Peter Pang, Co-Fundador e CTO da CREAO – Série de Entrevistas

Peter Pang, Co-Fundador e CTO da CREAO, traz uma profunda formação em pesquisa de inteligência artificial e infraestrutura de aprendizado de máquina para o espaço emergente de AI agente. Antes de lançar a CREAO em 2025, Pang passou quase seis anos na Meta como Cientista de Pesquisa trabalhando em iniciativas de AI gerativa relacionadas aos modelos de fundação LLaMA, incluindo sistemas de LLM agente para anotação de dados e geração de dados sintéticos. Antes da Meta, ele trabalhou na Apple (AAPL ) como Engenheiro de Aprendizado de Máquina focado em NLP, transferência de aprendizado, aprendizado profundo e sistemas preditivos, enquanto seus primeiros anos no Laboratório Nacional de Brookhaven o expuseram a pesquisas científicas avançadas e sistemas experimentais. Sua experiência em pesquisa de inteligência artificial de fronteira, aprendizado de máquina em larga escala e sistemas autônomos agora molda a visão técnica da CREAO de construir agentes de IA capazes de execução persistente, memória e automação de fluxo de trabalho.

CREAO é uma plataforma nativa de IA focada em ajudar indivíduos e empresas a criar agentes de IA autônomos e fluxos de trabalho por meio de linguagem natural em vez de codificação tradicional. A empresa posiciona seu “Super Agente” como um sistema de IA persistente capaz de não apenas gerar saídas, mas também converter tarefas bem-sucedidas em agentes reutilizáveis que podem operar continuamente com memória, agendamento e integrações em ferramentas e APIs externas. A plataforma da CREAO suporta principais modelos de IA de fronteira, incluindo OpenAI, Anthropic, Google (GOOGL ) e outros, enfatizando um modelo de operação de IA em primeiro lugar, onde os agentes lidam cada vez mais com a execução operacional em vez de servir como assistentes de uma vez. Fundada em Palo Alto, a empresa está focada em avançar fluxos de trabalho de IA agente, automação sem código e orquestração de IA escalável para empresas e profissionais independentes.

Você passou quase seis anos na Meta trabalhando em modelos de fundação LLaMA e sistemas de agente para geração de dados sintéticos após papéis anteriores de aprendizado de máquina na Apple e pesquisa no Laboratório Nacional de Brookhaven. O que o convenceu de que era o momento certo para co-fundar a CREAO, e qual problema você sentiu que as plataformas de IA existentes ainda não estavam resolvendo?

Na Meta, eu observei a capacidade do modelo melhorar dramaticamente a cada geração. Eu trabalhei na escalabilidade do LLaMA. Eu vi o que esses modelos podiam fazer em ambientes controlados. A lacuna que continuava a se ampliar não estava no que os modelos podiam realizar — mas no que as pessoas realmente obtinham deles.

Cada plataforma oferecia a mesma interface: uma janela de bate-papo. Você pergunta, ela responde, você faz o trabalho. A IA é um contratado que esquece tudo entre turnos. Você a executa novamente amanhã. O sistema aprende nada entre as execuções. Seu negócio permanece o mesmo.

Esse era o problema. Não a inteligência do modelo. A execução. Ninguém estava construindo o sistema onde a IA pudesse levar um resultado desde a conversa até a execução, persisti-lo e repeti-lo sem um humano no loop.

Meu background em física me ensinou a pensar em sistemas, não componentes. No Brookhaven e durante meu PhD em Stony Brook, eu passei anos construindo pipelines experimentais onde o instrumento, a coleta de dados e a análise tinham que funcionar como um loop fechado ou os resultados não significavam nada. Na Apple, eu trabalhei em modelos multimodais e vi o mesmo padrão: capacidade bruta sem um sistema em torno não se acumula.

Quando Kai e eu começamos a falar sobre a CREAO, a tese foi específica: a indústria não precisa de mais um chatbot. Ela precisa de um loop fechado — IA que constrói ferramentas, executa trabalho e melhora com o tempo. Os modelos finalmente eram bons o suficiente. Ninguém estava construindo o loop.

A CREAO descreve a si mesma como uma plataforma onde a IA pode tanto construir ferramentas quanto executar trabalho de forma autônoma. Como você define a diferença entre um sistema de IA de “loop fechado” e a onda de copilotos de IA que atualmente inundam o mercado?

Um copiloto senta-se ao seu lado. Você dirige, ele sugere. Se você dormir, o copiloto não faz nada.

Um sistema de loop fechado completa o ciclo completo: observar, agir, aprender, melhorar. O humano define o resultado. O sistema lida com a execução, persistência e iteração.

Na CREAO, pensamos nisso como um sistema de arreios. Um agente único pode rascunhar um e-mail, triar um bug ou resumir um relatório. Mas um agente único não se acumula. Ele executa, produz saída e para. Um sistema de arreios envolve os agentes e os transforma de ferramentas de um único disparo em um motor de auto-aperfeiçoamento. Ele segue um loop: Conexão, Auditoria, Soluções, Construção, Auto-Aperfeiçoamento. O sistema se conecta às suas fontes de dados reais — seus repositórios, logs de erro, contas de anúncios. Ele avalia o estado atual. Ele propõe soluções. Agentes são construídos para executar essas soluções. As saídas alimentam de volta. Um novo ciclo de auditoria começa. O loop se aperta.

Isso é estruturalmente diferente de “Eu tenho um agente que faz X.” Isso é um sistema que descobre o que X deve ser, constrói X, mede X e evolui X sem que você diga a ele para fazer.

A maioria dos copilotos é assistida por IA. Um loop fechado é operado por IA. Essa é a linha divisória.

Sua postagem recente sobre “engenharia de arreios” e organizações de IA em primeiro lugar gerou grande atenção online. O que mais o surpreendeu sobre a reação à ideia de que 99% do código de produção da CREAO agora é escrito por IA?

A postagem atingiu 1,8 milhão de visualizações. Eu a escrevi como documentação para nossa equipe — um registro de como reestruturamos e o que aprendemos. Eu não esperava que alcançasse esse tipo de alcance.

O que me surpreendeu foi a divisão nas reações. Um grupo disse que isso era irresponsável, que você não pode confiar em código gerado por IA em produção. O outro grupo disse: “Estamos vendo a mesma coisa e ninguém está falando sobre isso.”

Esse segundo grupo me disse algo importante. Há equipes em toda a indústria passando silenciosamente por essa transição. Um repórter com quem conversei me disse que havia falado com cerca de cinco pessoas sobre esse tópico. Ele disse que estávamos mais avançados do que qualquer um: “Não acho que alguém tenha simplesmente reconstruído toda a sua fluxo de trabalho do jeito que vocês fizeram.”

O número 99% soa provocativo, mas é apenas o resultado de remover gargalos humanos um a um. Quando você projeta a arquitetura para que os agentes possam ver o código completo — unificamos tudo em um único repositório apenas para que a IA possa ver tudo — e sua pipeline de CI/CD tem seis fases determinísticas, e três passes de revisão de IA paralelos capturam qualidade, segurança e problemas de dependência em cada PR, e seu loop de auto-aperfeiçoamento detecta erros, os tria e verifica automaticamente as soluções — o papel humano muda de escrever código para projetar o sistema que governa como os agentes escrevem o código. O volume de código segue naturalmente.

O que mais me surpreendeu é que mais CTOs não estão dizendo isso publicamente. Acho que muitos estão fazendo isso, mas têm medo da percepção.

Em seu artigo, você argumenta que a maioria das empresas ainda está “assistida por IA” em vez de verdadeiramente “IA em primeiro lugar”. Quais são os maiores mal-entendidos que as equipes de liderança têm quando acreditam que já estão operando como organizações nativas de IA?

Vejo equipes que reivindicam ser IA em primeiro lugar enquanto executam os mesmos ciclos de sprint, as mesmas placas de Jira, os mesmos standups semanais, as mesmas aprovações de QA. Eles adicionaram IA ao loop. Eles não redesenharam o loop.

O maior mal-entendido: “Nós usamos ferramentas de IA, portanto somos IA em primeiro lugar.” Um engenheiro abre o Cursor. Um PM cria especificações com o ChatGPT. QA experimenta geração de testes de IA. O fluxo de trabalho permanece o mesmo. A eficiência aumenta 10 a 20 por cento. Nada muda estruturalmente. Isso é assistido por IA.

Aqui está o teste: se você remover todas as ferramentas de IA amanhã, o processo precisaria mudar, ou apenas as ferramentas? Se o processo permanecer o mesmo, você não é IA em primeiro lugar.

O segundo mal-entendido é que IA em primeiro lugar é uma decisão de engenharia. Se a engenharia entrega recursos em horas, mas o marketing leva uma semana para anunciá-los, o marketing é o gargalo. Se a equipe de produto ainda executa um ciclo de planejamento mensal, o planejamento é o gargalo. Na CREAO, empurramos operações nativas de IA para todas as funções: notas de lançamento geradas a partir de changelogs, vídeos de introdução de recursos criados por IA, mídia social orquestrada e publicada automaticamente, relatórios de saúde gerados a partir de bancos de dados de produção. Engenharia, produto, marketing e crescimento funcionam em um fluxo de trabalho nativo de IA. Se uma função opera na velocidade do agente e outra na velocidade humana, a função de velocidade humana limita tudo.

O terceiro mal-entendido é que essa transição pode ser gradual. Uma versão comum disso é o que as pessoas chamam de codificação de vibração. Abra o Cursor, faça prompts até que algo funcione, comite, repita. Isso produz protótipos. Um sistema de produção precisa de estabilidade, confiabilidade e segurança. Você precisa de um sistema que garanta essas propriedades quando a IA escreve o código. Você constrói o sistema. Os prompts são descartáveis.

Você escreveu que a grande quebra veio quando a CREAO redesenhou todo o fluxo de trabalho de engenharia em torno de agentes de IA em vez de simplesmente adicionar ferramentas de IA aos processos existentes. Qual parte dessa transição foi a mais difícil operacionalmente ou culturalmente para a equipe?

Ambos, mas são diferentes tipos de dificuldade.

Operacionalmente, a decisão mais difícil foi unificar o código. Nossa arquitetura antiga estava espalhada por vários sistemas independentes. Uma mudança única poderia exigir tocar três ou quatro repositórios. Do ponto de vista de um engenheiro humano, gerenciável. Do ponto de vista de um agente de IA, opaco. O agente não pode ver a imagem completa. Ele não pode raciocinar sobre implicações entre serviços. Ele não pode executar testes de integração localmente.

Eu passei uma semana projetando o novo sistema e outra semana re-arquitetando todo o código usando agentes. Essa foi uma chamada ousada. Se falhasse, teríamos um repositório monolítico quebrado e um setup de vários repositórios quebrado. Mas o princípio é claro: quanto mais do seu sistema você puxa para uma forma que o agente possa inspecionar, validar e modificar, mais alavancagem você obtém. Um código base fragmentado é invisível para os agentes. Um unificado é legível.

Culturalmente, a parte mais difícil foi a identidade. Os engenheiros encontram seu valor no código que escrevem. Quando a IA escreve 99% do código, a pergunta se torna: qual é o meu trabalho agora? Isso não é uma pergunta de processo. Isso é existencial.

Eu não vou fingir que todos estavam felizes. Quando eu parei de falar com as pessoas todos os dias porque meu tempo de gestão caiu de 60% para menos de 10%, alguns membros da equipe se sentiram incertos. O que significa o CTO não falar comigo? Qual é o meu valor nesse novo mundo? Essas são preocupações razoáveis. Algumas pessoas passam mais tempo debatendo se a IA pode fazer o seu trabalho do que fazendo o trabalho.

Mas uma vez que as pessoas experimentaram o novo fluxo de trabalho — onde o trabalho delas mudou de digitar código para projetar sistemas, definir SOPs e construir loops de feedback — a maioria encontrou mais engajamento intelectual. Os engenheiros que lutaram mais foram aqueles cuja identidade estava mais fortemente acoplada ao ato de escrever código. Os que se adaptaram mais rapidamente viram a si mesmos como solucionadores de problemas em primeiro lugar e codificadores em segundo.

Uma das observações mais controversas em sua peça foi que os engenheiros juniores se adaptaram mais rapidamente do que os engenheiros seniores nesse novo ambiente. Por que você acha que a adaptabilidade está se tornando mais importante do que a experiência técnica acumulada em equipes de engenharia de IA em primeiro lugar?

Eu notei um padrão que não esperava. Engenheiros juniores com menos prática tradicional se sentiram empoderados. Eles tinham acesso a ferramentas que ampliavam seu impacto. Eles não carregavam uma década de hábitos para desaprender.

Engenheiros seniores com prática tradicional forte tiveram o tempo mais difícil. Dois meses de trabalho deles poderiam ser concluídos em uma hora pela IA. Isso é uma coisa difícil de aceitar após anos de construir um conjunto de habilidades raro.

A razão é estrutural. A expertise de um engenheiro sênior vive na execução mecânica do código — navegando sistemas complexos, escrevendo implementações otimizadas, realizando revisões completas. Essas habilidades foram ganhas ao longo dos anos e são reais. Mas em um ambiente de IA em primeiro lugar, a habilidade mecânica de escrever código é a parte que está sendo automatizada. O que permanece — e se torna mais valioso — é a capacidade de avaliar, criticar e direcionar a IA.

Eu tenho um PhD em física. A coisa mais útil que meu PhD me ensinou foi como questionar suposições, testar argumentos e procurar o que está faltando. A capacidade de criticar a IA é mais valiosa do que a capacidade de produzir código. Você pode olhar para uma proposta de arquitetura e ver o modo de falha que o agente perdeu? Você pode olhar para uma interface gerada e saber que está errada antes que o usuário diga?

Engenheiros juniores nunca tiveram expertise mecânica profunda para deixar de lado. Eles apenas aprenderam a nova coisa.

Eu não estou fazendo um julgamento. Estou descrevendo o que observei. Senioridade ainda é uma vantagem — o pensamento arquitetônico profundo, a intuição de design de sistema — mas apenas se o engenheiro sênior estiver disposto a operar em uma altitude diferente. Nessa transição, a adaptabilidade importa mais do que a habilidade acumulada.

A CREAO reconstruiu sua infraestrutura em torno de repositórios monolíticos, pipelines de CI/CD automatizados, sistemas de revisão de IA e loops de auto-aperfeiçoamento que integram ferramentas como CloudWatch, Sentry, Linear e Claude. Quão perto estamos de um futuro onde os sistemas de software se mantêm e se repararam principalmente sozinhos?

Executamos um loop de auto-aperfeiçoamento em produção agora. Vou descrever o que ele realmente faz.

Todas as manhãs, às 9h00 UTC, um fluxo de trabalho de saúde automatizado é executado. O Claude Sonnet consulta o CloudWatch, analisa padrões de erro em todos os serviços e gera um resumo executivo de saúde entregue à equipe. Ninguém pediu por isso. Uma hora depois, o motor de triagem clusteriza erros de produção do CloudWatch e Sentry, pontua cada cluster em nove dimensões de gravidade — impacto do usuário, velocidade, raio de explosão, criticidade de negócios e cinco outras — e gera automaticamente bilhetes de investigação no Linear com logs de amostra, pontos de extremidade afetados e caminhos de investigação sugeridos.

Quando um engenheiro empurra uma correção, a mesma pipeline lida com isso. Três passes de revisão do Claude avaliam o PR — qualidade de código, segurança e varredura de dependência. O CI valida por meio de uma pipeline de seis fases. Após o deploy, o motor de triagem re-verifica. Se os erros originais são resolvidos, o bilhete é fechado automaticamente.

Além disso, construímos o que chamamos de Arreio de Agente. Um painel de julgamento de três juízes — um juiz Anthropic, um juiz OpenAI, um juiz Google — pontua cada resposta de agente ao vivo. Quando as pontuações caem, uma pipeline de engenharia de seis trabalhos transforma essas pontuações baixas em bilhetes no Linear, PRs de rascunho e soluções verificadas. E para mudanças principais, lançamentos cinzas controlados por IA roteiam 10% do tráfego para a nova variante e promovem por 20%, 50%, 100% apenas se as pontuações se mantêm.

Não temos uma equipe de QA. Não temos um ambiente de staging. Ninguém lê transcritos e pontua respostas de agente manualmente.

Então, quão perto estamos? Mais perto do que a maioria das pessoas pensa para domínios restritos — padrões de erro conhecidos, regressões, deriva de configuração. Eu diria que 70 a 80 por cento da manutenção de produção pode ser executado dessa forma com a infraestrutura certa. A parte que ainda precisa de humanos é falhas ambíguas onde a arquitetura em si pode estar errada, ou onde a correção exige entender uma decisão de negócios não codificada no sistema.

A lição prática: você não precisa esperar a perfeição. Mesmo o auto-aperfeiçoamento parcial muda dramaticamente a dinâmica da equipe.

Você descreveu um futuro onde “empresas de uma pessoa” poderiam se tornar comuns à medida que os agentes de IA substituem grandes equipes operacionais. Quais tipos de empresas ou indústrias você acha que sentirão essa mudança primeiro?

Empresas onde a relação de sobrecarga operacional para criação de valor é mais alta.

Acredito que empresas de uma pessoa se tornarão comuns. Se um arquiteto com agentes pode fazer o trabalho de 100 pessoas, muitas empresas não precisarão de um segundo funcionário. A capacidade do modelo é o relógio impulsionando isso. Atribuo toda a mudança na CREAO aos últimos dois meses. O Opus 4.5 não podia fazer o que o Opus 4.6 faz. Modelos de próxima geração acelerarão isso ainda mais.

A mudança atinge primeiro onde o trabalho é digital, repetível e os loops de feedback são claros. Produção de conteúdo, operações de marketing, comércio eletrônico, ferramentas de desenvolvedor, agências digitais. Se o seu negócio é fundamentalmente sobre pegar informações, transformá-las e distribuí-las, um sistema de arreios pode lidar com a maior parte desse loop.

Vemos isso em nossa própria plataforma. Descrevemos casos de uso específicos em nosso trabalho: um fundador solo conecta o GitHub, Sentry e CloudWatch. O sistema audita logs de erro, frequência de implantação e saúde de infraestrutura. A partir dessa auditoria, ele constrói um agente de triagem de bugs, um agente de descoberta de recursos, um pipeline de geração de conteúdo, um loop de otimização de infraestrutura. Cada agente executa, produz saída e essa saída muda o estado. No próximo ciclo, a auditoria vê uma imagem diferente. O sistema encontrou as novas soluções. O fundador não as planejou.

Na CREAO, executamos nossas próprias operações dessa forma. Um agente substituiu um fluxo de trabalho de SEO de três pessoas em uma noite. Outro executou um pipeline de conteúdo por dois dias antes que alguém verificasse a saída. A saída era lixo, e a matamos. Ambos aconteceram na mesma semana. Nos chamamos de cobaias para o futuro do trabalho.

Indústrias que sentirão isso por último: saúde, manufatura pesada, direito — em qualquer lugar onde o trabalho é físico, fortemente regulamentado ou exige julgamento humano em cada decisão. Mas mesmo lá, as camadas administrativas se comprimirão.

A CREAO recentemente levantou $10 milhões liderados pela Prosperity7 Ventures, o braço de venture da Saudi Aramco. Além do próprio financiamento, quais oportunidades estratégicas essa parceria abre para a empresa à medida que os agentes de IA autônomos se tornam mais focados nas empresas?

A Prosperity7 gerencia um fundo diversificado de $3 bilhões e opera em Silicon Valley, Oriente Médio e Ásia. Eles construíram um portfólio que abrange infraestrutura de IA empresarial — Arcee AI, Spirit AI e outros. O ajuste estratégico vai além do capital.

Sua tese correspondia à nossa. Como Raed Twaily, seu Diretor Executivo, disse publicamente: “À medida que a adoção de IA amadurece, o foco está mudando de modelos para execução. A CREAO AI está construindo a camada de infraestrutura que permite que os agentes operem de forma autônoma, confiável e contínua.” Isso é exatamente o que acreditamos. O mercado de agentes de IA é projetado para atingir $52 bilhões até 2030. As empresas que capturam valor real não serão as que têm o melhor modelo. Elas serão as que têm a melhor camada de execução.

Praticamente, os $10 milhões — trazendo nosso total para $25 milhões em três rodadas em menos de um ano — aceleram três coisas. Primeiro, profundidade de engenharia. Estamos expandindo a equipe para lidar com integrações de nível empresarial e colaboração entre agentes. O arreio de auto-aperfeiçoamento, o painel de julgamento de três juízes, o sistema de rollout controlado por IA — essas coisas precisam funcionar em escala empresarial, não apenas para uma equipe de 25 pessoas. Segundo, alcance geográfico. A presença da Prosperity7 no Oriente Médio e na Ásia abre mercados onde a adoção de IA autônoma está acelerando mais rápido do que a maioria das pessoas em Silicon Valley percebe. Terceiro, credibilidade institucional. Quando você está pedindo às empresas que confiem em agentes que executam suas operações continuamente, o respaldo importa.

Levantamos $25 milhões em menos de um ano com zero marketing pago e 200.000 usuários por meio de adoção orgânica. Essa velocidade reflete a convicção do mercado de que a camada de execução é o próximo campo de batalha.

Olhando para o futuro, o que o sucesso significa para a CREAO nos próximos anos? É o objetivo de longo prazo construir agentes de IA melhores, ou você está tentando redefinir fundamentalmente como as empresas são estruturadas e operadas?

Ambos. E eles são inseparáveis.

No curto prazo, o sucesso significa provar que o modelo de loop fechado funciona em escala. Temos 200.000 usuários que chegaram por meio de adoção orgânica desde o nosso lançamento em setembro de 2025. Enviamos para a produção de três a oito vezes por dia. Executamos nossa própria engenharia, marketing e operações no arreio. O próximo passo é demonstrar que empresas de todos os tamanhos podem executar da mesma forma.

Mas agentes melhores não são o objetivo final. O objetivo final é o arreio — o sistema em torno dos agentes.

Um agente é uma ferramenta. Um sistema de arreio é uma roda de flywheel. Quanto mais ele roda, mais apertado ele fica. Quanto mais dados ele vê, melhor sua auditoria. Quanto melhor sua auditoria, mais afiadas suas soluções. Quanto mais afiadas suas soluções, mais impactantes seus agentes. Quanto mais impactantes seus agentes, mais os dados mudam. E o loop continua.

O modelo do século 20 de uma empresa é uma hierarquia de humanos organizados em departamentos, cada um com gerentes, cada um com processos projetados para o throughput humano. Quando os agentes podem executar confiavelmente a maioria do trabalho operacional, esse modelo não se torna apenas mais eficiente — ele começa a se tornar desnecessário.

Todos sabem que a IA promete uma explosão de produtividade. Mas a indústria está presa em duas armadilhas. Se os humanos ainda operam as ferramentas de IA passo a passo, a produtividade atinge um teto. E se os humanos ainda são os únicos construindo as ferramentas, a revolução real não começou. Estamos construindo o sistema onde a IA faz ambos: constrói as ferramentas e as executa.

A maioria dos fundadores com quem falo ainda opera da maneira tradicional. Alguns pensam em fazer a mudança. Muito poucos fizeram. As ferramentas existem para que qualquer equipe faça isso. Nada em nossa pilha é proprietário. A vantagem competitiva é a decisão de redesenhar tudo em torno dessas ferramentas e a disposição de absorver o custo.

Construímos uma plataforma de agente. Os agentes a reconstruíram. Essa é a princípio de design. O arreio se aperta dia a dia.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar CREAO.