Peter Pang, współzałożyciel i CTO CREAO – seria wywiadów

Peter Pang, współzałożyciel i CTO CREAO, wnosi głębokie doświadczenie w dziedzinie badań nad sztuczną inteligencją i infrastrukturą maszynowego uczenia się do wschodzącej dziedziny agentywnych AI. Przed założeniem CREAO w 2025 roku Pang spędził prawie sześć lat w Meta jako naukowiec, pracując nad inicjatywami związanymi z generatywnymi AI, związanymi z modelem LLaMA, w tym systemami LLM agentywnymi do adnotacji danych i generacji danych syntetycznych. Wcześniej pracował w Apple (AAPL ) jako inżynier maszynowego uczenia się, koncentrując się na NLP, transferowym uczeniu się, głębokim uczeniu się i systemach predykcyjnych, podczas gdy jego wcześniejsze lata w Brookhaven National Laboratory eksponowały go na zaawansowane badania naukowe i systemy eksperymentalne. Jego doświadczenie w dziedzinie badań nad AI, dużymi skalami maszynowego uczenia się i systemami autonomicznymi kształtuje teraz wizję techniczną CREAO dotyczącą budowy agentów AI zdolnych do wykonywania zadań w sposób trwały, z pamięcią i automatyzacją przepływów pracy.

CREAO to platforma AI, która koncentruje się na pomocy osobom i firmom w tworzeniu autonomicznych agentów AI i przepływów pracy za pomocą języka naturalnego, a nie tradycyjnego kodowania. Firma określa swój “Super Agent” jako system AI, który może nie tylko generować dane wyjściowe, ale także konwertować pomyślne zadania na ponownie wykorzystywane agenty, które mogą działać w sposób ciągły z pamięcią, planowaniem i integracjami z zewnętrznymi narzędziami i API. Platforma CREAO obsługuje główne modele AI, w tym OpenAI, Anthropic, Google (GOOGL ) i inne, podkreślając model operacyjny AI-pierwszy, w którym agenci coraz częściej wykonują zadania operacyjne zamiast służyć jako pomocnicy jednorazowi. Założona w Palo Alto, firma koncentruje się na rozwoju agentywnych przepływów pracy AI, automatyzacji bez kodu i skalowalnej orkiestracji AI dla firm i niezależnych profesjonalistów.

Spędziłeś prawie sześć lat w Meta, pracując nad modelem LLaMA i systemami agentywnymi do generacji danych syntetycznych, po wcześniejszych rolach związanych z maszynowym uczeniem się w Apple i badaniami w Brookhaven National Laboratory. Co przekonało Cię, że jest to odpowiedni moment, aby założyć Creao AI, i jaki problem uważałeś, że istniejące platformy AI nie rozwiązały?

W Meta obserwowałem, jak możliwości modelu ulegały dramatycznemu poprawieniu z każdą generacją. Pracowałem nad skalowaniem LLaMA. Widziałem, co te modele mogą osiągnąć w kontrolowanych warunkach. Przerwa, która się powiększała, nie dotyczyła tego, co modele mogły osiągnąć — ale tego, co ludzie naprawdę z nich otrzymywali.

Każda platforma oferowała ten sam interfejs: okno czatu. Pytasz, on odpowiada, ty robisz pracę. AI jest kontrahentem, który zapomina wszystko między sesjami. Uruchamiasz go ponownie jutro. System niczego nie uczy się między sesjami. Twoja firma pozostaje taka sama.

To był problem. Nie inteligencja modelu. Wykonanie. Nikt nie budował systemu, w którym AI mogłoby wziąć wynik od rozmowy do wykonania, utrwalić go i powtórzyć bez udziału człowieka.

Moje doświadczenie w fizyce nauczyło mnie myślenia w systemach, a nie w komponentach. W Brookhaven i podczas mojego doktoratu na Stony Brook spędziłem lata budując eksperymentalne potoki, w których instrument, zbieranie danych i analiza musiały działać jako zamknięta pętla, w przeciwnym razie wyniki byłyby nic nie warte. W Apple pracowałem nad wielomodalnymi modelami i zobaczyłem ten sam wzorzec: surowa zdolność bez systemu wokół niej nie kumuluje się.

Gdy Kai i ja zaczęliśmy rozmawiać o CREAO, teza była konkretna: branży nie potrzeba kolejnego czatu. Potrzebuje zamkniętej pętli — AI, która buduje narzędzia, uruchamia je i staje się lepsza z czasem. Modele były już wystarczająco dobre. Nikt nie budował pętli.

CREAO opisuje się jako platforma, na której AI może zarówno budować narzędzia, jak i wykonywać pracę w sposób autonomiczny. Jak definiujesz różnicę między prawdziwym “zamkniętym” systemem AI a falą AI-kopilotów, która zalewa obecnie rynek?

Kopilot siedzi obok Ciebie. Ty prowadzisz, on sugeruje. Jeśli zaśnisz, kopilot nic nie robi.

Zamknięty system wykonuje pełny cykl: obserwuje, działa, uczy się, poprawia. Człowiek definiuje wynik. System zajmuje się wykonaniem, utrwaleniem i iteracją.

W CREAO myślimy o tym jako o systemie harnessu. Jednego agenta można użyć do napisania e-maila, rozwiązania błędu lub podsumowania raportu. Ale jeden agent nie kumuluje się. Uruchamia, generuje dane wyjściowe i zatrzymuje się. System harnessu owija się wokół agentów i zmienia je z jednorazowych narzędzi w samodoskonalący się silnik. Śledzi pętlę: Połączenie, Audyt, Rozwiązania, Budowanie, Samodoskonalenie. System łączy się z Twoimi rzeczywistymi źródłami danych — Twoimi repozytoriami, logami błędów, kontami reklamowymi. Ocenia stan bieżący. Proponuje rozwiązania. Agenci są budowani do wykonania tych rozwiązań. Dane wyjściowe są wprowadzane z powrotem. Nowy cykl audytu zaczyna się. Pętla zaciska się.

To strukturalnie różne od “Mam agenta, który robi X”. To system, który odkrywa, co X powinno być, buduje X, mierzy X i ewoluuje X bez powiedzenia mu, aby to zrobił.

Większość kopilotów jest wspomagana przez AI. Zamknięty system jest operowany przez AI. To jest granica dzieląca.

Twój niedawny post na temat “inżynierii harnessu” i organizacji AI-pierwszych wywołał ogromne zainteresowanie w sieci. Co najbardziej zaskoczyło Cię w reakcji na pomysł, że 99% kodu produkcyjnego w CREAO jest teraz napisane przez AI?

Post osiągnął 1,8 miliona wyświetleń. Napisałem go jako dokumentację dla naszego zespołu — zapis tego, jak zrestrukturyzowaliśmy i czego się nauczyliśmy. Nie spodziewałem się takiego zasięgu.

To, co mnie zaskoczyło, to podział reakcji. Jedna strona powiedziała, że jest to nieodpowiedzialne, że nie można ufać kodowi wygenerowanemu przez AI w produkcji. Druga strona powiedziała: “Widzimy dokładnie to samo i nikt o tym nie mówi”.

Ta druga grupa powiedziała mi coś ważnego. Są zespoły na całym świecie, które cichaczem przechodzą przez tę transformację. Reporter, z którym rozmawiałem, powiedział mi, że rozmawiał z około pięcioma osobami na ten temat. Powiedział, że jesteśmy dalej niż ktokolwiek inny: “Nie myślę, że ktokolwiek całkowicie odbudował cały swój przepływ pracy w ten sposób”.

Liczba 99% brzmi prowokacyjnie, ale jest to po prostu wynik usunięcia ludzkich wąskich gardeł po jednym. Gdy projektujesz architekturę tak, aby agenci mogli zobaczyć cały kod, a Twój pipeline CI/CD ma sześć deterministycznych faz, a trzy równoległe przejścia AI sprawdzają jakość, bezpieczeństwo i problemy z zależnościami na każdym PR, a Twoja samouzdrawiająca się pętla wykrywa błędy, triuje je i automatycznie potwierdza poprawki — rola człowieka przechodzi od pisania kodu do projektowania systemu, który rządzi tym, jak agenci piszą kod. Objętość kodu następuje naturalnie.

To, co mnie najbardziej zaskoczyło, to to, że więcej CTO nie mówi o tym publicznie. Myślę, że wielu z nich to robi, ale boi się percepcji.

W swoim artykule argumentujesz, że większość firm wciąż jest “wspomagana przez AI”, a nie prawdziwie “AI-pierwsza”. Jakie są największe złudzenia, których dopuszczają się zespoły kierownicze, gdy uważają, że już działają jako organizacje AI-rodne?

Widzę zespoły, które twierdzą, że są AI-pierwsze, ale nadal prowadzą te same cykle sprintu, te same tablice Jira, te same cotygodniowe spotkania, te same zatwierdzenia QA. Dodali AI do pętli. Nie zaprojektowali pętli na nowo.

Największe złudzenie: “Używamy narzędzi AI, więc jesteśmy AI-pierwsi”. Inżynier otwiera Cursor. PM pisze specyfikacje z ChatGPT. QA eksperymentuje z generowaniem testów AI. Przepływ pracy pozostaje taki sam. Wydajność wzrasta o 10 do 20 procent. Nic strukturalnego nie zmienia się. To jest AI-wspomagane.

Oto test: jeśli usunąć wszystkie narzędzia AI jutro, czy proces musi się zmienić, czy tylko narzędzia? Jeśli proces pozostaje taki sam, nie jesteś AI-pierwszy.

Drugie złudzenie polega na tym, że AI-pierwsze jest decyzją inżynierską. Jeśli zespół inżynierski wysyła funkcje w ciągu godzin, ale marketing zajmuje tydzień, aby je ogłosić, marketing jest wąskim gardłem. Jeśli zespół produktowy nadal prowadzi comiesięczny cykl planowania, planowanie jest wąskim gardłem. W CREAO wprowadziliśmy operacje AI-rodne do każdej funkcji: notatki z changelogów generowane przez AI, filmy wprowadzające funkcje tworzone przez AI, media społeczne prowadzone i autopublikowane, raporty o stanie generowane z baz danych produkcyjnych. Inżynieria, produkt, marketing i wzrost działają w jednym przepływie pracy AI-rodnej. Jeśli jedna funkcja działa z prędkością agenta, a inna z prędkością człowieka, funkcja z prędkością człowieka ogranicza wszystko.

Trzecie złudzenie polega na tym, że ta transformacja może być stopniowa. Wspólna wersja tego to to, co ludzie nazywają kodowaniem vibe. Otwórz Cursor, wprowadź polecenia, aż coś działa, zatwierdź, powtórz. To produkuje prototypy. System produkcyjny wymaga stabilności, niezawodności i bezpieczeństwa. Potrzebujesz systemu, który gwarantuje te właściwości, gdy AI pisze kod. Budujesz system. Polecenia są wymienialne.

Napisałeś, że prawdziwy przełom nastąpił, gdy CREAO przeprojektował cały przepływ inżynierski wokół agentów AI zamiast po prostu dodania narzędzi AI do istniejących procesów. Która część tej transformacji była najtrudniejsza operacyjnie lub kulturowo dla zespołu?

Obie, ale są to różne rodzaje trudności.

Operacyjnie najtrudniejszą decyzją było ujednolicenie kodu. Nasza stara architektura była rozproszona w wielu niezależnych systemach. Jedna zmiana mogła wymagać dotknięcia trzech lub czterech repozytoriów. Z punktu widzenia ludzkiego inżyniera to było zarządzalne. Z punktu widzenia agenta AI to było nieprzezroczyste. Agent nie mógł zobaczyć pełnego obrazu. Nie mógł rozumować o implikacjach między usługami. Nie mógł uruchomić testów integracyjnych lokalnie.

Spędziłem jeden tydzień na projektowaniu nowego systemu i kolejny tydzień na przebudowę całej bazy kodu przy użyciu agentów. To był śmiały krok. Jeśli się nie uda, mielibyśmy złamany monorepo i złamaną konfigurację wielu repozytoriów. Ale zasada jest clara: im więcej Twojego systemu wciągasz do postaci, którą agent może zbadać, zwalidować i zmodyfikować, tym więcej zyskujesz. Rozproszona baza kodu jest niewidoczna dla agentów. Ujednolicona jest czytelna.

Kulturowo najtrudniejszą częścią było tożsamość. Inżynierowie znajdują swoją wartość w kodzie, który piszą. Gdy AI pisze 99% kodu, pytanie staje się: co jest moim zadaniem teraz? To nie jest pytanie o proces. To jest egzystencjalne.

Nie będę udawał, że wszyscy byli zadowoleni. Gdy przestałem rozmawiać z ludźmi każdego dnia, ponieważ mój czas zarządzania spadł z 60% do poniżej 10%, niektórzy członkowie zespołu czuli niepewność. Co oznacza, że CTO nie rozmawia ze mną? Jaka jest moja wartość w tym nowym świecie? To są uzasadnione obawy. Niektórzy ludzie spędzają więcej czasu na debatach o tym, czy AI może wykonać ich pracę, niż na wykonywaniu pracy.

Ale gdy ludzie doświadczyli nowego przepływu pracy — gdzie ich praca przeszła od pisania kodu do projektowania systemów, definiowania SOP i budowania pętlek zwrotnej — większość uznała to za bardziej intelektualnie angażujące. Inżynierowie, którzy mieli największe trudności, byli tymi, których tożsamość była najbardziej ściśle związana z aktem pisania kodu. Ci, którzy adaptowali się najszybciej, widzieli siebie jako rozwiązywaczy problemów najpierw i kodujących drugie.

Jedna z bardziej kontrowersyjnych obserwacji w Twoim artykule była taka, że młodsi inżynierowie adaptowali się szybciej niż starsi inżynierowie w tym nowym środowisku. Dlaczego uważasz, że elastyczność staje się bardziej istotna niż zgromadzone doświadczenie techniczne w zespołach inżynierskich AI-pierwszych?

Zauważyłem wzorzec, którego nie spodziewałem się. Młodsi inżynierowie z mniej tradycyjną praktyką czuli się wzmocnieni. Mieli dostęp do narzędzi, które zwiększały ich wpływ. Nie mieli dziesięciu lat nawyków do oduczenia się.

Starsi inżynierowie z silną tradycyjną praktyką mieli najtrudniejszy czas. Dwa miesiące ich pracy mogły być wykonane przez AI w ciągu godziny. To jest trudna rzecz do zaakceptowania po latach budowania rzadkich umiejętności.

Powodem jest struktura. Ekspertyza starszego inżyniera tkwi w mechanicznym wykonaniu kodu — nawigowaniu w złożonych systemach, pisaniu zoptymalizowanych implementacji, prowadzeniu gruntownych przeglądów. Te umiejętności zostały zdobyte przez lata i są prawdziwe. Ale w środowisku AI-pierwszym mechaniczna umiejętność pisania kodu jest tym, co jest automatyzowane. To, co pozostaje — i staje się bardziej wartościowe — to zdolność do oceny, krytyki i kierowania AI.

Mam doktorat z fizyki. Najbardziej przydatną rzeczą, której nauczył mnie mój doktorat, było to, jak kwestionować założenia, testować argumenty i szukać tego, co brakuje. Możliwość krytyki AI jest bardziej wartościowa niż możliwość produkcji kodu. Czy możesz popatrzeć na propozycję architektury i zobaczyć tryb awaryjny, którego agent nie zauważył? Czy możesz popatrzeć na wygenerowany interfejs użytkownika i wiedzieć, że jest on niepoprawny, zanim użytkownik Ci to powie?

Młodsi inżynierowie nigdy nie mieli głębokiej wiedzy mechanicznej, której mogliby się pozbyć. Po prostu nauczyli się nowej rzeczy.

Nie wydaję się osądzać. Opisuję to, co obserwowałem. Starszeństwo nadal jest przewagą — głębokie myślenie architektoniczne, intuicja projektowa — ale tylko wtedy, gdy starszy inżynier jest gotowy działać na innym poziomie. W tej transformacji elastyczność ma większe znaczenie niż zgromadzona umiejętność.

CREAO odbudował swoją infrastrukturę wokół monorepo, zautomatyzowanych pipeline’ów CI/CD, systemów przeglądu AI i samouzdrawiających się pętlek, które integrują narzędzia takie jak CloudWatch, Sentry, Linear i Claude. Jak blisko jesteśmy przyszłości, w której systemy oprogramowania w dużej mierze utrzymują i naprawiają same siebie?

Uruchamiamy samouzdrawiającą się pętlę w produkcji. Pozwól, że opiszę, co tak naprawdę robi.

Każdego ranka o 9:00 UTC uruchamiany jest zautomatyzowany przepływ zdrowia. Claude Sonnet zapytuje CloudWatch, analizuje wzorce błędów we wszystkich usługach i generuje podsumowanie zdrowia wykonywane dla zespołu. Nikt o to nie prosił. Godzinę później silnik triażu grupuje błędy produkcyjne z CloudWatch i Sentry, ocenia każdą grupę w dziewięciu wymiarach dotkliwości — wpływu na użytkownika, prędkości, promieniowania, krytyczności biznesowej i pięciu innych — i automatycznie generuje bilety do dochodzenia w Linear z przykładowymi logami, wpływanymi punktami końcowymi i sugerowanymi ścieżkami dochodzenia.

Gdy inżynier pushuje poprawkę, ten sam pipeline zajmuje się tym. Trzy przejścia Claude oceniają PR — jakość kodu, bezpieczeństwo i skanowanie zależności. CI waliduje przez sześciostopniowy pipeline. Po wdrożeniu silnik triażu sprawdza ponownie. Jeśli oryginalne błędy są rozwiązane, bilet zamyka się automatycznie.

Ponadto zbudowaliśmy to, co nazywamy Harness Agent. Trzyosobowa komisja oceniająca — jeden sędzia Anthropic, jeden sędzia OpenAI, jeden sędzia Google — ocenia każdą odpowiedź agenta w czasie rzeczywistym. Gdy oceny spadają, sześcioetapowy pipeline inżynierski zamienia te niskie oceny w bilety Linear, draft PR i zweryfikowane poprawki. A dla dużych zmian AI-kontrolowane wersje szarej wersji kierują 10% ruchu do nowej wersji i promują ją przez 20%, 50%, 100% tylko wtedy, gdy oceny się utrzymują.

Nie mamy zespołu QA. Nie mamy środowiska testowego. Nikt nie czyta transkryptów i nie ocenia odpowiedzi agenta ręcznie.

Jak blisko jesteśmy? Blisko. Dla dziedzin ograniczonych — znanych wzorców błędów, regresji, dryfu konfiguracyjnego. Powiedziałbym, że 70 do 80 procent utrzymania produkcyjnego może działać w ten sposób z odpowiednią infrastrukturą. Część, która nadal wymaga ludzi, to niejasne awarie, gdzie sama architektura może być błędna, lub gdzie naprawa wymaga zrozumienia decyzji biznesowej niezakodowanej w systemie.

Praktyczna konkluzja: nie musisz czekać na perfekcję. Nawet częściowa samouzdrawiająca się pętla dramatycznie zmienia dynamikę zespołu.

Uważasz, że “jednoosobowe firmy” mogą stać się powszechne, gdy agenci AI zastąpią duże zespoły operacyjne. Jakie typy firm lub branż uważasz, że będą pierwsze odczuwać ten przesunięcie?

Firmy, w których stosunek nakładów operacyjnych do tworzenia wartości jest najwyższy.

Wierzę, że jednoosobowe firmy staną się powszechne. Jeśli jeden architekt z agentami może wykonać pracę 100 osób, wiele firm nie będzie potrzebować drugiego pracownika. Możliwości modelu są zegarem, który napędza to. Przypisuję całą zmianę w CREAO do ostatnich dwóch miesięcy. Opus 4.5 nie mógł zrobić tego, co Opus 4.6. Następne modele przyspieszą to jeszcze bardziej.

Przesunięcie uderza najpierw tam, gdzie praca jest cyfrowa, powtarzalna i pętle zwrotnej są wyraźne. Produkcja treści, operacje marketingowe, e-commerce, narzędzia deweloperskie, agencje cyfrowe. Jeśli Twoja firma jest fundamentalnie o tym, aby brać informacje, transformować je i dystrybuować, system harnessu może obsłużyć większość tej pętli.

Widzimy to na naszej własnej platformie. Opisujemy konkretny przypadek użycia w naszej pracy: solo-założyciel łączy GitHub, Sentry i CloudWatch. System audytuje logi błędów, częstotliwość wdrożeń i stan infrastruktury. Z tego audytu buduje agenta triażowego, agenta odkrywania funkcji, potoku generowania treści, pętli optymalizacji infrastruktury. Każdy agent działa, produkuje dane wyjściowe i zmienia stan. Następny cykl audytu widzi inny obraz. System znalazł nowe rozwiązania. Założyciel ich nie zaplanował.

W CREAO prowadzimy własne operacje w ten sposób. Jeden agent zastąpił trzyosobowy przepływ SEO w ciągu jednej nocy. Inny uruchomił potok treści na dwa dni, zanim ktoś sprawdził dane wyjściowe. Dane wyjściowe były śmieciem, i zabiliśmy je. Obie rzeczy wydarzyły się w tym samym tygodniu. Nazywamy siebie krash-testowymi manekinami dla przyszłości pracy.

Branże, które odczują to jako ostatnie: opieka zdrowotna, ciężkie produkcje, prawo — wszędzie tam, gdzie praca jest fizyczna, silnie uregulowana lub wymaga ludzkiej oceny w każdej decyzji. Ale nawet tam warstwy administracyjne będą się kurczyć.

CREAO niedawno pozyskał 10 milionów dolarów pod przewodnictwem Prosperity7 Ventures, oddziału venture capital Saudi Aramco. Poza samym finansowaniem, jakie strategiczne możliwości otwiera to partnerstwo dla firmy, gdy agenci AI stają się bardziej ukierunkowani na przedsiębiorstwa?

Prosperity7 zarządza funduszem o wartości 3 miliardów dolarów i działa w Dolinie Krzemowej, na Bliskim Wschodzie i w Azji. Zbudowali portfolio obejmujące infrastrukturę przedsiębiorstw AI — Arcee AI, Spirit AI i inne. Strategiczna pasowałość wykracza poza kapitał.

Ich teza pasowała do naszej. Jak Raed Twaily, ich Executive Managing Director, powiedział publicznie: “Gdy dojrzałość AI dojrzewa, focus przenosi się z modeli na wykonanie. Creao AI buduje warstwę infrastruktury, która pozwala agentom działać autonomicznie, niezawodnie i ciągle”. To jest dokładnie to, w co wierzymy. Rynek agentów AI ma szansę osiągnąć 52 miliardy dolarów do 2030 roku. Firmy, które zdobędą prawdziwą wartość, nie będą tymi z najlepszym modelem. Będą tymi z najlepszą warstwą wykonania.

Praktycznie, 10 milionów dolarów — co podnosi nasz łączny kapitał do 25 milionów dolarów w ciągu trzech rund w ciągu roku — przyspiesza trzy rzeczy. Po pierwsze, głębokość inżynierską. Rozwijamy zespół, aby obsłużyć integracje na poziomie przedsiębiorstw i współpracę między agentami. Samouzdrawiająca się pętla, trzyosobowa komisja oceniająca, system wersjonowania AI — wszystko to musi działać na poziomie przedsiębiorstw, a nie tylko dla 25-osobowego zespołu. Po drugie, zasięg geograficzny. Obecność Prosperity7 na Bliskim Wschodzie i w Azji otwiera rynki, gdzie adopcja autonomicznych AI przyspiesza szybciej, niż większość ludzi w Dolinie Krzemowej sobie uświadamia. Po trzecie, wiarygodność instytucjonalna. Gdy prosisz przedsiębiorstwa o zaufanie, że agenci będą niezawodnie i ciągle wykonywać ich operacje, poparcie ma znaczenie.

Pozyskaliśmy 25 milionów dolarów w ciągu roku bez żadnego marketingu płatnego i 200 000 użytkowników dzięki organicznej adopcji. Ta szybkość odzwierciedla przekonanie rynku, że warstwa wykonania jest następnym polem bitwy.

Spójrzając w przyszłość, co oznacza sukces dla CREAO w ciągu najbliższych kilku lat? Czy długoterminowa wizja polega na budowaniu lepszych agentów AI, czy ostatecznie próbujesz przedefiniować, jak same firmy są strukturyzowane i działają?

Obie. I są nierozdzielne.

W najbliższej perspektywie sukces oznacza udowodnienie, że model pętli zamkniętej działa w skali. Mamy 200 000 użytkowników, którzy przybyli przez organiczną adopcję od naszego uruchomienia we wrześniu 2025 roku. Wysyłamy do produkcji od trzech do ośmiu razy dziennie. Uruchamiamy własną inżynierię, marketing i operacje na harnessie. Następny krok to udowodnienie, że firmy wszystkich rozmiarów mogą działać w ten sam sposób.

Ale lepsi agenci nie są celem. Celem jest harness — system wokół agentów.

Agent jest narzędziem. System harnessu jest kołem zamachowym. Im więcej się kręci, tym bardziej się zaciska. Im więcej danych widzi, tym lepsze są jego audyty. Im lepsze są jego audyty, tym ostrzejsze są jego rozwiązania. Im ostrzejsze są jego rozwiązania, tym bardziej wpływowe są jego agenci. Im bardziej wpływowe są jego agenci, tym bardziej zmieniają się dane. I pętla trwa.

Model 20. wieku to hierarchia ludzi zorganizowanych w działy, każdy z menedżerami, każdy z procesami zaprojektowanymi dla przepływu ludzkiego. Gdy agenci mogą niezawodnie wykonywać większość pracy operacyjnej, ten model nie staje się tylko bardziej wydajny — zaczyna stawać się zbędny.

Wszyscy wiedzą, że AI obiecuje wybuch produktywności. Ale branża jest uwięziona w dwóch pułapkach. Jeśli ludzie nadal operują narzędziami AI krok po kroku, produktywność uderza w sufit. A jeśli ludzie są jedynymi, którzy budują narzędzia, prawdziwa rewolucja jeszcze nie rozpoczęła się. Budujemy system, w którym AI robi obie rzeczy: buduje narzędzia i je uruchamia.

Większość założycieli, z którymi rozmawiam, nadal działa w tradycyjny sposób. Niektórzy myślą o tym, aby to zmienić. Bardzo niewielu zrobiło to. Narzędzia do tego istnieją, aby każdy zespół mógł to zrobić. Nic w naszym stosie nie jest własnościowe. Przewaga konkurencyjna to decyzja o przeprojektowaniu wszystkiego wokół tych narzędzi i gotowość do poniesienia kosztu.

Zbudowaliśmy platformę agenta. Agenci odbudowali ją. To jest zasada projektowa. Harness zaciska się dzień po dniu.

Dziękuję za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić CREAO.