Peter Pang, medgrunnlegger og CTO av CREAO – Intervju-serie

Peter Pang, medgrunnlegger og CTO av CREAO, bringer en dyp bakgrunn i kunstig intelligens-forskning og maskinlærings-infrastruktur til det nye agentic AI-området. Før han startet CREAO i 2025, tilbragte Pang nesten seks år i Meta som en forskningsscientist som arbeidet med generative AI-initiativer knyttet til LLaMA-stiftelsesmodellene, inkludert LLM-agentsystemer for data-annotering og syntetisk data-generering. Før Meta arbeidet han i Apple (AAPL ) som en maskinlærings-ingeniør fokusert på NLP, overføringslæring, dyp læring og prediktive systemer, mens hans tidligere år på Brookhaven National Laboratory eksponerte ham for avansert vitenskapelig forskning og eksperimentelle systemer. Hans erfaring over grenseoverskridende AI-forskning, stor skala maskinlæring og autonome systemer former nå CREAOs tekniske visjon om å bygge AI-agenter som kan utføre varig eksekvering, minne og arbeidsflyt-automatisering.

CREAO er en AI-nativ plattform som fokuserer på å hjelpe enkeltpersoner og bedrifter å lage autonome AI-agenter og arbeidsflyter gjennom naturlig språk fremfor tradisjonell kodning. Selskapet posisjonerer sin “Super Agent” som et varig AI-system som kan generere utdata, men også konvertere vellykkede oppgaver til gjenbrukbare agenter som kan operere kontinuerlig med minne, planlegging og integrasjon over eksterne verktøy og API-er. CREAOs plattform støtter store grenseoverskridende AI-modeller, inkludert OpenAI, Anthropic, Google (GOOGL ) og andre, mens den betoner en AI-først driftsmodell hvor agenter håndterer operasjonell eksekvering i stedet for å fungere som en-gangs assistenter. Grunnlagt i Palo Alto, er selskapet fokusert på å fremme agentic AI-arbeidsflyter, kodefri automatisering og skalerbar AI-orkesstrasjon for bedrifter og uavhengige profesjonelle.

Du tilbragte nesten seks år i Meta og arbeidet med LLaMA-stiftelsesmodeller og agentic systemer for syntetisk data-generering etter tidligere maskinlærings-roller i Apple og forskningsarbeid på Brookhaven National Laboratory. Hva overbeviste deg om at det var riktig tid å starte CREAO, og hvilket problem følte du at eksisterende AI-plattformer fortsatt ikke løste?

På Meta så jeg modell-kapasiteten forbedre seg dramatisk med hver generasjon. Jeg arbeidet med å skalerer LLaMA. Jeg så hva disse modellene kunne gjøre i kontrollerte miljøer. Gapet som fortsatt å øke, var ikke i hva modellene kunne oppnå, men i hva folk faktisk fikk ut av dem.

Hvert plattform ga deg samme grensesnitt: en chat-vindu. Du spør, det svarer, du gjør arbeidet. AI-en er en underentreprenør som glemmer alt mellom skiftene. Du kjører det igjen i morgen. Systemet lærer ingenting mellom kjøringer. Bedriftens virksomhet forblir den samme.

Det var problemet. Ikke modell-intelligensen. Eksekvering. Ingen bygget systemet der AI kunne ta en utfall fra samtale til eksekvering, persistere det og gjenta det uten en menneske i løkken.

Min bakgrunn i fysikk lærte meg å tenke i systemer, ikke komponenter. På Brookhaven og gjennom min PhD på Stony Brook, tilbragte jeg år med å bygge eksperimentelle rørledninger hvor instrumentet, datainnsamlingen og analysen måtte fungere som en lukket løkke eller resultatene betydde ingenting. På Apple arbeidet jeg med multimodale modeller og så samme mønster: rå kapasitet uten et system rundt det, kompenserer ikke.

Når Kai og jeg startet å snakke om CREAO, var tesen spesifikk: bransjen trenger ikke en annen chatbot. Den trenger en lukket løkke — AI som bygger verktøy, kjører dem og blir bedre over tid. Modellene var endelig gode nok. Ingen bygget løkken.

CREAO beskriver seg selv som en plattform hvor AI både kan bygge verktøy og autonome arbeidsflyter gjennom naturlig språk. Hvordan definerer du forskjellen mellom et sant “lukket” AI-system og den bølgen av AI-kopiloter som flomer markedet?

En kopilot sitter ved siden av deg. Du kjører, den foreslår. Hvis du går til sengs, gjør kopiloten ingenting.

Et lukket system fullfører hele syklusen: observer, handle, lære, forbedre. Mennesket definerer utfallet. Systemet håndterer eksekvering, persistens og iterasjon.

På CREAO tenker vi på dette som et sele-system. En enkelt agent kan utkaste en e-post, triage en feil eller sammenfatte en rapport. Men en enkelt agent kompenserer ikke. Den kjører, produserer utdata og stopper. Et sele-system omgir agenter og omdanner dem fra en-gangs-verktøy til en selv-forbedrings-motor. Det følger en løkke: Kobling, Auditing, Løsninger, Bygging, Selv-forbedring. Systemet kobler til dine faktiske datakilder — dine repos, feillogger, annonsekontoer. Det vurderer nåværende tilstand. Det foreslår fikser. Agenter bygges for å eksekvere disse fikserne. Utdataene kommer tilbake inn. En ny runde av auditing begynner. Løkken strammer til.

Det er strukturelt forskjellig fra “Jeg har en agent som gjør X.” Dette er et system som oppdager hva X skal være, bygger X, måler X og utvikler X uten at du forteller det til.

De fleste kopiloter er AI-assistert. Et lukket system er AI-operert. Det er skillelinjen.

Din nylige post om “harness engineering” og AI-først organisasjoner genererte massive oppmerksomhet online. Hva overrasket deg mest om reaksjonen på ideen om at 99% av produksjonskoden på CREAO nå er skrevet av AI?

Innlegget fikk 1,8 millioner visninger. Jeg skrev det som dokumentasjon for vårt team — en rekord av hvordan vi restrukturerte og hva vi lærte. Jeg forventet ikke den type rekkevidde.

Hva som overrasket meg, var splittet i reaksjoner. En gruppe sa at dette var uansvarlig, at du ikke kan stole på AI-generert kode i produksjon. Den andre gruppen sa: “Vi ser det samme og ingen snakker om det.”

Den andre gruppen fortalte meg noe viktig. Det er team over hele industrien som stille går gjennom denne overgangen. En reporter jeg snakket med, fortalte meg at hun hadde snakket med om lag fem personer på dette temaet. Hun sa at vi var lengre fremme enn noen: “Jeg tror ikke noen har bygget hele sin arbeidsflyt om på samme måte som dere.”

Det provokative 99%-tallet er bare resultatet av å fjerne menneskelige flaskenakker en etter en. Når du designer arkitekturen så agenter kan se hele kodebasen — vi samlet alt inn i en enkelt monorepo så AI kunne se alt — og din CI/CD-pipeline har seks deterministiske faser, og tre parallele AI-gjennomgangspasser fanger kvalitet, sikkerhet og avhengighetsproblemer på hver PR, og din selv-hele-løkke detekterer feil, triagerer dem og verifiserer fikser automatisk — den menneskelige rollen skifter fra å skrive kode til å designe systemet som styrer hvordan agenter skriver kode. Kodevolumet følger naturlig.

Hva som overrasket meg mest, er at flere CTO-er ikke sier dette offentlig. Jeg tror mange gjør det, men er redd for oppfatningen.

I din artikkel argumenterer du for at de fleste selskaper fortsatt er “AI-assistert” fremfor å være virkelig “AI-først”. Hva er de største misforståelsene ledelseslag har når de tror de allerede opererer som AI-naturlige organisasjoner?

Jeg ser team som hevder AI-først mens de kjører samme sprint-syklus, samme Jira-boards, samme ukentlige standups, samme QA-godkjenninger. De la til AI i løkken. De redesignet ikke løkken.

Den største misforståelsen: “Vi bruker AI-verktøy, derfor er vi AI-først.” En ingeniør åpner Cursor. En PM utarbeider spesifikasjoner med ChatGPT. QA eksperimenterer med AI-test-generering. Arbeidsflyten forblir den samme. Effektiviteten øker 10 til 20 prosent. Ingenting endrer seg strukturelt. Det er AI-assistert.

Her er testen: hvis du fjerner alle AI-verktøy i morgen, måtte prosessen din endre seg, eller bare verktøyene dine? Hvis prosessen forblir den samme, er du ikke AI-først.

Den andre misforståelsen er at AI-først er en ingeniør-beslutning. Hvis ingeniører sender funksjoner i timer, men markedsføring tar en uke å annonsere dem, er markedsføringen flaskenakken. Hvis produktteamet fortsatt kjører en månedlig plan-syklus, er planleggingen flaskenakken. På CREAO, presset vi AI-naturlige operasjoner inn i hver funksjon: utgivelsesnotater generert fra endringslogger, funksjons-intro-videoer skapt av AI, sosiale medier orkestrert og auto-publisert, helse-rapporter generert fra produksjons-databaser. Ingeniør, produkt, markedsføring og vekst kjører i én AI-naturlig arbeidsflyt. Hvis en funksjon opererer på agent-hastighet og en annen på menneske-hastighet, begrenser den menneske-hastigheten alt.

Den tredje misforståelsen er at denne overgangen kan være gradvis. En vanlig versjon av dette er hva folk kaller vibe-koding. Åpne Cursor, prompte til noe fungerer, commit, gjenta. Det produserer prototyper. Et produksjonssystem trenger stabilitet, pålitelighet og sikkerhet. Du trenger et system som garanterer disse egenskapene når AI skriver koden. Du bygger systemet. Promptene er midlertidige.

Du skrev at den virkelige gjennombruddet kom da CREAO redesignet hele sin ingeniør-arbeidsflyt rundt AI-agenter i stedet for å bare legge til AI-verktøy i eksisterende prosesser. Hva var den mest vanskelige operasjonelle eller kulturelle utfordringen for teamet?

Begge, men de er forskjellige typer vanskelige.

Operasjonelt var den mest vanskelige avgjørelsen å samle kodebasen. Vår gamle arkitektur var spredt over flere uavhengige systemer. En enkelt endring kunne kreve å berøre tre eller fire repos. Fra et menneskelig ingeniør-perspektiv, håndterbart. Fra et AI-agents perspektiv, uklart. Agenten kan ikke se hele bildet. Den kan ikke resonnere om tverr-tjeneste-implikasjoner. Den kan ikke kjøre integrasjonstester lokalt.

Jeg tilbragte en uke med å designe det nye systemet og en annen uke med å om-arkitektere hele kodebasen med agenter. Det var et dristig valg. Hvis det feilet, ville vi ha et ødelagt monorepo og et ødelagt multi-repo-oppssett. Men prinsippet er klart: jo mer av systemet du trekker inn i en form agenten kan inspisere, validere og modifisere, jo mer gevinst får du. Et fragmentert kodebase er usynlig for agenter. Et samlet er lesbar.

Kulturelt var den hardeste delen identitet. Ingeniører finner sin verdi i koden de skriver. Når AI skriver 99% av koden, blir spørsmålet: hva er min jobb nå? Det er ikke et prosess-spørsmål. Det er eksistensielt.

Jeg vil ikke påstå at alle var glade. Når jeg sluttet å snakke med folk hver dag fordi min ledelsestid gikk ned fra 60% til under 10%, følte noen team-medlemmer usikkerhet. Hva betyr det at CTO ikke snakker med meg? Hva er min verdi i denne nye verden? Disse er rimelige bekymringer. Noen mennesker tilbringer mer tid på å debattere om AI kan gjøre deres arbeid enn å gjøre arbeidet.

Men når folk opplevde den nye arbeidsflyten — hvor jobben deres skiftet fra å skrive kode til å designe systemer, definere SOP-er og bygge tilbakekoblings-løkker — fant de fleste det mer intellektuelt engasjerende. Ingeniørerne som hadde det hardest, var de hvis identitet var tett koblet til å skrive kode. De som tilpasset seg raskest, så på seg selv som problemløsere først og kodere andre.

En av de mer kontroversielle observasjonene i din artikkel var at junior-ingeniører tilpasset seg raskere enn senior-ingeniører i denne nye miljøet. Hvorfor tror du at tilpasningsevne blir viktigere enn ansamlet teknisk erfaring i AI-først ingeniør-team?

Jeg la merke til et mønster jeg ikke forventet. Junior-ingeniører med mindre tradisjonell praksis følte seg empowerment. De hadde tilgang til verktøy som forsterket deres innvirkning. De hadde ikke en tiårs praksis å avvegne.

Senior-ingeniører med sterk tradisjonell praksis hadde det hardest. To måneder av deres arbeid kunne fullføres på en time av AI. Det er en hard ting å akseptere etter år med å bygge en sjelden ferdighet.

Årsaken er strukturell. En senior-ingeniørs ekspertise bor i den mekaniske eksekveringen av kode — navigering av komplekse systemer, skriving av optimerte implementeringer, gjennomføring av grundige gjennomgang. Disse ferdighetene ble tjent over år og de er virkelige. Men i et AI-først miljø er den mekaniske ferdigheten av å skrive kode det som automatiseres. Hva som gjenstår — og blir mer verdifullt — er evnen til å evaluere, kritisere og lede AI.

Jeg har en PhD i fysikk. Det mest nyttige mitt PhD lærte meg, var hvordan å spørre om antakelser, stress-teste argumenter og se etter hva som mangler. Evnen til å kritisere AI er mer verdifull enn evnen til å produsere kode. Kan du se på en arkitektur-forlag og se feil-modusen agenten gikk glipp av? Kan du se på en generert UI og vite det er feil før brukeren forteller deg?

Junior-ingeniører hadde aldri dyp mekanisk ekspertise å slippe. De lærte bare den nye ting.

Jeg dømmer ikke. Jeg beskriver hva jeg observerte. Senioritet er fortsatt en fordel — den dype arkitektoniske tenkningen, system-design-intuisjonen — men bare hvis den senior-ingeniøren er villig til å operere på en annen høyde. I denne overgangen teller tilpasningsevne mer enn ansamlet ferdighet.

CREAO bygget om sin infrastruktur rundt monorepo, automatiserte CI/CD-pipelines, AI-gjennomgangssystemer og selv-hele-løkker som integrerer verktøy som CloudWatch, Sentry, Linear og Claude. Hvor nærme er vi en fremtid hvor programvare-systemer i stor grad vedlikeholder og reparerer seg selv?

Vi kjører en selv-hele-løkke i produksjon nå. La meg beskrive hva den faktisk gjør.

Hver morgen kl. 09:00 UTC, kjører en automatisert helse-arbeidsflyt. Claude Sonnet spør CloudWatch, analyserer feil-mønster over alle tjenester og genererer en executive helse-summering levert til teamet. Ingen ba om det. En time senere, clusterer feil-tjenesten produksjons-feil fra CloudWatch og Sentry, scorer hver cluster over ni alvorlighets-dimensjoner — bruker-impakt, hastighet, blast-radius, forretnings-kritikalitet og fem andre — og auto-genererer undersøkelses-billetter i Linear med eksempel-logger, berørte endepunkter og foreslåtte undersøkelses-veier.

Når en ingeniør skyver en fikser, håndterer samme pipeline det. Tre Claude-gjennomgangspasser vurderer PR-en — kode-kvalitet, sikkerhet og avhengighets-scanning. CI validerer gjennom en seks-fase-pipeline. Etter deploy, sjekker feil-tjenesten igjen. Hvis de opprinnelige feilene er løst, auto-lukker billetten.

På toppen av det, bygget vi hva vi kaller Agent Harness. En tri-dømmer-vurderings-panel — en Anthropic-dømmer, en OpenAI-dømmer, en Google-dømmer — scorer hver live-agent-respons. Når scorene synker, genererer en seks-jobbens ingeniør-pipeline disse lave scorene til Linear-billetter, draft-PR-er og verifiserte fikser. Og for større endringer, AI-styrte grå-utrullinger routerer 10% av trafikken til den nye varianten og fremmer gjennom 20%, 50%, 100% bare hvis scorene holder.

Vi har ikke et QA-team. Vi har ikke en staging-miljø. Ingen leser transkript og scorer agent-svarer for hånd.

Så nærme er vi? Nærere enn de fleste mennesker tror for begrensede domener — kjente feil-mønster, feil, konfigurasjons-drift. Jeg ville si 70 til 80 prosent av produksjons-vedlikehold kan kjøres på denne måten med riktig infrastruktur. Delen som fortsatt trenger mennesker, er tvetydige feil hvor arkitekturen selv kan være feil, eller hvor fikseren krever å forstå en forretnings-beslutning ikke kodet i systemet.

Den praktiske takeaway: du trenger ikke å vente på fullkommenhet. Selv delvis selv-hele-løkke dramatisk endrer team-dynamikk.

Du har beskrevet en fremtid hvor “en-person-selskaper” kan bli vanlige når AI-agenter erstatter store operasjonelle team. Hvilke typer selskaper eller industrier tror du vil føle denne skiftet først?

Selskaper hvor forholdet mellom operasjonell overhead og kjerne-verdi-oppbygging er høyest.

Jeg tror en-person-selskaper vil bli vanlige. Hvis en arkitekt med agenter kan gjøre arbeidet til 100 mennesker, trenger mange selskaper ikke en annen ansatt. Modell-kapasiteten er klokken som driver denne skiftet. Jeg tilskriver hele skiftet på CREAO til de siste to månedene. Opus 4.5 kunne ikke gjøre hva Opus 4.6 gjør. Neste-generasjons-modeller vil akselerere det ytterligere.

Skiftet rammer først hvor arbeidet er digitalt, gjentakende og tilbakekoblings-løkkene er klare. Innhold-produksjon, markedsførings-operasjoner, e-handel, utvikler-verktøy, digitale byråer. Hvis din forretning i stor grad handler om å ta informasjon, transformere det og distribuere det, kan et sele-system håndtere mesteparten av den løkken.

Vi ser det på vår egen plattform. Vi beskriver spesifikke brukstilfeller i vårt arbeid: en solo-grunnlegger kobler GitHub, Sentry og CloudWatch. Systemet auditorer feil-logger, deploy-frekvens og infrastruktur-helse. Fra denne auditen, bygger det en feil-triage-agent, en funksjons-oppdagelses-agent, en innhold-genererings-pipeline, en infrastruktur-optimiserings-løkke. Hver agent kjører, produserer utdata og endrer tilstanden. Neste syklus, ser auditen en annen bildet. Systemet fant de nye løsningene. Grunnleggeren planla dem ikke.

På CREAO, kjører vi våre egne operasjoner på denne måten. En agent erstattet en tre-person SEO-arbeidsflyt over natten. En annen kjørte en innhold-pipeline i to dager før noen sjekket utdataene. Utdataene var søppel, og vi drepte det. Begge skjedde i samme uke. Vi kaller oss selv krasj-test-dumier for fremtidens arbeid.

Industrier som føler det sist: helse, tungt industri, juridisk — hvor arbeidet er fysisk, tungt regulert eller krever menneskelig dømmekraft i hver beslutning. Men selv der, vil de administrative lagene komprimere.

CREAO nylig samlet inn 10 millioner dollar ledet av Prosperity7 Ventures, venture-armen til Saudi Aramco. Foruten selve finansieringen, hvilke strategiske muligheter åpner denne partnerskapet opp for selskapet når autonome AI-agenter blir mer bedrifts-fokusert?

Prosperity7 styrer en 3 milliarder dollar diversifisert fond og opererer over Silicon Valley, Midt-Østen og Asia. De har bygget en portefølje som spenner over bedrifts-AI-infrastruktur — Arcee AI, Spirit AI og andre. Den strategiske passningen går utenfor kapital.

Deres tesen matchet vår. Som Raed Twaily, deres Executive Managing Director, sa offentlig: “Etterhvert som AI-adoptsjon modnes, skifter fokus fra modeller til eksekvering. Creao AI bygger infrastruktur-laget som tillater agenter å operere autonomt, pålitelig og kontinuerlig.” Det er nettopp hva vi tror. AI-agents-markedet forventes å nå 52 milliarder dollar i 2030. Selskapene som fanger virkelig verdi, vil ikke være de med de beste modellene. De vil være de med det beste eksekverings-laget.

Praktisk, de 10 millioner dollar — som bringer vår total til 25 millioner dollar over tre runder på under ett år — akselerer tre ting. Først, ingeniør-dybde. Vi utvider teamet for å håndtere bedrifts-grads-integrasjoner og agent-til-agent-samarbeid. Selv-hele-løkken, tri-dømmer-vurderings-panelen, AI-styrte utrullinger — disse må fungere på bedrifts-skala, ikke bare for et 25-manns-team. Andre, geografisk rekkevidde. Prosperity7s tilstedeværelse i Midt-Østen og Asia åpner markeder hvor autonom AI-adoptsjon akselererer raskere enn de fleste mennesker i Silicon Valley innser. Tredje, institusjonell troverdighet. Når du ber bedrifter om å stole på agenter som kjører deres operasjoner kontinuerlig, teller bakningen.

Vi samlet inn 25 millioner dollar på under ett år med null betalt markedsføring og 200 000 brukere gjennom organisk adopsjon. Den hastigheten reflekterer markedets overbevisning om at eksekverings-laget er neste slagmark.

Ser fremover, hva ser suksess ut som for CREAO over de neste årene? Er den lange-siktige visjonen å bygge bedre AI-agenter, eller prøver dere i stedet å definere om hvordan selskaper selv er strukturert og opererer?

Begge. Og de er uadskillelige.

Kort sikt, suksess betyr å bevise at den lukkede modellen fungerer i skala. Vi har 200 000 brukere som ankom gjennom organisk adopsjon siden lanseringen i september 2025. Vi sender til produksjon tre til åtte ganger om dagen. Vi kjører våre egne ingeniør-, markedsførings- og operasjoner på sele-løkken. Neste skrittet er å demonstrere at bedrifter av alle størrelser kan kjøre på samme måte.

Men bedre agenter er ikke sluttmålet. Sluttmålet er sele-løkken — systemet rundt agentene.

En agent er et verktøy. Et sele-system er en flywheel. Jo mer det kjører, jo tetter det blir. Jo mer data det ser, jo bedre blir auditen. Jo bedre auditen, jo skarpere blir løsningene. Jo skarpere løsningene, jo mer innvirkning har agentene. Jo mer innvirkning agentene har, jo mer endrer datan seg. Og løkken fortsetter.

Den 20. århundre-modellen av et selskap er en hierarki av mennesker organisert i avdelinger, hver med ledere, hver med prosesser designet for menneskelig gjennomstrømming. Når agenter kan pålitelig eksekvere mesteparten av operasjonelt arbeid, blir denne modellen ikke bare mer effektiv — den begynner å bli unødvendig.

Alle vet at AI lover en eksplosjon av produktivitet. Men industrien er fanget i to feller. Hvis mennesker fortsatt opererer AI-verktøy skritt for skritt, treffes produktiviteten av en tak. Og hvis mennesker er de eneste som bygger verktøyene, har den virkelige revolusjonen ikke startet. Vi bygger systemet hvor AI gjør begge deler: bygger verktøyene og kjører dem.

De fleste grunnleggere jeg snakker med, opererer fortsatt på tradisjonelt vis. Noen tenker på å gjøre skiftet. Veldig få har gjort det. Verktøyene finnes for at ethvert team kan gjøre dette. Ingenting i vår stak er proprietært. Den konkurransefordelen er avgjørelsen om å redesigne alt rundt disse verktøyene og villigheten til å absorbere kostnadene.

Vi bygget en agent-plattform. Agentene bygget den om. Det er design-prinsippet. Sele-løkken strammer til dag for dag.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke CREAO.