Peter Pang, mede-oprichter en CTO van CREAO – Interviewreeks

Peter Pang, mede-oprichter en CTO van CREAO, brengt een diepe achtergrond in kunstmatige intelligentieonderzoek en machine learning-infrastructuur naar de opkomende agentic AI-ruimte. Voordat hij CREAO in 2025 lanceerde, werkte Pang bijna zes jaar bij Meta als onderzoeker aan generatieve AI-initiatieven die verband houden met de LLaMA-foundationmodellen, waaronder LLM-agentsystemen voor gegevensannotatie en synthetische gegevensgeneratie. Voordat hij bij Meta werkte, werkte hij bij Apple (AAPL ) als machine learning-engineer met een focus op NLP, transfer learning, diepe learning en predictieve systemen, terwijl zijn eerdere jaren bij Brookhaven National Laboratory hem blootstelden aan geavanceerd wetenschappelijk onderzoek en experimentele systemen. Zijn ervaring met baanbrekend AI-onderzoek, grootschalige machine learning en autonome systemen vormt nu de technische visie van CREAO voor het bouwen van AI-agents die persistentie, geheugen en workflowautomatisering kunnen uitvoeren.

CREAO is een AI-natief platform dat zich richt op het helpen van individuen en bedrijven bij het creëren van autonome AI-agents en workflows via natuurlijke taal in plaats van traditionele codering. Het bedrijf positioneert zijn “Super Agent” als een persistent AI-systeem dat niet alleen output kan genereren, maar ook succesvolle taken kan omzetten in herbruikbare agents die continu kunnen werken met geheugen, planning en integraties met externe tools en API’s. Het platform van CREAO ondersteunt belangrijke frontier AI-modellen, waaronder OpenAI, Anthropic, Google (GOOGL ) en anderen, en benadrukt een AI-first operationeel model waarin agents de operationele uitvoering steeds meer overnemen in plaats van als eenmalige assistenten te fungeren. Opgericht in Palo Alto, richt het bedrijf zich op het verbeteren van agentic AI-workflows, no-code-automatisering en schaalbare AI-orchestratie voor bedrijven en onafhankelijke professionals.

U hebt bijna zes jaar bij Meta gewerkt aan LLaMA-foundationmodellen en agentic systemen voor synthetische gegevensgeneratie, na eerdere machine learning-rollen bij Apple en onderzoekswerk bij Brookhaven National Laboratory. Wat overtuigde u ervan dat het de juiste tijd was om CREAO AI mede op te richten, en welk probleem voelde u dat bestaande AI-platforms nog steeds niet oplosten?

Bij Meta zag ik de modelcapaciteit dramatisch verbeteren met elke generatie. Ik werkte aan het schalen van LLaMA. Ik zag wat deze modellen in gecontroleerde omgevingen konden doen. De kloof die zich bleef verbreden, was niet wat de modellen konden bereiken – het was wat mensen er werkelijk uit haalden.

Elk platform bood je hetzelfde interface: een chatvenster. Je vraagt, het antwoordt, je doet het werk. De AI is een aannemer die alles tussen shifts vergeet. Je draait het morgen opnieuw. Het systeem leert niets tussen runs. Je bedrijf blijft hetzelfde.

Dat was het probleem. Niet de intelligentie van het model. Uitvoering. Niemand bouwde een systeem waarin AI een resultaat van gesprek tot uitvoering kon brengen, het kon persisteren en herhalen zonder menselijke tussenkomst.

Mijn achtergrond in natuurkunde leerde me om in systemen te denken, niet in componenten. Bij Brookhaven en tijdens mijn PhD aan Stony Brook bracht ik jaren door met het bouwen van experimentele pipelines waarin het instrument, de gegevensverzameling en de analyse als een gesloten lus moesten werken, of de resultaten zouden niets betekenen. Bij Apple werkte ik aan multimodale modellen en zag ik hetzelfde patroon: brute capaciteit zonder systeem eromheen compenseert niet.

Toen Kai en ik over CREAO praatten, was de these specifiek: de industrie heeft geen andere chatbot nodig. Het heeft een gesloten lus nodig – AI die tools bouwt, ze uitvoert en beter wordt over tijd. De modellen waren eindelijk goed genoeg. Niemand bouwde de lus.

CREAO beschrijft zichzelf als een platform waarop AI zowel tools kan bouwen als autonoom werk kan uitvoeren. Hoe definieert u het verschil tussen een echte “gesloten-lus” AI-systeem en de golf van AI-co-piloten die de markt overspoelen?

Een co-piloot zit naast je. Jij rijdt, het suggereert. Als je in slaap valt, doet de co-piloot niets.

Een gesloten-lus systeem voltooit de volledige cyclus: observeer, handel, leer, verbeter. De mens definieert het resultaat. Het systeem behandelt uitvoering, persistentie en iteratie.

Bij CREAO denken we hierover na als een harnassysteem. Een enkele agent kan een e-mail opstellen, een bug triëren of een rapport samenvatten. Maar een enkele agent compenseert niet. Het draait, produceert output en stopt. Een harnassysteem omhult agents en verandert ze van eenmalige tools in een zelfverbeterend systeem. Het volgt een lus: verbinding, auditing, oplossingen, bouw, zelfverbetering. Het systeem plugt in op je echte gegevensbronnen – je repositories, je foutenlogboeken, je advertentierekeningen. Het beoordeelt de huidige staat. Het stelt reparaties voor. Agents worden gebouwd om die reparaties uit te voeren. De output voedt terug. Een nieuwe ronde van auditing begint. De lus verstrakt.

Dat is structureel anders dan “Ik heb een agent die X doet.” Dit is een systeem dat ontdekt wat X zou moeten zijn, X bouwt, X meet en X evolueert zonder dat je het hoeft te zeggen.

De meeste co-piloten zijn AI-ondersteund. Een gesloten lus is AI-geëxploiteerd. Dat is de scheidslijn.

Uw recente post over “harnas-engineering” en AI-first-organisaties trok massale aandacht online. Wat verbaasde u het meest over de reactie op het idee dat 99% van de productiecode bij CREAO nu door AI is geschreven?

De post haalde 1,8 miljoen views. Ik schreef het als documentatie voor ons team – een record van hoe we onze structuur herschreven en wat we leerden. Ik verwachtte die reach niet.

Wat me verbaasde, was de splitsing in reacties. De ene groep zei dat dit onverantwoord was, dat je AI-gegenereerde code in productie niet kunt vertrouwen. De andere groep zei: “We zien hetzelfde en niemand praat erover.”

Die tweede groep vertelde me iets belangrijks. Er zijn teams over de hele industrie die stilzwijgend door deze transformatie gaan. Een reporter die ik sprak, vertelde me dat ze met ongeveer vijf mensen over dit onderwerp had gesproken. Ze zei dat we verder waren dan wie dan ook: “Ik denk niet dat iemand zijn hele workflow op deze manier heeft herschreven.”

Het 99%-cijfer klinkt provocerend, maar het is gewoon het resultaat van het verwijderen van menselijke bottlenecks een voor een. Als je de architectuur zo ontwerpt dat agents de volledige codebase kunnen zien – we hebben alles verenigd in een enkele monorepo, specifiek zodat AI alles kon zien – en je CI/CD-pipeline zes deterministische fasen heeft, en drie parallelle AI-controlepassen kwaliteit, beveiliging en afhankelijkheidsproblemen op elke PR controleren, en je zelfherstellende lus fouten detecteert, triëert en automatisch verifieert, dan verschuift de menselijke rol van code schrijven naar systeemontwerp dat bepaalt hoe agents code schrijven. De codevolume volgt van nature.

Wat me het meest verbaasde, is dat meer CTO’s dit niet publiekelijk zeggen. Ik denk dat veel het doen, maar bang zijn voor de perceptie.

In uw artikel betoogt u dat de meeste bedrijven nog steeds “AI-ondersteund” zijn in plaats van echt “AI-first”. Wat zijn de grootste misverstanden die leiderschapsteams hebben als ze denken dat ze al als AI-natieve organisaties opereren?

Ik zie teams die claimen AI-first te zijn, terwijl ze nog steeds dezelfde sprint-cycli, Jira-borden, wekelijkse standups en QA-goedkeuringen gebruiken. Ze hebben AI aan de lus toegevoegd. Ze hebben de lus niet herschreven.

De grootste misvatting: “We gebruiken AI-tools, dus we zijn AI-first.” Een engineer opent Cursor. Een PM schrijft specificaties met ChatGPT. QA experimenteert met AI-testgeneratie. De workflow blijft hetzelfde. Efficiëntie gaat met 10 tot 20 procent omhoog. Niets structureels verandert. Dat is AI-ondersteund.

De test: als je morgen alle AI-tools zou verwijderen, zou je proces dan moeten veranderen, of alleen je tools? Als het proces hetzelfde blijft, ben je niet AI-first.

De tweede misvatting is dat AI-first een technische beslissing is. Als engineering functies in uren aflevert, maar marketing een week nodig heeft om ze aan te kondigen, is marketing de bottleneck. Als het productteam nog steeds een maandelijkse planningscyclus uitvoert, is planning de bottleneck. Bij CREAO hebben we AI-natieve operaties naar elke functie geduwd: release-notities gegenereerd uit changelogs, functie-introductievideo’s door AI gegenereerd, social media gecoördineerd en automatisch gepubliceerd, gezondheidsrapporten gegenereerd uit productiedatabases. Engineering, product, marketing en groei draaien in één AI-natieve workflow. Als één functie op agentsnelheid draait en een andere op mensensnelheid, beperkt de mensensnelheid alles.

De derde misvatting is dat deze transformatie geleidelijk kan zijn. Een veelvoorkomende versie hiervan is wat mensen “vibe-coding” noemen. Open Cursor, prompt totdat het werkt, commit, herhaal. Dat produceert prototypes. Een productiesysteem heeft stabiliteit, betrouwbaarheid en beveiliging nodig. Je hebt een systeem nodig dat deze eigenschappen garandeert wanneer AI de code schrijft. Je bouwt het systeem. De prompts zijn wegwerpbaar.

U schreef dat de echte doorbraak kwam toen CREAO de hele technische workflow herschreef rond AI-agents in plaats van alleen AI-tools toe te voegen aan bestaande processen. Welk deel van die transformatie was het moeilijkst operationeel of cultureel voor het team?

Beide, maar ze zijn verschillende soorten moeilijk.

Operationeel was de moeilijkste beslissing het unificeren van de codebase. Onze oude architectuur was verspreid over meerdere onafhankelijke systemen. Een enkele wijziging kon betekenen dat je drie of vier repositories moest aanraken. Vanuit het perspectief van een menselijke engineer, beheersbaar. Vanuit het perspectief van een AI-agent, ondoorzichtig. De agent kan het volledige beeld niet zien. Het kan niet redeneren over cross-service-implicaties. Het kan geen integratietests lokaal uitvoeren.

Ik besteedde een week aan het ontwerpen van het nieuwe systeem en nog een week aan het herschrijven van de hele codebase met agents. Dat was een gewaagde stap. Als het faalde, zouden we een gebroken monorepo en een gebroken multi-repo-opstelling hebben. Maar het principe is duidelijk: hoe meer van je systeem je in een vorm trekt die de agent kan inspecteren, valideren en wijzigen, hoe meer hefboomwerking je krijgt. Een gefragmenteerde codebase is onzichtbaar voor agents. Een verenigde is leesbaar.

Cultureel was het moeilijkste deel identiteit. Engineers vinden hun waarde in de code die ze schrijven. Als AI 99% van de code schrijft, wordt de vraag: wat is mijn werk nu? Dat is geen procesvraag. Dat is existentieel.

Ik zal niet doen alsof iedereen blij was. Toen ik ophield met praten met mensen elke dag omdat mijn managementtijd van 60% naar minder dan 10% daalde, voelden sommige teamleden zich onzeker. Wat betekent het als de CTO niet met me praat? Wat is mijn waarde in deze nieuwe wereld? Dat zijn redelijke zorgen. Sommige mensen besteden meer tijd aan het debatteren of AI hun werk kan doen dan aan het doen van het werk.

Maar zodra mensen de nieuwe workflow ervaren – waar hun werk verschuift van code typen naar systeemontwerp, SOP’s definiëren en feedbackloops bouwen – vonden de meesten het meer intellectueel aantrekkelijk. De engineers die het meest worstelden, waren degene wiens identiteit het sterkst gekoppeld was aan het schrijven van code. Degene die het snelst aanpasten, zagen zichzelf als probleemoplossers in de eerste plaats en coders in de tweede plaats.

Een van de meer controversiële observaties in uw stuk was dat junior-engineers sneller aanpasten dan senior-engineers in deze nieuwe omgeving. Waarom denkt u dat aanpasbaarheid belangrijker wordt dan opgebouwde technische ervaring in AI-first-engineeringteams?

Ik zag een patroon dat ik niet verwachtte. Junior-engineers met minder traditionele praktijk voelden zich gemotiveerd. Ze hadden toegang tot tools die hun impact versterkten. Ze hadden geen decennium aan gewoonten om af te leren.

Senior-engineers met sterke traditionele praktijk hadden het moeilijkst. Twee maanden van hun werk konden in één uur door AI worden gedaan. Dat is een moeilijke zaak om te accepteren na jaren van het opbouwen van een zeldzame vaardigheid.

De reden is structureel. De expertise van een senior-engineer leeft in de mechanische uitvoering van code – het navigeren door complexe systemen, het schrijven van geoptimaliseerde implementaties, het uitvoeren van grondige reviews. Die vaardigheden zijn verdiend over jaren en ze zijn echt. Maar in een AI-first-omgeving is de mechanische vaardigheid van code schrijven het deel dat geautomatiseerd wordt. Wat overblijft – en wordt meer waard – is de mogelijkheid om AI te evalueren, te kritiseren en te sturen.

Ik heb een PhD in natuurkunde. Het meest nuttige dat mijn PhD me leerde, was hoe ik aannamen kon bevragen, argumenten kon testen en kon zoeken naar wat ontbreekt. De mogelijkheid om AI te kritiseren is meer waard dan de mogelijkheid om code te produceren. Kun je naar een architectuurvoorstel kijken en de foutieve modus zien die de agent miste? Kun je naar een gegenereerde UI kijken en weten dat het verkeerd is voordat de gebruiker het je vertelt?

Junior-engineers hadden nooit diepe mechanische expertise om los te laten. Ze leerden gewoon de nieuwe dingen.

Ik maak geen oordeel. Ik beschrijf wat ik observeerde. Senioriteit is nog steeds een voordeel – het diepe architecturale denken, de systeemontwerpintuïtie – maar alleen als de senior-engineer bereid is om op een andere hoogte te opereren. In deze transformatie is aanpasbaarheid belangrijker dan opgebouwde vaardigheid.

CREAO heeft zijn infrastructuur herschreven rond monorepos, geautomatiseerde CI/CD-pipelines, AI-controle-systemen en zelfherstellende lussen die tools zoals CloudWatch, Sentry, Linear en Claude integreren. Hoe dichtbij zijn we bij een toekomst waarin software-systemen zich grotendeels zelf onderhouden en repareren?

We draaien een zelfherstellende lus in productie. Laat me uitleggen wat het eigenlijk doet.

Elke ochtend om 09:00 UTC draait een geautomatiseerde gezondheidsworkflow. Claude Sonnet vraagt CloudWatch, analyseert foutpatronen over alle services en genereert een executive gezondheidsrapport dat aan het team wordt geleverd. Niemand vroeg ernaar. Een uur later clusteren de triage-engine productiefouten van CloudWatch en Sentry, scoort elke cluster over negen ernstdimensies – gebruikersimpact, snelheid, blast radius, bedrijfskritiek en vijf anderen – en genereert automatisch onderzoekskaarten in Linear met voorbeeldlogboeken, getroffen eindpunten en voorgestelde onderzoeksrichtingen.

Wanneer een engineer een fix pusht, behandelt dezelfde pipeline het. Drie Claude-controle-passen evalueren de PR – codekwaliteit, beveiliging en afhankelijkheidsscanning. CI valideert via een zesfasen-pipeline. Na implementatie controleert de triage-engine opnieuw. Als de oorspronkelijke fouten zijn opgelost, sluit de kaart automatisch.

Bovenop dat hebben we wat we de Agent Harness noemen gebouwd. Een drierechter-gradatiepaneel – één Anthropic-rechter, één OpenAI-rechter, één Google-rechter – scoort elke live agent-reactie. Wanneer scores dalen, creëert een zesbanen-engineeringspipeline deze lage scores in Linear-kaarten, draft-PR’s en geverifieerde fixes. En voor grote wijzigingen routeren AI-gegate grey rollouts 10% van het verkeer naar de nieuwe variant en promoten via 20%, 50%, 100% alleen als scores vasthouden.

We hebben geen QA-team. We hebben geen staging-omgeving. Niemand leest transcripts en scoort agent-antwoorden met de hand.

Dus hoe dichtbij zijn we? Dichterbij dan de meeste mensen denken voor beperkte domeinen – bekende foutpatronen, regressies, configuratie-afwijking. Ik zou zeggen dat 70 tot 80 procent van productie-onderhoud op deze manier kan draaien met de juiste infrastructuur. Het deel dat nog steeds menselijke tussenkomst nodig heeft, is vaag falen waar de architectuur zelf mogelijk verkeerd is, of waar de fix begrip van een bedrijfsbeslissing vereist die niet is gecodeerd in het systeem.

De praktische conclusie: je hoeft niet te wachten op perfectie. Zelfs gedeeltelijke zelfherstelling verandert teamdynamiek dramatisch.

U hebt een toekomst beschreven waarin “eenpersoonsbedrijven” algemeen kunnen worden, aangezien AI-agents grote operationele teams vervangen. Welke soorten bedrijven of industrieën denkt u dat deze verschuiving het eerst zullen voelen?

Bedrijven waar het ratio van operationele overhead tot kernwaardecreatie het hoogst is.

Ik geloof dat eenpersoonsbedrijven algemeen kunnen worden. Als één architect met agents het werk van 100 mensen kan doen, hebben veel bedrijven geen tweede werknemer nodig. Modelcapaciteit is de klok die deze verschuiving aandrijft. Ik ken de hele verschuiving bij CREAO toe aan de laatste twee maanden. Opus 4.5 kon niet doen wat Opus 4.6 doet. Volgende generatie-modellen zullen het versnellen.

De verschuiving treft het eerst waar het werk digitaal, herhaalbaar is en de feedbackloops duidelijk zijn. Contentproductie, marketingoperaties, e-commerce, ontwikkelaarstools, digitale agentschappen. Als je bedrijf fundamenteel gaat over het nemen van informatie, transformeren en distribueren, kan een harnassysteem het grootste deel van die lus behandelen.

We zien het op ons eigen platform. We beschrijven specifieke use cases in ons werk: een solo-oprichter verbindt GitHub, Sentry en CloudWatch. Het systeem controleert foutenlogboeken, implementatiefrequentie en infrastructuurgezondheid. Vanuit die controle bouwt het een bug-triage-agent, een functie-ontdekkingsagent, een content-generatiepijplijn, een infrastructuuroptimalisatielus. Elke agent draait, produceert output en verandert de staat. Volgende cyclus ziet de controle een ander beeld. Het systeem vond de nieuwe oplossingen. De oprichter plande ze niet.

Bij CREAO draaien we onze eigen operaties op deze manier. Één agent verving een drie-persoons SEO-workflow ‘s nachts. Een andere draaide een content-pijplijn twee dagen voordat iemand de output controleerde. De output was afval, en we hebben het gedood. Beide gebeurden in dezelfde week. We noemen onszelf crashtestdummy’s voor de toekomst van werk.

Industrieën die het het laatst zullen voelen: gezondheidszorg, zware fabricage, juridisch – overal waar het werk fysiek is, zwaar gereguleerd of menselijke oordeel in elke beslissing vereist. Maar zelfs daar zullen de administratieve lagen samengeperst worden.

CREAO heeft onlangs $10 miljoen opgehaald, geleid door Prosperity7 Ventures, de venture-arm van Saudi Aramco. Buiten de financiering zelf, welke strategische kansen opent deze samenwerking voor het bedrijf, aangezien autonome AI-agents meer gericht zijn op ondernemingen?

Prosperity7 beheert een $3 miljard diversificeringsfonds en opereert in Silicon Valley, het Midden-Oosten en Azië. Ze hebben een portfolio opgebouwd dat enterprise AI-infrastructuur omvat – Arcee AI, Spirit AI en anderen. De strategische fit gaat verder dan kapitaal.

Hun these paste bij de onze. Zoals Raed Twaily, hun Executive Managing Director, het publiekelijk zei: “Naarmate de adoptie van AI volwassen wordt, verschuift de focus van modellen naar uitvoering. Creao AI bouwt de infrastructuurlaag die het mogelijk maakt dat agents autonoom, betrouwbaar en continu kunnen werken.” Dat is precies wat we geloven. De AI-agentsmarkt zal naar verwachting $52 miljard bereiken tegen 2030. De bedrijven die echte waarde creëren, zullen niet degene zijn met het beste model, maar degene met de beste uitvoeringslaag.

Praktisch gezien versnelt de $10 miljoen – waarmee ons totaal $25 miljoen wordt over drie ronden in minder dan een jaar – drie dingen. Ten eerste, engineeringsdiepte. We breiden het team uit om enterprise-grade-integraties en agent-tot-agent-samenwerking te behandelen. De zelfherstellende harnas, het drierechter-gradatiepaneel, het AI-gegate rollout-systeem – deze moeten werken op enterprise-schaal, niet alleen voor een team van 25 personen. Ten tweede, geografisch bereik. De aanwezigheid van Prosperity7 in het Midden-Oosten en Azië opent markten waar autonome AI-adoptie sneller versnelt dan de meeste mensen in Silicon Valley beseffen. Ten derde, institutionele geloofwaardigheid. Wanneer je bedrijven vraagt om agents te vertrouwen die hun operaties continu uitvoeren, telt de achtergrond.

We hebben $25 miljoen opgehaald in minder dan een jaar met nul betaalde marketing en 200.000 gebruikers via organische adoptie. Die snelheid weerspiegelt de marktovertuiging dat de uitvoeringslaag het volgende slagveld is.

Kijkend naar de toekomst, wat ziet succes eruit voor CREAO in de komende jaren? Is de langetermijnvisie om betere AI-agents te bouwen, of probeert u uiteindelijk de manier te herschrijven waarop bedrijven zelf zijn gestructureerd en geopereerd?

Beide. En ze zijn onlosmakelijk verbonden.

Op korte termijn betekent succes dat we het gesloten-lus-model bewijzen op schaal. We hebben 200.000 gebruikers die via organische adoptie zijn gekomen sinds onze lancering in september 2025. We leveren drie tot acht keer per dag aan productie. We draaien onze eigen engineering, marketing en operaties op de harnas. De volgende stap is demonstreren dat bedrijven van alle maten op dezelfde manier kunnen draaien.

Maar betere agents zijn niet het eindspel. Het eindspel is de harnas – het systeem rond de agents.

Een agent is een tool. Een harnassysteem is een vliegwiel. Hoe meer het draait, hoe strakker het wordt. Hoe meer gegevens het ziet, hoe beter de audits. Hoe beter de audits, hoe scherper de oplossingen. Hoe scherper de oplossingen, hoe impactvoller de agents. Hoe impactvoller de agents, hoe meer de gegevens veranderen. En de lus gaat verder.

Het 20e-eeuwse model van een bedrijf is een hiërarchie van mensen georganiseerd in afdelingen, elk met managers, elk met processen ontworpen voor menselijke doorvoer. Wanneer agents de meeste operationele werkzaamheden betrouwbaar kunnen uitvoeren, wordt dat model niet alleen efficiënter – het wordt overbodig.

Iedereen weet dat AI een explosie van productiviteit belooft. Maar de industrie zit vast in twee valkuilen. Als mensen nog steeds AI-tools stap voor stap bedienen, raakt productiviteit aan een plafond. En als mensen nog steeds de enigen zijn die de tools bouwen, is de echte revolutie nog niet begonnen. We bouwen het systeem waarin AI zowel de tools bouwt als ze uitvoert.

De meeste oprichters die ik spreek, opereren nog steeds op de traditionele manier. Sommigen denken na over de verschuiving. Weinigen hebben het gedaan. De tools bestaan voor elk team om dit te doen. Niets in onze stack is propriëtair. De concurrentievoordeel is de beslissing om alles rond deze tools te herschrijven en de kosten te absorberen.

We hebben een agent-platform gebouwd. De agents hebben het opnieuw gebouwd. Dat is het ontwerpprincipe. De harnas verstrakt elke dag.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten CREAO bezoeken.