Петр Панг, сооснователь и технический директор CREAO – Интервью

Петр Панг, сооснователь и технический директор CREAO, имеет глубокий опыт в области исследований искусственного интеллекта и инфраструктуры машинного обучения в области агентского ИИ. До основания CREAO в 2025 году Панг провел почти шесть лет в Meta в качестве исследователя, работая над инициативами генеративного ИИ, связанными с базовыми моделями LLaMA, включая агентские системы LLM для аннотации данных и генерации синтетических данных. Ранее он работал в Apple (AAPL ) в качестве инженера-машинного обучения, занимаясь NLP, трансферным обучением, глубоким обучением и прогнозирующими системами, а в ранние годы в Брукхейвенской национальной лаборатории он был знаком с передовыми научными исследованиями и экспериментальными системами. Его опыт в области передовых исследований ИИ, крупномасштабного машинного обучения и автономных систем сейчас формирует техническое видение CREAO по созданию агентов ИИ, способных к постоянному выполнению, памяти и автоматизации рабочих процессов.

CREAO – это платформа, ориентированная на ИИ, которая помогает людям и бизнесу создавать автономные агенты ИИ и рабочие процессы с помощью естественного языка, а не традиционного программирования. Компания позиционирует свой “Супер-агент” как постоянную систему ИИ, способную не только генерировать выводы, но и преобразовывать успешные задачи в многоразовые агенты, которые могут работать непрерывно с памятью, планированием и интеграцией с внешними инструментами и API. Платформа CREAO поддерживает основные модели передового ИИ, включая OpenAI, Anthropic, Google (GOOGL ) и другие, подчеркивая модель оперирования на основе ИИ, в которой агенты все больше занимаются выполнением операций, а не служат одноразовыми помощниками. Основанная в Пало-Альто, компания фокусируется на продвижении агентских рабочих процессов ИИ, автоматизации без кода и масштабируемой оркестровки ИИ для бизнеса и независимых профессионалов.

Вы провели почти шесть лет в Meta, работая над моделями LLaMA и агентскими системами для генерации синтетических данных после ранних ролей машинного обучения в Apple и исследовательской работы в Брукхейвенской национальной лаборатории. Что убедило вас, что это правильный момент для основания Creao AI, и какую проблему, по вашему мнению, существующие платформы ИИ еще не решали?

В Meta я наблюдал, как возможности моделей улучшаются драматически с каждым поколением. Я работал над масштабированием LLaMA. Я видел, что эти модели могут делать в контролируемых условиях. Был разрыв, который постоянно расширялся, но он не был в том, что могли сделать модели – он был в том, что люди на самом деле получали из них.

Каждая платформа давала вам один и тот же интерфейс: окно чата. Вы спрашивали, оно отвечало, вы делали работу. ИИ был подрядчиком, который забывал все между сменами. Вы запускали его снова завтра. Система ничего не училась между запусками. Ваш бизнес оставался прежним.

Это была проблема. Не интеллект модели. Выполнение. Никто не строил систему, в которой ИИ мог бы взять результат от начала до конца, сохранить его и повторить без участия человека.

Мой опыт в физике научил меня думать в системах, а не компонентах. В Брукхейвене и во время моего PhD в Стони-Бруке я провел годы, строя экспериментальные трубопроводы, где инструмент, сбор данных и анализ должны были работать как замкнутый контур, или результаты ничего не значили. В Apple я работал над многомодальными моделями и увидел тот же шаблон: сырая способность без системы вокруг нее не складывается.

Когда Кай и я начали говорить о CREAO, тезис был конкретным: отрасли не нужен еще один чат-бот. Ему нужен замкнутый контур – ИИ, который строит инструменты, запускает их и становится лучше со временем. Модели были наконец достаточно хороши. Никто не строил контур.

CREAO описывает себя как платформу, где ИИ может как строить инструменты, так и автономно выполнять работу. Как вы определяете разницу между真正щей “замкнутой” системой ИИ и волной ИИ-копилотов, наводнивших рынок?

Копилот сидит рядом с вами. Вы управляете, он предлагает. Если вы уснете, копилот ничего не делает.

Замкнутая система завершает полный цикл: наблюдает, действует, учится, улучшается. Человек определяет результат. Система занимается выполнением, сохранением и итерацией.

В CREAO мы думаем об этом как о системе упряжи. Один агент может создать электронное письмо, отфильтровать ошибку или суммировать отчет. Но один агент не складывается. Он запускается, производит вывод и останавливается. Система упряжи оборачивается вокруг агентов и превращает их из одноразовых инструментов в самосовершенствующуюся машину. Она следует контуру: Соединение, Аудит, Решения, Построение, Самосовершенствование. Система подключается к вашим реальным источникам данных – вашим репозиториям, журналам ошибок, рекламным аккаунтам. Она оценивает текущее состояние. Она предлагает исправления. Агенты строятся для выполнения этих исправлений. Выводы обратно входят. Новая серия аудита начинается. Контур сжимается.

Это структурно отличается от “У меня есть агент, который делает X”. Это система, которая обнаруживает, что должно быть X, строит X, измеряет X и эволюционирует X без вашего указания.

Большинство копилотов являются ИИ-помощниками. Замкнутый контур – это ИИ-управляемый. Это разделительная линия.

Ваш недавний пост о “инженерии упряжи” и ИИ-ориентированных организациях привлек огромное внимание в Интернете. Что удивило вас больше всего в реакции на идею, что 99% кода производства в CREAO теперь написано ИИ?

Пост набрал 1,8 миллиона просмотров. Я написал его как документацию для нашей команды – запись того, как мы перестроили и что мы узнали. Я не ожидал такого охвата.

Что удивило меня, была реакция. Одна группа сказала, что это безответственно, что вы не можете доверять коду, написанному ИИ, в производстве. Другая группа сказала: “Мы видим точно то же самое, и никто не говорит об этом”.

Эта вторая группа сказала мне что-то важное. Есть команды по всей отрасли, которые тихо проходят через этот переход. Журналист, с которым я говорил, сказал мне, что он говорил с пятью людьми на эту тему. Он сказал, что мы были дальше, чем кто-либо: “Я не думаю, что кто-то полностью перестроил всю свою рабочую систему так, как мы”.

Процент 99% звучит провокационно, но это просто результат удаления человеческих узких мест одно за другим. Когда вы проектируете архитектуру так, чтобы агенты могли видеть весь код, – мы объединили все в один монорепозиторий специально, чтобы ИИ мог видеть все – и ваш конвейер CI/CD имеет шесть детерминированных фаз, и три параллельных прохода ИИ проверяют качество, безопасность и проблемы зависимостей на каждом PR, и ваш самосовершенствующийся контур обнаруживает ошибки, трирует их и автоматически проверяет исправления – человеческая роль смещается от написания кода к проектированию системы, которая управляет тем, как агенты пишут код. Объем кода естественным образом следует.

Что удивило меня больше всего, так это то, что больше КТО не говорит об этом публично. Я думаю, что многие делают это, но боятся восприятия.

В вашей статье вы утверждаете, что большинство компаний все еще “ИИ-помощники”, а не真正 “ИИ-ориентированные”. Какие самые большие заблуждения у команд руководства, когда они считают, что они уже работают как ИИ-родные организации?

Я вижу команды, которые утверждают, что они ИИ-ориентированные, работая в тех же циклах спринтов, тех же досках Jira, тех же еженедельных встречах, тех же подписях QA. Они добавили ИИ в контур. Они не перестроили контур.

Самое большое заблуждение: “Мы используем инструменты ИИ, поэтому мы ИИ-ориентированные”. Инженер открывает Cursor. Менеджер проекта создает спецификации с помощью ChatGPT. QA экспериментирует с генерацией тестов ИИ. Рабочий процесс остается прежним. Эффективность увеличивается на 10-20%. Ничего структурно не меняется. Это ИИ-помощь.

Тест: если вы удалили бы все инструменты ИИ завтра, нужно ли было бы изменить процесс, или только инструменты? Если процесс остается прежним, вы не ИИ-ориентированные.

Второе заблуждение заключается в том, что ИИ-ориентированность – это решение инженерии. Если инженерия поставляет функции за несколько часов, но маркетинг тратит неделю на их объявление, маркетинг является узким местом. Если команда продукта все еще работает в месячном цикле планирования, планирование является узким местом. В CREAO мы продвинули ИИ-ориентированные операции во все функции: заметки о выпуске, сгенерированные из журналов изменений, видео ввода функций, созданные ИИ, социальные сети, оркестрованная и автоматически опубликованная, отчеты о здоровье, сгенерированные из баз данных производства. Инженерия, продукт, маркетинг и рост работают в одном ИИ-ориентированном рабочем процессе. Если одна функция работает на скорости агента, а другая на скорости человека, функция с скоростью человека ограничивает все.

Третье заблуждение заключается в том, что этот переход может быть постепенным. Обычная версия этого – то, что люди называют кодированием настроений. Откройте Cursor, запустите до тех пор, пока что-то не сработает, зафиксируйте, повторите. Это производит прототипы. Производственная система требует стабильности, надежности и безопасности. Вам нужна система, которая гарантирует эти свойства, когда ИИ пишет код. Вы строите систему. Промпты являются одноразовыми.

Вы написали, что настоящий прорыв произошел, когда CREAO перестроила весь инженерный рабочий процесс вокруг агентов ИИ вместо простого добавления инструментов ИИ в существующие процессы. Какая часть этого перехода была наиболее трудной операционно или культурно для команды?

И то, и другое, но они разные виды трудностей.

Операционно, самым трудным решением было объединение кодовой базы. Наша старая архитектура была разбросана по нескольким независимым системам. Одно изменение могло потребовать изменения трех или четырех репозиториев. С точки зрения человеческого инженера – управляемо. С точки зрения агента ИИ – непрозрачно. Агент не может видеть полную картину. Он не может рассуждать о последствиях между сервисами. Он не может запускать интеграционные тесты локально.

Я провел одну неделю, проектируя новую систему, и другую неделю, перестраивая всю кодовую базу с помощью агентов. Это был смелый вызов. Если бы это не сработало, у нас был бы сломанный монорепозиторий и сломанная многорепозиторная настройка. Но принцип ясен: чем больше вашей системы вы можете представить в форме, которую агент может осмотреть, проверить и изменить, тем больше вы получаете. Фрагментированная кодовая база невидима для агентов. Объединенная – прозрачна.

Культурно, самой трудной частью было идентичность. Инженеры находят свою ценность в коде, который они пишут. Когда ИИ пишет 99% кода, вопрос становится: какова теперь моя работа? Это не вопрос процесса. Это экзистенциальный вопрос.

Я не буду притворяться, что все были счастливы. Когда я перестал разговаривать с людьми каждый день, потому что мое время управления уменьшилось с 60% до менее 10%, некоторые члены команды чувствовали себя неуверенно. Что означает, что КТО не разговаривает со мной? Какова моя ценность в этом новом мире? Это разумные опасения. Некоторые люди тратят больше времени на обсуждение того, может ли ИИ сделать их работу, чем на выполнение работы.

Но как только люди испытали новый рабочий процесс – где их работа сместилась от набора кода к проектированию систем, определению стандартных операционных процедур и построению обратных связей – большинство обнаружили, что это более интеллектуально увлекательно. Инженеры, которые испытывали наибольшие трудности, были теми, чья идентичность была наиболее тесно связана с актом написания кода. Те, кто адаптировался быстрее, видели себя как решающие проблемы в первую очередь и кодеров во вторую.

Одним из более противоречивых наблюдений в вашей статье было то, что младшие инженеры адаптировались быстрее, чем старшие инженеры в этой новой среде. Почему вы думаете, что адаптируемость становится более важной, чем накопленный технический опыт в командах инженерии ИИ?

Я заметил шаблон, которого не ожидал. Младшие инженеры с меньшим традиционным опытом чувствовали себя расширенными. У них был доступ к инструментам, которые усиливали их влияние. У них не было десятилетия привычек, которые нужно было разучивать.

Старшие инженеры с сильной традиционной практикой испытывали наибольшие трудности. Две месяца их работы могли быть выполнены ИИ за один час. Это трудная вещь, которую нужно принять после лет построения редкой компетенции.

Причина структурная. Экспертиза старшего инженера живет в механическом выполнении кода – навигация по сложным системам, написание оптимизированных реализаций, проведение тщательных обзоров. Эти навыки были заработаны за годы и они реальны. Но в ИИ-ориентированной среде механический навык написания кода является той частью, которая автоматизируется. То, что остается – и становится более ценным – это способность оценивать, критиковать и направлять ИИ.

У меня есть PhD в физике. Самое полезное, что мой PhD мне taught, – это то, как ставить под сомнение предположения, проверять аргументы и искать то, что отсутствует. Способность критиковать ИИ более ценна, чем способность производить код. Можете ли вы посмотреть на предложение архитектуры и увидеть режим сбоя, который агент пропустил? Можете ли вы посмотреть на сгенерированный ИИ и знать, что он неправильный, прежде чем пользователь скажет вам?

Младшие инженеры никогда не имели глубокой механической экспертизы, от которой нужно было отказаться. Они просто узнали новое.

Я не делаю суждения. Я описываю, что я наблюдал. Старшинство все еще является преимуществом – глубокое архитектурное мышление, интуиция системного дизайна – но только если старший инженер готов работать на другой высоте. В этом переходе адаптируемость более важна, чем накопленный навык.

CREAO перестроила свою инфраструктуру вокруг монорепозиториев, автоматизированных конвейеров CI/CD, систем обзора ИИ и самосовершенствующихся контуров, которые интегрируют инструменты, такие как CloudWatch, Sentry, Linear и Claude. Насколько близко мы к будущему, в котором программные системы в основном поддерживают и ремонтируют себя?

Мы запускаем самосовершенствующийся контур в производстве прямо сейчас. Дайте мне описать, что он на самом деле делает.

Каждое утро в 9:00 UTC запускается автоматизированный рабочий процесс здоровья. Claude Sonnet запрашивает CloudWatch, анализирует шаблоны ошибок во всех сервисах и генерирует исполнительный обзор здоровья, доставляемый команде. Никто не просил об этом. Часом позже двигатель триажа кластеризует ошибки производства из CloudWatch и Sentry, оценивает каждый кластер по девяти измерениям严重ности – влиянию на пользователя, скорости, радиусу взрыва, бизнес-критичности и пяти другим – и автоматически генерирует тикеты расследования в Linear с образцами журналов, затронутыми конечными точками и предложенными путями расследования.

Когда инженер запускает исправление, тот же конвейер обрабатывает его. Три прохода обзора Claude оценивают PR – качество кода, безопасность и сканирование зависимостей. CI проверяет через шестифазный конвейер. После развертывания двигатель триажа проверяет снова. Если исходные ошибки решены, тикет автоматически закрывается.

На вершине этого мы построили то, что мы называем Упряжью агентов. Трибунал из трех судей – один судья Anthropic, один судья OpenAI, один судья Google – оценивает каждый живой ответ агента. Когда оценки падают, шестизадачный конвейер инженерии превращает эти низкие оценки в тикеты Linear, черновые PR и проверенные исправления. И для крупных изменений ИИ-управляемые серые развертывания маршрутизируют 10% трафика в новую вариацию и продвигают через 20%, 50%, 100% только если оценки держатся.

У нас нет команды QA. У нас нет среды подготовки. Никто не читает транскрипты и не оценивает ответы агентов вручную.

Итак, насколько близко мы? Ближе, чем думают большинство людей для ограниченных областей – известных шаблонов ошибок, регрессий, дрейфа конфигурации. Я бы сказал, что 70-80% поддержки производства может работать таким образом с правильной инфраструктурой. Часть, которая все еще требует людей, – это неоднозначные сбои, где сама архитектура может быть неправильной или где исправление требует понимания бизнес-решения, не закодированного в системе.

Практический вывод: вам не нужно ждать совершенства. Даже частичное самосовершенствование значительно меняет динамику команды.

Вы описали будущее, в котором “компании из одного человека” могут стать распространенными, поскольку агенты ИИ заменяют крупные операционные команды. Какие типы компаний или отраслей, по вашему мнению, почувствуют этот сдвиг первыми?

Компании, где соотношение операционных накладных расходов к основной созданию ценности является самым высоким.

Я верю, что компании из одного человека станут распространенными. Если один архитектор с агентами может сделать работу 100 человек, многие компании не будут нуждаться во втором сотруднике. Способность модели является часовым механизмом, который движет этим. Я приписываю весь сдвиг в CREAO последним двум месяцам. Opus 4.5 не мог делать того, что может Opus 4.6. Следующие модели ускорят это еще больше.

Сдвиг затрагивает сначала области, где работа является цифровой, повторяемой и где обратные связи ясны. Производство контента, операции маркетинга, электронная коммерция, инструменты разработки, цифровые агентства. Если ваш бизнес в основном заключается в том, чтобы брать информацию, преобразовывать ее и распространять, система упряжи может обработать большинство этого контура.

Мы видим это на нашей собственной платформе. Мы описываем конкретные случаи использования в нашей работе: сольный основатель подключает GitHub, Sentry и CloudWatch. Система аудита журналов ошибок, частоты развертывания и здоровья инфраструктуры. Из этого аудита она строит агент триажа ошибок, агент открытия функций, конвейер генерации контента, контур оптимизации инфраструктуры. Каждый агент запускается, производит вывод и меняет состояние. Следующий цикл аудита видит другую картину. Система нашла новые решения. Основатель не планировал их.

В CREAO мы ourselves запускаем свои операции таким образом. Один агент заменил трехчеловечный рабочий процесс SEO за одну ночь. Другой агент запускал конвейер контента в течение двух дней, прежде чем кто-либо проверил вывод. Вывод был мусором, и мы убили его. Оба случая произошли в течение одной недели. Мы называем себя тестовыми кроликами для будущего работы.

Отрасли, которые почувствуют это последними: здравоохранение, тяжелое производство, право – где работа является физической, сильно регулируемой или требует человеческого суждения в каждом решении. Но даже там административные слои будут сжаты.

CREAO недавно привлек 10 миллионов долларов, возглавляемых Prosperity7 Ventures, венчурным подразделением Saudi Aramco. Помимо финансирования, какие стратегические возможности открывает это партнерство для компании, поскольку автономные агенты ИИ становятся более ориентированными на предприятия?

Prosperity7 управляет диверсифицированным фондом в 3 миллиарда долларов и работает в Кремниевой долине, на Ближнем Востоке и в Азии. Они построили портфель, охватывающий инфраструктуру предприятий ИИ – Arcee AI, Spirit AI и другие. Стратегическая посадка выходит за рамки капитала.

Их тезис совпадает с нашим. По мере того, как принятие ИИ созревает, фокус смещается от моделей к выполнению. Creao AI строит слой инфраструктуры, который позволяет агентам работать автономно, надежно и непрерывно. Рынок агентов ИИ, как ожидается, достигнет 52 миллиардов долларов к 2030 году. Компании, которые захватят реальную ценность, не будут теми, у которых лучшая модель. Они будут теми, у которых лучший слой выполнения.

Практически, 10 миллионов долларов – что в сумме составляет 25 миллионов долларов за три раунда менее чем за год – ускоряет три вещи. Первое – глубина инженерии. Мы расширяем команду, чтобы обработать интеграции класса предприятия и сотрудничество между агентами. Самосовершенствующийся контур, трибунал из трех судей, система ИИ-управляемого развертывания – все это нужно работать на уровне предприятия, а не только для 25-человечной команды. Второе – географический охват. Присутствие Prosperity7 на Ближнем Востоке и в Азии открывает рынки, где принятие автономного ИИ ускоряется быстрее, чем многие люди в Кремниевой долине осознают. Третье – институциональная репутация. Когда вы просите предприятия доверять агентам, запускающим их операции непрерывно, поддержка имеет значение.

Мы привлекли 25 миллионов долларов менее чем за год без какой-либо платной маркетинговой деятельности и 200 000 пользователей через органическое принятие. Эта скорость отражает убежденность рынка в том, что слой выполнения является следующим полем битвы.

Глядя вперед, как выглядит успех для CREAO в течение следующих нескольких лет? Является ли долгосрочной целью построение лучших агентов ИИ или вы в конечном итоге пытаетесь переопределить, как сами компании структурированы и управляются?

И то, и другое. И они неразделимы.

В ближайшем будущении успех означает доказать, что модель замкнутого контура работает в масштабе. У нас есть 200 000 пользователей, которые пришли через органическое принятие с момента запуска в сентябре 2025 года. Мы отправляем в производство от трех до восьми раз в день. Мы ourselves запускаем свою инженерию, маркетинг и операции на упряжи. Следующий шаг – продемонстрировать, что бизнес любого размера может работать таким же образом.

Но лучшие агенты не являются конечной целью. Конечная цель – упряжь – система вокруг агентов.

Агент – это инструмент. Система упряжи – это маховик. Чем больше она запускается, тем сильнее она становится. Чем больше данных она видит, тем лучше ее аудиты. Чем лучше ее аудиты, тем более точными ее решения. Чем более точными ее решения, тем более эффективными ее агенты. Чем более эффективными ее агенты, тем больше меняются данные. И контур продолжается.

20-й вековая модель компании – это иерархия людей, организованных в отделы, каждая со своими менеджерами, каждая со своими процессами, разработанными для человеческой производительности. Когда агенты могут надежно выполнять большинство операционной работы, эта модель не становится только более эффективной – она начинает становиться ненужной.

Все знают, что ИИ обещает взрыв производительности. Но отрасль застряла в двух ловушках. Если люди все еще управляют инструментами ИИ шаг за шагом, производительность достигает потолка. И если люди все еще являются единственными, кто строит инструменты, настоящая революция еще не началась. Мы строим систему, в которой ИИ делает и то, и другое: строит инструменты и запускает их.

Большинство основателей, с которыми я говорю, все еще работают традиционным способом. Некоторые думают о том, чтобы сделать сдвиг. Очень немногие сделали это. Инструменты есть для любой команды, чтобы сделать это. Ничто в нашем стеке не является проприетарным. Конкурентное преимущество – это решение перестроить все вокруг этих инструментов и готовность поглотить стоимость.

Мы построили платформу агентов. Агенты перестроили ее. Это принцип дизайна. Упряжь сжимается день за днем.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить CREAO.