che le aziende a una persona diventeranno comuni. Se un architetto con agenti può fare il lavoro di 100 persone, molte aziende non avranno bisogno di un secondo dipendente. La capacità del modello è l’orologio che guida questo. Attribuisco l’intero spostamento a CREAO agli ultimi due mesi. Opus 4.5 non poteva fare ciò che Opus 4.6 fa. I modelli della prossima generazione accelereranno ulteriormente questo processo.

Lo spostamento colpisce per primo ovunque il lavoro sia digitale, ripetibile e i cicli di feedback siano chiari. Produzione di contenuti, operazioni di marketing, e-commerce, strumenti per sviluppatori, agenzie digitali. Se la tua attività è fondamentalmente basata sul prendere informazioni, trasformarle e distribuirle, un sistema di finimenti può gestire la maggior parte di quel ciclo.

Lo vediamo sulla nostra stessa piattaforma. Descriviamo casi d’uso specifici nel nostro lavoro: un fondatore solitario collega GitHub, Sentry e CloudWatch. Il sistema esegue un’audit dei log di errore, della frequenza di deploy e della salute dell’infrastruttura. Da quell’audit, costruisce un agente di triage dei bug, un agente di scoperta delle funzionalità, una pipeline di generazione di contenuti, un ciclo di ottimizzazione dell’infrastruttura. Ogni agente esegue, produce output e quel output cambia lo stato. Il prossimo ciclo, il sistema vede un’immagine diversa. Il sistema trova le nuove soluzioni. Il fondatore non le ha pianificate.

A CREAO, eseguiamo le nostre stesse operazioni in questo modo. Un agente ha sostituito un flusso di lavoro SEO a tre persone in una notte. Un altro ha eseguito una pipeline di contenuti per due giorni prima che qualcuno controllasse l’output. L’output era spazzatura e l’abbiamo ucciso. Entrambi sono accaduti nella stessa settimana. Ci chiamiamo cavia per il futuro del lavoro.

Settori che sentiranno questo spostamento per ultimi: sanità, produzione pesante, legale, ovunque il lavoro sia fisico, fortemente regolamentato o richieda giudizio umano in ogni decisione. Ma anche lì, gli strati amministrativi si comprimeranno.

CREAO ha recentemente raccolto 10 milioni di dollari guidati da Prosperity7 Ventures, il braccio di venture di Saudi Aramco. Oltre al finanziamento stesso, quali opportunità strategiche apre questa partnership per l’azienda man mano che gli agenti di intelligenza artificiale autonomi diventano più orientati alle aziende?

Prosperity7 gestisce un fondo diversificato da 3 miliardi di dollari e opera tra Silicon Valley, il Medio Oriente e l’Asia. Hanno costruito un portfolio che copre l’infrastruttura di intelligenza artificiale aziendale, Arcee AI, Spirit AI e altri. L’adattamento strategico va oltre il capitale.

La loro tesi corrispondeva alla nostra. Come ha detto pubblicamente Raed Twaily, il loro Direttore Esecutivo: “Mentre l’adozione dell’intelligenza artificiale matura, l’attenzione si sta spostando dai modelli all’esecuzione. Creao AI sta costruendo lo strato di infrastruttura che consente agli agenti di operare in modo autonomo, affidabile e continuo”. È esattamente ciò in cui crediamo. Il mercato degli agenti di intelligenza artificiale è proiettato a raggiungere 52 miliardi di dollari entro il 2030. Le aziende che catturano valore reale non saranno quelle con il miglior modello. Saranno quelle con il miglior strato di esecuzione.

Praticamente, i 10 milioni di dollari, portando il nostro totale a 25 milioni di dollari in tre round in meno di un anno, accelerano tre cose. Primo, profondità di ingegneria. Stiamo espandendo il team per gestire integrazioni di livello aziendale e collaborazione tra agenti. Il sistema di finimenti, il pannello di giudici a tre giudici, il sistema di rollout dell’intelligenza artificiale, questi devono funzionare a scala aziendale, non solo per un team di 25 persone. Secondo, portata geografica. La presenza di Prosperity7 in Medio Oriente e Asia apre mercati in cui l’adozione di intelligenza artificiale autonoma sta accelerando più velocemente di quanto la maggior parte delle persone a Silicon Valley si renda conto. Terzo, credibilità istituzionale. Quando chiedi alle aziende di fidarsi di agenti che eseguono le loro operazioni in modo continuo, il sostegno conta.

Abbiamo raccolto 25 milioni di dollari in meno di un anno con zero marketing a pagamento e 200.000 utenti attraverso l’adozione organica. Quella velocità riflette la convinzione del mercato che lo strato di esecuzione è il prossimo campo di battaglia.

Guardando avanti, cosa significa il successo per CREAO nei prossimi anni? È la visione a lungo termine quella di costruire migliori agenti di intelligenza artificiale o state cercando di ridefinire come le aziende stesse sono strutturate e operate?

Entrambe le cose. E sono inseparabili.

A breve termine, il successo significa dimostrare che il modello a ciclo chiuso funziona a scala. Abbiamo 200.000 utenti che sono arrivati attraverso l’adozione organica dal nostro lancio nel settembre 2025. Spediamo in produzione tre o otto volte al giorno. Eseguimosi la nostra stessa ingegneria, marketing e operazioni sul finimento. Il prossimo passo è dimostrare che aziende di tutte le dimensioni possono eseguire nello stesso modo.

Ma migliori agenti non sono il gioco finale. Il gioco finale è il finimento, il sistema intorno agli agenti.

Un agente è uno strumento. Un sistema di finimenti è una ruota a folle. Più gira, più si stringe. Più dati vede, migliori sono le sue audizioni. Migliori sono le sue audizioni, più efficaci sono le sue soluzioni. Più efficaci sono le sue soluzioni, più l’agente ha un impatto. E il ciclo continua.

Il modello del XX secolo di un’azienda è una gerarchia di esseri umani organizzati in dipartimenti, ognuno con manager, ognuno con processi progettati per il throughput umano. Quando gli agenti possono eseguire in modo affidabile la maggior parte del lavoro operativo, quel modello non diventa solo più efficiente, inizia a diventare inutile.

Tutti sanno che l’intelligenza artificiale promette un’esplosione di produttività. Ma l’industria è bloccata in due trappole. Se gli esseri umani operano ancora gli strumenti di intelligenza artificiale passo dopo passo, la produttività raggiunge un tetto. E se gli esseri umani sono ancora gli unici a costruire gli strumenti, la vera rivoluzione non è iniziata. Stiamo costruendo il sistema in cui l’intelligenza artificiale fa entrambe le cose: costruisce gli strumenti e li esegue.

La maggior parte dei fondatori con cui parlo opera ancora nel modo tradizionale. Alcuni pensano di fare lo spostamento. Molti non l’hanno fatto. Gli strumenti esistono perché qualsiasi team possa farlo. Nulla nel nostro stack è proprietario. Il vantaggio competitivo è la decisione di ridisegnare tutto intorno a questi strumenti e la volontà di assorbire il costo.

Abbiamo costruito una piattaforma di agenti. Gli agenti l’hanno ricostruita. Quello è il principio di progettazione. Il finimento si stringe giorno per giorno.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare CREAO.