피터 팡, CREAO의 공동 창립자이자 CTO – 인터뷰 시리즈

피터 팡, CREAO의 공동 창립자이자 CTO는, 인공 지능 연구와 기계 학습 인프라에 대한 깊은 배경을 가지고 있습니다. CREAO를 2025년에 설립하기 전에, 팡은 메타에서 6년간 연구 과학자로 일하며, LLaMA 기초 모델과 관련된 생성적 인공 지능과 데이터 주석 및 합성 데이터 생성을 위한 LLM 에이전트 시스템에 대해 작업했습니다. 메타 이전에, 그는 애플에서 기계 학습 엔지니어로 일하며, NLP, 전이 학습, 딥 학습, 예측 시스템에 중점을 두었습니다. 그의 초기 연구는 브룩해븐 국립 연구소에서 진행되었으며, 그는 고급 과학 연구와 실험 시스템에 노출되었습니다. 그의 경험은 CREAO의 기술적인 비전을 형성하며, 지속적인 실행, 메모리, 워크플로 자동화를 갖춘 인공 지능 에이전트를 구축하는 데 있습니다.(AAPL )

CREAO는 자연어를 통해 개인과 비즈니스들이 자율적인 인공 지능 에이전트와 워크플로우를 생성하는 것을 도와주는 인공 지능 네이티브 플랫폼입니다. 회사는 “슈퍼 에이전트”를 지속적인 출력을 생성할 수 있는 것뿐만 아니라 성공적인 작업을 재사용 가능한 에이전트로 변환할 수 있는 지속적인 시스템으로 포지셔닝합니다. CREAO의 플랫폼은 OpenAI, 앤트로픽, 구글 등의 주요 인공 지능 모델을 지원하며, 에이전트가 운영 실행을 담당하는 인공 지능 우선 운영 모델을 강조합니다. CREAO는 팔로 알토에서 설립되었으며, 비즈니스와 독립적인 전문가들을 위한 에이전틱 인공 지능 워크플로우, 노코드 자동화, 확장 가능한 인공 지능 오케스트레이션을 발전시키는 데 중점을 두고 있습니다.(GOOGL )

메타에서 LLaMA 기초 모델과 에이전트 시스템에 대해 작업한 후, CREAO를 공동 설립하기로 결정한 이유는 무엇입니까? 기존 인공 지능 플랫폼이 아직 해결하지 못한 문제는 무엇입니까?

메타에서 모델의 능력이 Dramatically 개선되는 것을 보았습니다. LLaMA를 확장했습니다. 제어된 환경에서 이러한 모델이 할 수 있는 것을 보았습니다. 모델이 할 수 있는 것과 사람들이 실제로 얻는 것 사이의 격차는 모델의 능력이 아니었습니다. 그것은 실행이었습니다.

모든 플랫폼은 동일한 인터페이스를 제공했습니다. 채팅 창입니다. 질문하면 답변하고, 작업을 수행합니다. 인공 지능은 계약자입니다. 그것은 모든 것을잊어버립니다합니다. 다음날 다시 실행합니다. 시스템은 아무 것도 배우지 못합니다. 비즈니스는 동일하게 유지됩니다.

그것이 문제였습니다. 모델의 지능이 아니었습니다. 실행이었습니다. 아무도 인공 지능이 대화에서 실행까지 모든 것을 처리할 수 있는 시스템을 구축하지 않았습니다.

제 배경은 물리학에서 왔습니다. 시스템적으로 생각하는 법을 배웠습니다. 브룩해븐과 스토니 브룩에서,저는 실험 파이프라인을 구축했습니다. 그 파이프라인은 도구, 데이터 수집, 분석이 모두 함께 작동해야만 결과가 의미가 있었던 것입니다. 애플에서저는 멀티모달 모델에 대해 작업했습니다. 동일한 패턴을 보았습니다. 원시적인 능력만으로는 아무 것도하지 못합니다.

CREAO를 공동 설립하기로 결정했을 때, 우리의 가설은 명확했습니다. 산업은 또 다른 챗봇이 필요하지 않습니다. 그것은 폐쇄된 루프가 필요합니다. 인공 지능이 도구를 구축하고, 실행하고, 개선하는 것입니다.

CREAO는 자율적인 인공 지능 에이전트와 워크플로우를 생성하는 플랫폼입니다. 현재 시장에 넘쳐나는 인공 지능 코파일럿와의 차이점은 무엇입니까?

공동 조종사는 당신 옆에 앉습니다. 당신이 운전하고, 그것은 제안합니다. 당신이 잠들면, 공동 조종사는 아무 것도하지 않습니다.

폐쇄된 시스템은 전체 사이클을 완성합니다. 관찰, 행동, 학습, 개선입니다. 인간은 결과를 정의합니다. 시스템은 실행, 지속성, 반복을 처리합니다.

CREAO에서, 우리는 이것을 하네스 시스템이라고 생각합니다. 단일 에이전트는 이메일을초안을 화하거나, 버그를 분류하거나, 보고서를 요약할 수 있습니다. 그러나 단일 에이전트는 아무 것도하지 않습니다. 그것은 실행하고, 출력을 생성하고,멈춥니다합니다. 하네스 시스템은 에이전트를 감쌉니다. 그것은 에이전트를 일회용 도구에서 자기 개선 엔진으로 변환합니다.

그것은 구조적으로 다릅니다. “나는 X를 하는 에이전트가 있습니다”와는 다릅니다. 이것은 시스템이 무엇을해야 하는지 발견하고, 그것을 구축하고, 측정하고, 개선하는 것입니다. 그것은 당신에게 말하지 않습니다.

대부분의 공동 조종사는 인공 지능 보조입니다. 폐쇄된 루프는 인공 지능 운영입니다. 그것이 구분선입니다.

최근에 인공 지능 엔지니어링과 인공 지능 우선 조직에 대한 게시물은 많은 주목을 받았습니다. CREAO에서 99%의 생산 코드가 인공 지능에 의해 작성된다는 사실에 대한 반응에 대해 무엇을 가장 놀랐습니까?

포스트는 180만 조회수를 기록했습니다.저는 그것을 팀을 위해 문서화하기 위해 썼습니다. 내가 기대하지 않았던 반응이었습니다.

반응의 분할이 나를 놀라게 했습니다. 한 집단은 이것이 무책임하다고 말했습니다. 인공 지능으로 생성된 코드를 생산에 신뢰할 수 없다고 말했습니다. 다른 집단은 “우리는 동일한 것을 보이고 있습니다. 그러나 아무도 그것에 대해 말하지 않습니다”라고 말했습니다.

그 두 번째 집단은 나를 위해 중요한 것을 말했습니다. 산업 전반에 걸쳐 조용히 이러한 전환을 겪고 있는 팀들이 있습니다. 한 기자는 나에게 5명과 이 주제에 대해 이야기했다고 말했습니다. 그는 우리가 더 멀리 나아갔다고 말했습니다. “나는 아직 아무도 전체 워크플로우를 완전히 재건하지 못했다고 생각합니다.”

99%의 숫자는 도전적이지만, 그것은 단순히 인간의 병목 현상을 하나씩 제거한 결과입니다. 코드베이스를 통일했습니다. 우리의 이전 아키텍처는 여러 독립적인 시스템에 걸쳐 있었습니다. 단일 변경 사항은 3 또는 4개의 저장소를 수정해야 할 수 있습니다. 인간 엔지니어의 관점에서 관리할 수 있지만, 에이전트의 관점에서 불투명합니다.

가장 놀라운 점은 더 많은 CTO가 이 사실을 공개적으로 말하지 않는다는 것입니다. 많은 이들이 이미 그렇게 하고 있지만, 외부의 인식을 두려워한다고 생각합니다.

기고문에서 대부분의 기업은 진정한 “AI 우선”이 아니라 여전히 “AI 보조” 단계라고 주장하셨습니다. 이미 AI 네이티브 조직으로 운영되고 있다고 믿는 경영진이 가장 크게 오해하는 부분은 무엇입니까?

같은 스프린트 주기, 같은 Jira 보드, 같은 주간 스탠드업, 같은 QA 승인을 그대로 유지하면서 AI 우선이라고 말하는 팀을 봅니다. 그들은 기존 순환 과정에 AI를 추가했을 뿐, 그 과정 자체를 다시 설계하지 않았습니다.

가장 큰 오해는 “우리는 AI 도구를 사용하므로 AI 우선 조직이다”라는 생각입니다. 엔지니어는 Cursor를 열고, 제품 관리자는 ChatGPT로 사양을 작성하며, QA는 AI 테스트 생성을 실험합니다. 그러나 워크플로는 그대로입니다. 효율은 10~20% 높아지지만 구조적으로 달라지는 것은 없습니다. 이것이 AI 보조입니다.

판별법은 이렇습니다. 내일 모든 AI 도구를 없앤다면 프로세스를 바꿔야 합니까, 아니면 도구만 바꾸면 됩니까? 프로세스가 그대로라면 AI 우선이 아닙니다.

두 번째 오해는 AI 우선 전환이 엔지니어링만의 결정이라는 것입니다. 엔지니어링이 몇 시간 만에 기능을 출시해도 마케팅이 알리는 데 일주일이 걸리면 마케팅이 병목입니다. 제품팀이 여전히 월간 계획 주기를 따른다면 계획이 병목입니다. CREAO에서는 AI 네이티브 운영을 모든 기능에 적용했습니다. 변경 로그에서 릴리스 노트를 생성하고, AI로 기능 소개 영상을 만들며, 소셜 미디어를 조율해 자동 게시하고, 운영 데이터베이스에서 상태 보고서를 생성합니다. 엔지니어링·제품·마케팅·성장이 하나의 AI 네이티브 워크플로로 움직입니다. 한 기능은 에이전트 속도로, 다른 기능은 인간 속도로 움직이면 인간 속도의 기능이 전체를 제약합니다.

세 번째 오해는 이 전환을 점진적으로 할 수 있다는 생각입니다. 흔히 “바이브 코딩”이라 부르는 방식이 그 예입니다. Cursor를 열고 작동할 때까지 프롬프트를 입력한 뒤 커밋하고 반복합니다. 그 방식은 프로토타입을 만듭니다. 운영 시스템에는 안정성, 신뢰성, 보안이 필요합니다. AI가 코드를 작성할 때도 이러한 속성을 보장하는 시스템이 있어야 합니다. 여러분이 구축해야 할 것은 시스템이며, 프롬프트는 일회용입니다.

최근의 포스트에서, CREAO는 인공 지능 에이전트를 사용하여 전체 엔지니어링 워크플로우를 재설계했습니다. 이 전환의 가장 어려운 부분은 무엇입니까?

둘 다 어렵지만 어려움의 종류가 다릅니다.

운영상 가장 어려운 결정은 코드베이스를 통합하는 것이었습니다. 기존 아키텍처는 여러 독립 시스템에 흩어져 있었습니다. 변경 하나에 저장소 세네 개를 수정해야 할 때도 있었습니다. 인간 엔지니어에게는 감당할 수 있지만 AI 에이전트에게는 불투명합니다. 에이전트는 전체 그림을 볼 수 없고, 서비스 간 영향을 추론할 수 없으며, 통합 테스트를 로컬에서 실행할 수도 없습니다.

나는 1주일 동안 새로운 시스템을 설계하고, 1주일 동안 전체 코드베이스를 에이전트를 사용하여 재구성했습니다. 그것은 대담한 결정이었습니다. 만약에 실패한다면, 우리는 깨진 모노 레포와 깨진 멀티 레포 설정을 가질 것입니다. 그러나 원칙은 명확합니다. 에이전트가 검사하고, 검증하고, 수정할 수 있는 시스템의 부분을 더 많이 끌어들이면, 더 많은 레버리지를 얻습니다. 단편적인 코드베이스는 에이전트에게 투명하지 않습니다. 통일된 것은 읽을 수 있습니다.

문화적으로 가장 어려운 부분은 정체성입니다. 엔지니어들은 코드를 작성하는 데 가치를 찾습니다. 인공 지능이 99%의 코드를 작성할 때, 질문은 “내가 지금 무엇을해야 합니까?”가 됩니다. 그것은 프로세스 질문이 아닙니다. 그것은 존재론적인 것입니다.

저는 일부 팀원이 불확실하다고 생각하지 않습니다. 내가 매일 사람들과 이야기하지 않기 시작했을 때, 내 관리 시간은 60%에서 10%이하로 떨어졌습니다. 일부 팀원은 불확실하다고 느꼈습니다. CTO가 나와 이야기하지 않는다는 것은 무엇을 의미합니까? 내 가치는 이 새로운 세계에서 무엇입니까? 그것은 합리적인 우려입니다. 일부 사람들은 인공 지능이 그들의 일을 할 수 있는지에 대해 더 많이 논의합니다.

그러나 사람들이 새로운 워크플로우를 경험했을 때, 대부분은 그것이 더 지적으로 흥미롭다고 느꼈습니다. 그들의 일이 시스템을 설계하고, 표준 운영 절차를 정의하고, 피드백 루프를 구축하는 데로 바뀌었습니다. 문제 해결자로서, 코더로서의 그들의 정체성이 가장정교하게 결합된 엔지니어들이 가장 어려움을 겪었습니다. 가장 빠르게 적응한 엔지니어들은 문제 해결자로서, 코더로서의 그들의 정체성이 가장 느슨했습니다.

글에서 더 논쟁적이었던 관찰 중 하나는 이 새로운 환경에 선임 엔지니어보다 주니어 엔지니어가 더 빨리 적응했다는 점입니다. AI 우선 엔지니어링 팀에서 축적된 기술 경험보다 적응력이 더 중요해지는 이유는 무엇이라고 보십니까?

예상하지 못한 패턴을 발견했습니다. 전통적 실무 경험이 적은 주니어 엔지니어들은 역량이 강화됐다고 느꼈습니다. 자신의 영향력을 증폭시키는 도구를 사용할 수 있었고, 버려야 할 10년치 습관도 없었습니다.

전통적 실무 역량이 강한 선임 엔지니어들이 가장 힘들어했습니다. 그들이 두 달 동안 할 일을 AI가 한 시간 만에 끝낼 수 있었습니다. 오랜 세월 희소한 기술을 쌓아온 사람에게는 받아들이기 어려운 일입니다.

이유는 구조적입니다. 선임 엔지니어의 전문성은 복잡한 시스템을 탐색하고, 최적화된 구현을 작성하며, 철저한 리뷰를 수행하는 코드의 기계적 실행에 자리합니다. 수년에 걸쳐 얻은 실제 역량입니다. 그러나 AI 우선 환경에서 자동화되는 부분은 바로 코드를 작성하는 기계적 기술입니다. 남는 것, 그리고 더 가치 있어지는 것은 AI를 평가하고 비판하며 지시하는 능력입니다.

저는 물리학 박사입니다. 박사 과정에서 배운 것 중 가장 유용한 것은 가정을 의심하고, 주장을 가혹하게 검증하며, 빠진 것이 무엇인지 찾는 방법입니다. AI를 비판하는 능력은 코드를 생산하는 능력보다 더 가치 있습니다. 아키텍처 제안을 보고 에이전트가 놓친 실패 모드를 찾을 수 있습니까? 생성된 UI를 보고 사용자가 말하기 전에 잘못됐다는 것을 알 수 있습니까?

주니어 엔지니어에게는 내려놓아야 할 깊은 기계적 전문성이 애초에 없었습니다. 그들은 그저 새로운 방식을 배웠습니다.

가치 판단을 하려는 것이 아니라 제가 관찰한 것을 설명하는 것입니다. 깊은 아키텍처 사고와 시스템 설계 직관 때문에 연차는 여전히 장점입니다. 다만 선임 엔지니어가 다른 고도에서 일할 의향이 있을 때만 그렇습니다. 이 전환에서는 축적된 기술보다 적응력이 중요합니다.

CREAO는 모노리포, 자동화된 CI/CD 파이프라인, AI 리뷰 시스템, 그리고 CloudWatch·Sentry·Linear·Claude를 통합한 자가 치유 순환 구조를 중심으로 인프라를 다시 구축했습니다. 소프트웨어 시스템이 대부분 스스로 유지·보수하고 수리하는 미래에 얼마나 가까이 와 있습니까?

현재 운영 환경에서 자가 치유 순환 구조를 실행하고 있습니다. 실제로 어떤 일을 하는지 설명하겠습니다.

매일 오전 9시(UTC)에 자동 상태 점검 워크플로가 실행됩니다. Claude Sonnet이 CloudWatch를 조회하고 모든 서비스의 오류 패턴을 분석해 팀에 전달할 경영진용 상태 요약을 생성합니다. 누구도 요청하지 않아도 자동으로 실행됩니다. 한 시간 뒤에는 분류 엔진이 CloudWatch와 Sentry의 운영 오류를 군집화하고 사용자 영향, 발생 속도, 영향 범위, 비즈니스 중요도 등 아홉 가지 심각도 차원으로 각 군집의 점수를 매깁니다. 그런 다음 샘플 로그, 영향받는 엔드포인트, 권장 조사 경로를 포함한 조사 티켓을 Linear에 자동 생성합니다.

엔지니어가 수정 사항을 푸시하면 같은 파이프라인이 후속 작업을 처리합니다. Claude의 세 차례 리뷰가 코드 품질, 보안, 의존성 검사를 각각 수행해 PR을 평가하고, CI는 여섯 단계 파이프라인으로 검증합니다. 배포 뒤에는 분류 엔진이 다시 확인하며, 원래 오류가 해결됐다면 티켓이 자동으로 닫힙니다.

여기에 더해 “Agent Harness”라고 부르는 시스템을 구축했습니다. Anthropic 심사자, OpenAI 심사자, Google 심사자로 구성된 3중 심사 패널이 모든 실시간 에이전트 응답을 채점합니다. 점수가 떨어지면 여섯 작업으로 구성된 엔지니어링 파이프라인이 낮은 점수를 Linear 티켓, 초안 PR, 검증된 수정 사항으로 바꿉니다. 큰 변경에는 AI가 통제하는 점진적 배포를 적용해 트래픽의 10%를 새 버전으로 보내고, 점수가 유지될 때만 20%, 50%, 100%로 확대합니다.

우리에게는 QA 팀이 없습니다. 스테이징 환경도 없습니다. 누구도 대화 기록을 읽고 에이전트 답변에 수동으로 점수를 매기지 않습니다.

그렇다면 얼마나 가까워졌을까요? 알려진 오류 패턴, 회귀, 설정 변동처럼 범위가 제한된 영역에서는 대부분이 생각하는 것보다 가깝습니다. 적절한 인프라가 있다면 운영 유지보수의 70~80%를 이런 방식으로 실행할 수 있다고 봅니다. 여전히 인간이 필요한 부분은 아키텍처 자체가 잘못됐을 수 있는 모호한 실패나, 시스템에 기록되지 않은 비즈니스 결정을 이해해야 수정할 수 있는 경우입니다.

실질적인 교훈은 완벽해질 때까지 기다릴 필요가 없다는 것입니다. 부분적인 자가 치유만으로도 팀의 역학은 크게 달라집니다.

AI 에이전트가 대규모 운영팀을 대체하면서 “1인 기업”이 흔해질 미래를 말씀하셨습니다. 어떤 유형의 기업이나 산업이 이러한 변화를 가장 먼저 체감할 것으로 보십니까?

핵심 가치 창출에 비해 운영 간접비의 비율이 가장 높은 기업들입니다.

저는 1인 기업이 흔해질 것이라고 믿습니다. 에이전트를 활용하는 설계자 한 명이 100명의 일을 할 수 있다면 많은 기업은 두 번째 직원을 필요로 하지 않을 것입니다. 이 변화를 움직이는 시계는 모델의 역량입니다. CREAO에서 일어난 변화 전부를 지난 두 달의 발전 덕분이라고 봅니다. Opus 4.5는 Opus 4.6이 하는 일을 할 수 없었습니다. 차세대 모델은 이를 더 가속할 것입니다.

변화는 업무가 디지털이고 반복 가능하며 피드백 순환이 분명한 곳에서 먼저 나타납니다. 콘텐츠 제작, 마케팅 운영, 전자상거래, 개발자 도구, 디지털 에이전시가 그렇습니다. 비즈니스의 본질이 정보를 받아 변환하고 배포하는 것이라면 하네스 시스템이 그 순환의 대부분을 처리할 수 있습니다.

우리 플랫폼에서도 이를 확인합니다. 실제 작업에서 구체적 사용 사례를 설명합니다. 1인 창업자가 GitHub, Sentry, CloudWatch를 연결하면 시스템이 오류 로그, 배포 빈도, 인프라 상태를 감사합니다. 그 감사 결과로 버그 분류 에이전트, 기능 발견 에이전트, 콘텐츠 생성 파이프라인, 인프라 최적화 순환 구조를 만듭니다. 각 에이전트가 실행되어 결과를 내고, 그 결과가 상태를 바꿉니다. 다음 주기의 감사에서는 달라진 상황을 보게 됩니다. 시스템이 새 해결책을 찾아낸 것이며, 창업자가 미리 계획한 것이 아닙니다.

CREAO에서는 우리 운영 자체를 이런 방식으로 실행합니다. 한 에이전트가 하룻밤 사이 세 명이 하던 SEO 워크플로를 대체했습니다. 다른 에이전트는 누구도 출력을 확인하지 않은 채 이틀 동안 콘텐츠 파이프라인을 돌렸습니다. 결과는 형편없었고 우리는 그 시스템을 폐기했습니다. 두 일은 같은 주에 일어났습니다. 우리는 스스로를 미래 업무의 충돌 시험용 인형이라고 부릅니다.

이 변화를 가장 늦게 체감할 산업은 의료, 중공업, 법률처럼 업무가 물리적이고 규제가 강하거나 모든 결정에 인간의 판단이 필요한 곳입니다. 하지만 그런 분야에서도 행정 계층은 축소될 것입니다.

CREAO는 최근 1,000만 달러를 프로스퍼리티7 벤처스로부터 투자 받았습니다. 이 파트너십은 CREAO에게 어떤 전략적 기회를 제공합니까?

프로스퍼리티7는 30억 달러의 다각화된 펀드를 관리하며, 실리콘 밸리, 중동, 아시아에서 운영됩니다. 그들의 포트폴리오에는 엔터프라이즈 인공 지능 인프라가 포함되어 있습니다. 전략적 적합성은 자본을 넘어섭니다.

그들의 가설은 우리와 일치했습니다. 인공 지능 채택이 성숙함에 따라,초점은 모델에서 실행으로 이동하고 있습니다. CREAO는 에이전트가 자율적으로, 신뢰성 있게, 지속적으로 작동할 수 있는 인프라 계층을 구축하고 있습니다. 그것이 정확히 우리가 믿는 것입니다. 인공 지능 에이전트 시장은 2030년까지 520억 달러에 달할 것입니다. 가치를 획득하는 회사는 최고의 모델을 가진 것이 아닙니다. 그것은 최고의 실행 계층을 가진 것입니다.

실제적으로, 1,000만 달러 – 총 2,500만 달러를 1년 미만의 세 번의 라운드에서 조달함으로써 – 세 가지 것을 가속화합니다. 첫째, 엔지니어링의 깊이입니다. 우리는 엔터프라이즈급 통합과 에이전트 간 협력을 처리하기 위해 팀을 확장하고 있습니다. 셀프 힐링 하네스, 트라이 저지 판넬, 인공 지능 게이트된 롤아웃 시스템 – 이것들은 엔터프라이즈 규모에서 작동해야 합니다. 둘째, 지리적 범위입니다. 프로스퍼리티7의 중동과 아시아에서의 존재는 인공 지능 채택이 가속화되는 시장으로 개방됩니다. 셋째, 기관의 신뢰성입니다. 엔터프라이즈가 에이전트가 지속적으로 작동하는 것을 신뢰하도록 요청할 때, 백업이 중요합니다.

우리는 유료 마케팅 없이 유기적 채택만으로 사용자 20만 명을 확보했고, 1년도 안 돼 2,500만 달러를 조달했습니다. 이 속도는 실행 계층이 다음 경쟁 무대라는 시장의 확신을 보여줍니다.

CREAO의 장기적인 비전은 무엇입니까? 더 나은 인공 지능 에이전트를 구축하는 것입니까, 아니면 회사를 구조화하고 운영하는 방식을 재정의하는 것입니까?

둘 다입니다. 그리고 그것들은 분리할 수 없습니다.

단기적으로, 성공은 폐쇄된 모델이 규모에서 작동하는 것을 증명하는 것입니다. 우리는 20만 명의 사용자가 있습니다. 우리는 매일 3~8번 프로덕션으로 출하합니다. 우리는 우리의 엔지니어링, 마케팅, 운영을 하네스에서 실행합니다. 다음 단계는 모든 규모의 비즈니스가 동일한 방식으로 작동할 수 있다는 것을 증명하는 것입니다.

그러나 더 나은 에이전트가 최종 목표가 아닙니다. 최종 목표는 하네스입니다 – 에이전트를 둘러싼 시스템입니다.

에이전트는 도구입니다. 하네스 시스템은 플라이휠입니다. 그것이 더 많이 실행될수록, 더정교해집니다. 더 많은 데이터를 볼수록, 더 나은 감사 결과를 얻습니다. 더 나은 감사 결과를 얻을수록, 더 나은 솔루션을 얻습니다. 더 나은 솔루션을 얻을수록, 더 나은 에이전트를 얻습니다. 더 나은 에이전트를 얻을수록, 더 많은 데이터가 변경됩니다. 그리고 루프는 계속됩니다.

20세기 모델의 회사는 인간의 계층 구조입니다. 각 부서에는 관리자가 있으며, 각 관리자에는 프로세스가 있습니다. 인공 지능이 대부분의 운영 작업을 신뢰성 있게 실행할 수 있을 때, 그 모델은 효율적이지 않습니다. 그것은 불필요해집니다.

모두가 알고 있습니다. 인공 지능은 생산성의 폭발을 약속합니다. 그러나 산업은 두 가지 함정에 빠져 있습니다. 인간이 인공 지능 도구를 단계적으로 운영할 때, 생산성은 천장에 부딪칩니다. 그리고 인간이 도구를 구축하는 유일한 사람일 때, 실제 혁명은 시작되지 않습니다. 우리는 인공 지능이 도구를 구축하고, 실행하는 시스템을 구축하고 있습니다.

대부분의 창업자는 여전히 전통적인 방식으로 운영합니다. 일부는 변화를 고민합니다. 매우 적은 수의 사람들이 이미 그렇게하고 있습니다. 도구는 모든 팀이이렇게 할 수 있도록 존재합니다. 우리의 스택에는 비공개적인 것이 없습니다. 경쟁 우위는 이러한 도구를 둘러싼 모든 것을 재설계하는 결정이며, 비용을 흡수하는 의지입니다.

우리는 에이전트 플랫폼을 구축했습니다. 에이전트가 그것을 재구축했습니다. 그것이 우리의 설계 원칙입니다. 하네스는 하루하루정교해집니다.

감사합니다. 더 많은 정보를 원하는 독자는 CREAO를 방문하십시오.