Peter Pang, medgrundare och CTO på CREAO – Intervjuserie

Peter Pang, medgrundare och CTO på CREAO, har en djup bakgrund inom artificiell intelligensforskning och maskinläringsinfrastruktur i den framväxande agenterade AI-branschen. Innan han lanserade CREAO 2025 tillbringade Pang nästan sex år på Meta som forskningsvetenskapsman och arbetade med generativ AI-initiativ kopplade till LLaMA-stödmodellerna, inklusive LLM-agenter för dataannotation och syntetisk datagenerering. Före Meta arbetade han på Apple (AAPL ) som maskinläringsingenjör med fokus på NLP, transferlärning, djupinlärning och prediktiva system, medan hans tidigare år på Brookhaven National Laboratory gav honom erfarenhet av avancerad vetenskaplig forskning och experimentella system. Hans erfarenhet av banbrytande AI-forskning, storskalig maskinlärning och autonoma system formar nu CREAO:s tekniska vision om att bygga AI-agenter som kan utföra arbete med beständighet, minne och arbetsflödesautomatisering.

CREAO är en AI-nativ plattform som fokuserar på att hjälpa individer och företag att skapa autonoma AI-agenter och arbetsflöden genom naturligt språk snarare än traditionell kodning. Företaget positionerar sin “Super Agent” som ett beständigt AI-system som inte bara kan generera utdata, utan också omvandla lyckade uppgifter till återanvändbara agenter som kan operera kontinuerligt med minne, schemaläggning och integrering över externa verktyg och API:er. CREAO:s plattform stöder stora AI-modeller, inklusive OpenAI, Anthropic, Google (GOOGL ) och andra, med betoning på en AI-först driftsmodell där agenter alltmer hanterar operativ körning i stället för att fungera som engångshjälpare. Grundat i Palo Alto fokuserar företaget på att främja agenterade AI-arbetsflöden, kodfri automatisering och skalbar AI-orchestrering för företag och oberoende proffs.

Du tillbringade nästan sex år på Meta och arbetade med LLaMA-stödmodeller och agenter för syntetisk datagenerering efter tidigare maskinlärningsroller på Apple och forskningsarbete på Brookhaven National Laboratory. Vad övertygade dig om att det var rätt tillfälle att medgrundare Creao AI, och vilket problem kände du att befintliga AI-plattformar fortfarande inte löste?

På Meta såg jag hur modellkapaciteten förbättrades dramatiskt med varje generation. Jag arbetade med att skala upp LLaMA. Jag såg vad dessa modeller kunde göra i kontrollerade miljöer. Gapet som fortsatte att öka var inte vad modellerna kunde åstadkomma — det var vad människor faktiskt fick ut av dem.

Varje plattform gav dig samma gränssnitt: en chattfönster. Du frågar, den svarar, du gör arbetet. AI är en underentreprenör som glömmer allt mellan skift. Du kör den igen nästa dag. Systemet lär sig ingenting mellan körningarna. Ditt företag förblir detsamma.

Det var problemet. Inte modellintelligens. Utförande. Ingen byggde systemet där AI kunde ta en utgång från samtal till utförande, persistera den och upprepa den utan en människa i slingan.

Min bakgrund inom fysik lärde mig att tänka i system, inte komponenter. På Brookhaven och genom min doktorsexamen vid Stony Brook tillbringade jag år med att bygga experimentella pipelines där instrumentet, datainsamlingen och analysen måste fungera som en sluten slinga, eller så betydde resultaten ingenting. På Apple arbetade jag med multimodala modeller och såg samma mönster: rå kapacitet utan ett system runt den förstärker inte.

När Kai och jag började prata om CREAO var tesen specifik: branschen behöver inte en till chatbot. Den behöver en sluten slinga — AI som bygger verktyg, kör dem och blir bättre över tid. Modellerna var äntligen tillräckligt bra. Ingen byggde slingan.

CREAO beskriver sig själv som en plattform där AI kan både bygga verktyg och autonomt utföra arbete. Hur definierar du skillnaden mellan ett sant “slutet AI-system” och den våg av AI-kopiloter som för närvarande översvämmar marknaden?

En kopilot sitter bredvid dig. Du kör, den föreslår. Om du somnar gör kopiloten ingenting.

Ett slutet system slutför hela cykeln: observera, agera, lära, förbättra. Människan definierar resultatet. Systemet hanterar utförande, persistens och iteration.

På CREAO tänker vi på detta som ett sele-system. En enskild agent kan utkasta ett e-postmeddelande, triagera en bugg eller sammanfatta en rapport. Men en enskild agent förstärker inte. Den kör, producerar utdata och stannar. Ett sele-system omger agenter och förvandlar dem från engångsverktyg till en självförbättrande motor. Det följer en slinga: Anslutning, Granskning, Lösningar, Bygga, Självförbättra. Systemet ansluter till dina riktiga datakällor — dina repos, dina felloggar, dina annonskonton. Det bedömer nuvarande tillstånd. Det föreslår korrigeringar. Agenter byggs för att utföra dessa korrigeringar. Utdata matas tillbaka in. En ny omgång granskning börjar. Slingan dras åt.

Det är strukturerat annorlunda än “Jag har en agent som gör X.” Detta är ett system som upptäcker vad X borde vara, bygger X, mäter X och utvecklar X utan att du ber det att.

De flesta kopiloter är AI-assisterade. Ett slutet system är AI-opererat. Det är gränsen.

Din nyliga inlägg om “sele-teknik” och AI-första organisationer genererade massiv uppmärksamhet online. Vad överraskade dig mest om reaktionen på idén att 99% av produktionskoden på CREAO nu är skriven av AI?

Inlägget nådde 1,8 miljoner visningar. Jag skrev det som dokumentation för vårt team — en registrering av hur vi omstrukturerade och vad vi lärde oss. Jag förväntade mig inte den typen av räckvidd.

Vad som överraskade mig var splittringen i reaktioner. En läger sa att detta var ansvarslöst, att man inte kan lita på AI-genererad kod i produktion. Det andra lägret sa: “Vi ser exakt samma sak och ingen pratar om det.”

Det andra lägret berättade för mig något viktigt. Det finns team över hela branschen som tyst går igenom denna transition. En reporter jag talade med sa att hon hade pratat med cirka fem personer om detta ämne. Hon sa att vi var längre framme än någon: “Jag tror inte att någon har byggt om hela sin arbetsflöde på det sätt som ni har.”

99-procentssiffran låter provocerande, men det är bara resultatet av att ta bort mänskliga flaskhalsar en efter en. När du designar arkitekturen så att agenter kan se hela kodbasen — vi enade allt i ett enda monorepo specifikt så att AI kunde se allt — och din CI/CD-pipeline har sex deterministiska faser, och tre parallella AI-granskningspass som fångar kvalitet, säkerhet och beroendeproblem på varje PR, och din självhelande slinga upptäcker fel, triagerar dem och verifierar korrigeringar automatiskt — den mänskliga rollen skiftar från att skriva kod till att designa systemet som styr hur agenter skriver kod. Kodvolymen följer naturligt.

Vad som överraskade mig mest är att fler CTO:er inte säger detta offentligt. Jag tror att många gör det men är rädda för uppfattningen.

I din artikel hävdar du att de flesta företag fortfarande är “AI-assisterade” snarare än riktigt “AI-första”. Vilka är de största missuppfattningarna som ledningsteam har när de tror att de redan opererar som AI-nativa organisationer?

Jag ser team som påstår att de är AI-första medan de fortfarande kör samma sprintcykler, samma Jira-bräden, samma veckovisa standups, samma QA-godkännanden. De lade till AI i slingan. De omformade inte slingan.

Den största missuppfattningen: “Vi använder AI-verktyg, alltså är vi AI-första.” En ingenjör öppnar Cursor. En produktchef utarbetar specifikationer med ChatGPT. QA experimenterar med AI-testgenerering. Arbetsflödet förblir detsamma. Effektiviteten ökar med 10 till 20 procent. Ingenting förändras strukturerat. Det är AI-assisterat.

Här är testet: Om du tog bort alla AI-verktyg i morgon, skulle din process behöva förändras, eller bara dina verktyg? Om processen förblir densamma är du inte AI-först.

Den andra missuppfattningen är att AI-första är ett tekniskt beslut. Om ingenjörer skickar funktioner på några timmar men marknadsföring tar en vecka att meddela dem är marknadsföring flaskhalsen. Om produktteamet fortfarande kör en månatlig planeringscykel är planeringen flaskhalsen. På CREAO tryckte vi AI-nativa operationer in i varje funktion: släppanteckningar genererade från ändringsloggar, funktionspresentationer skapade av AI, sociala medier orkestrerade och auto-publicerade, hälsorapporter genererade från produktionsdatabaser. Ingenjörer, produkt, marknadsföring och tillväxt kör i en AI-nativ arbetsflöde. Om en funktion opererar i agents hastighet och en annan i mänsklig hastighet begränsar den mänskliga funktionen allt.

Den tredje missuppfattningen är att denna transition kan vara gradvis. En vanlig version av detta är vad människor kallar “vibe-kodning”. Öppna Cursor, prompta tills något fungerar, commit, upprepa. Det producerar prototyper. Ett produktionsystem behöver stabilitet, tillförlitlighet och säkerhet. Du behöver ett system som garanterar dessa egenskaper när AI skriver koden. Du bygger systemet. Prompten är engångsartiklar.

Du skrev att den riktiga genombrottet kom när CREAO omformade hela sitt tekniska arbetsflöde runt AI-agenter snarare än att bara lägga till AI-verktyg i befintliga processer. Vilken del av den transitionen var den mest svåra operationellt eller kulturellt för teamet?

Båda, men de är olika typer av svåra.

Operationellt var det svåraste beslutet att ena kodbasen. Vår gamla arkitektur var utspridd över flera oberoende system. En enda förändring kunde kräva att man rörde vid tre eller fyra repository. Från ett mänskligt ingenjörsperspektiv, hanterbart. Från ett AI-agents perspektiv, ogenomskinligt. Agenten kan inte se den fulla bilden. Den kan inte resonera om tvär-tjänsteimplikationer. Den kan inte köra integrations-tester lokalt.

Jag tillbringade en vecka med att designa det nya systemet och en annan vecka med att omstrukturera hela kodbasen med hjälp av agenter. Det var ett djärvt beslut. Om det misslyckades skulle vi ha ett trasigt monorepo och ett trasigt multi-repo-upplägg. Men principen är tydlig: Ju mer av ditt system du drar in i en form som agenten kan inspektera, validera och modifiera, desto mer kraft får du. En fragmenterad kodbas är osynlig för agenter. En enad är läsbar.

Kulturellt var den svåraste delen identitet. Ingenjörer hittar sin värdering i koden de skriver. När AI skriver 99% av koden blir frågan: Vad är mitt jobb nu? Det är inte en processfråga. Det är existentiellt.

Jag kommer inte att påstå att alla var glada. När jag slutade prata med människor varje dag eftersom min ledningstid minskade från 60% till under 10%, kände vissa teammedlemmar sig osäkra. Vad betyder det att CTO:n inte pratar med mig? Vad är min värdering i den här nya världen? Det är rimliga bekymmer. Vissa människor tillbringar mer tid med att debattera om AI kan göra deras arbete än att göra arbetet.

Men när människor upplevde det nya arbetsflödet — där deras jobb skiftade från att skriva kod till att designa system, definiera SOP:er och bygga återkopplings-slingor — fann de flesta det mer intellektuellt engagerande. De ingenjörer som kämpade mest var de vars identitet var starkt kopplad till att skriva kod. De som anpassade sig snabbast såg sig själva som problemlösare först och kodare andra.

En av de mer kontroversiella iakttagelserna i ditt stycke var att junioringenjörer anpassade sig snabbare än senioringenjörer i den här nya miljön. Varför tror du att anpassningsförmåga blir viktigare än ackumulerad teknisk erfarenhet i AI-första ingenjörs-team?

Jag observerade ett mönster som jag inte förväntade mig. Junioringenjörer med mindre traditionell praxis kände sig befriade. De hade tillgång till verktyg som förstärkte deras påverkan. De bar inte på ett decennium av vanor att avlära.

Senioringenjörer med stark traditionell praxis hade det svåraste. Två månaders arbete kunde slutföras på en timme av AI. Det är en svår sak att acceptera efter år av att bygga en sällsynt färdighet.

Orsaken är strukturerad. En senioringenjörs expertis bor i den mekaniska körningen av kod — navigera komplexa system, skriva optimerade implementationer, genomföra noggranna granskningar. Dessa färdigheter är äkta och vunna under år. Men i en AI-först miljö är den mekaniska färdigheten att skriva kod det som automatiseras. Vad som återstår — och blir mer värdefullt — är förmågan att utvärdera, kritisera och styra AI.

Jag har en doktorsexamen i fysik. Det mest användbara min doktorsexamen lärde mig var hur man ifrågasätter antaganden, stress-testar argument och letar efter vad som saknas. Förmågan att kritisera AI är mer värdefull än förmågan att producera kod. Kan du titta på en arkitekturförslag och se fel-läget som agenten missade? Kan du titta på en genererad UI och veta att den är fel innan användaren berättar det för dig?

Junioringenjörer hade aldrig djup mekanisk expertis att släppa. De lärde sig bara det nya.

Jag gör inte en värdering. Jag beskriver vad jag observerade. Senioritet är fortfarande en fördel — det djupa arkitektoniska tänkandet, systemdesign-intuitionen — men bara om den seniora ingenjören är villig att operera på en annan höjd. I denna transition är anpassningsförmåga viktigare än ackumulerad färdighet.

CREAO byggde om sin infrastruktur runt monorepo, automatiserade CI/CD-pipelines, AI-gransknings-system och självhelande slingor som integrerar verktyg som CloudWatch, Sentry, Linear och Claude. Hur nära är vi en framtid där programvarusystem till stor del underhåller och reparerar sig själva?

Vi kör en självhelande slinga i produktion just nu. Låt mig beskriva vad den faktiskt gör.

Varje morgon klockan 09:00 UTC kör ett automatiserat hälsotillståndsarbetsflöde. Claude Sonnet frågar CloudWatch, analyserar fel-mönster över alla tjänster och genererar en verkställande hälsosammanfattning som levereras till teamet. Ingen bad om det. En timme senare klustrar felsökning-motorn produktionsfel från CloudWatch och Sentry, poängsätter varje kluster över nio allvarlighetsdimensioner — användar-påverkan, hastighet, sprängverkan, affärskritikalitet och fem andra — och auto-genererar utredning-biljetter i Linear med exempelloggar, påverkade slutpunkter och föreslagna utredningssätt.

När en ingenjör skickar en korrigering hanterar samma pipeline det. Tre Claude-granskningspass utvärderar PR:n — kodkvalitet, säkerhet och beroendescanning. CI validerar genom en sex-fas-pipeline. Efter distribution kontrollerar felsökning-motorn igen. Om de ursprungliga felen är lösta stängs biljetten automatiskt.

På toppen av det byggde vi vad vi kallar Agent Harness. En tri-domare-granskningspanel — en Anthropic-domare, en OpenAI-domare, en Google-domare — poängsätter varje live-agent-svar. När poängen sjunker genererar en sex-jobbs ingenjörs-pipeline låga poäng till Linear-biljetter, utkast-PR:ar och verifierade korrigeringar. Och för stora förändringar dirigerar AI-styrda gråa distributioner 10% av trafiken till den nya varianten och främjar genom 20%, 50%, 100% endast om poängen hålls.

Vi har ingen QA-team. Vi har ingen staging-miljö. Ingen läser transkriptioner och poängsätter agent-svar för hand.

Så hur nära är vi? Närmare än de flesta tror för begränsade domäner — kända fel-mönster, återgångar, konfigurationsdrift. Jag skulle säga att 70 till 80% av produktionsunderhåll kan köras på det här sättet med rätt infrastruktur. Delen som fortfarande behöver människor är tvetydiga fel där arkitekturen i sig kan vara fel, eller där korrigeringen kräver förståelse av ett affärsbeslut som inte är kodat i systemet.

Den praktiska slutsatsen: du behöver inte vänta på fullständighet. Även partiell självhelande förändrar dramatiskt team-dynamik.

Du har beskrivit en framtid där “en-person-företag” kan bli vanliga när AI-agenter ersätter stora operativa team. Vilka typer av företag eller branscher tror du kommer att känna av denna shift först?

Företag där förhållandet mellan operativ overhead och kärnvärdeskapande är högst.

Jag tror att en-person-företag kommer att bli vanliga. Om en arkitekt med agenter kan göra arbetet för 100 personer, kommer många företag inte att behöva en andra anställd. Modellkapacitet är klockan som driver detta. Jag tillskriver hela skiftet på CREAO till de senaste två månaderna. Opus 4.5 kunde inte göra vad Opus 4.6 gör. Nästa generations modeller kommer att accelerera det ytterligare.

Skiftet slår först där arbetet är digitalt, upprepbart och återkopplings-slingorna är tydliga. Innehållsproduktion, marknadsföringsoperationer, e-handel, utvecklarverktyg, digitala byråer. Om ditt företag i grunden handlar om att ta information, omvandla den och distribuera den, kan ett sele-system hantera större delen av den slingan.

Vi ser det på vår egen plattform. Vi beskriver specifika användningsfall i vårt arbete: en solo-grundare ansluter GitHub, Sentry och CloudWatch. Systemet granskar felloggar, distributionsfrekvens och infrastrukturhälsa. Från den granskningen byggs en felsök-agents, en funktion-upptäckts-agent, en innehålls-genererings-pipeline, en infrastruktur-optimerings-slinga. Varje agent kör, producerar utdata och den utdatan förändrar tillståndet. Nästa cykel ser systemet en annan bild. Systemet fann de nya lösningarna. Grundaren planerade dem inte.

På CREAO kör vi vår egen verksamhet på det här sättet. En agent ersatte en tre-personers SEO-arbetsflöde över en natt. En annan körde en innehålls-pipeline i två dagar innan någon kontrollerade utdatan. Utdata var skräp, och vi dödade den. Båda hände samma vecka. Vi kallar oss krocktest-dockor för framtiden för arbete.

Industrier som kommer att känna av det sist: hälsovård, tung tillverkning, juridik — överallt där arbetet är fysiskt, tungt reglerat eller kräver mänsklig bedömning i varje beslut. Men även där kommer de administrativa lagren att komprimera.

CREAO nyligen höjde 10 miljoner dollar ledd av Prosperity7 Ventures, riskkapitalarmen av Saudi Aramco. Utöver själva finansieringen, vilka strategiska möjligheter öppnar den här parten för företaget när autonoma AI-agenter blir mer inriktade på företag?

Prosperity7 hanterar en 3 miljarder dollar diversifierad fond och opererar över Silicon Valley, Mellanöstern och Asien. De har byggt en portfölj som spänner över företags-AI-infrastruktur — Arcee AI, Spirit AI och andra. Den strategiska passningen går utöver kapital.

Deras tes matchade vår. När AI-antagandet mognar skiftar fokus från modeller till utförande. Creao AI bygger den infrastrukturlag som tillåter agenter att operera autonomt, tillförlitligt och kontinuerligt. Det är exakt vad vi tror. AI-agenter-marknaden förväntas nå 52 miljarder dollar till 2030. Företagen som fångar verkligt värde kommer inte att vara de med den bästa modellen. De kommer att vara de med den bästa utförandelagret.

Praktiskt sett accelererar de 10 miljoner dollar — som bringar vår totala summa till 25 miljoner dollar över tre omgångar på under ett år — tre saker. Först, teknisk djuphet. Vi utvidgar teamet för att hantera företagsklassiga integrationer och agent-till-agent-samarbete. Den självhelande sele-slingan, den tri-domare-granskningspanelen, det AI-styrda distributions-systemet — allt detta behöver fungera på företags-skala, inte bara för ett 25-mannateam. Andra, geografisk räckvidd. Prosperity7:s närvaro i Mellanöstern och Asien öppnar marknader där autonom AI-antagande accelererar snabbare än de flesta människor i Silicon Valley förstår. Tredje, institutionell trovärdighet. När du ber företag att lita på agenter som kör deras operationer kontinuerligt, betyder bakningen något.

Vi höjde 25 miljoner dollar på under ett år med noll betald marknadsföring och 200 000 användare genom organisk antagande. Den hastigheten reflekterar marknadens övertygelse att utförandelagret är nästa slagfält.

Om vi blickar framåt, vad ser du som framgång för CREAO under de kommande åren? Är den långsiktiga visionen att bygga bättre AI-agenter, eller försöker ni i slutändan omdefiniera hur företag i sig själva är strukturerade och opererade?

Båda. Och de är oskiljaktiga.

På kort sikt betyder framgång att bevisa att den slutna modellen fungerar i skala. Vi har 200 000 användare som anlände genom organisk antagande sedan lanseringen i september 2025. Vi skickar till produktion tre till åtta gånger om dagen. Vi kör vår egen ingenjör, marknadsföring och operation på sele-systmet. Nästa steg är att demonstrera att företag av alla storlekar kan köra på samma sätt.

Men bättre agenter är inte slutmålet. Slutmålet är sele-systmet — systemet runt agenterna.

En agent är ett verktyg. Ett sele-system är en motor. Ju mer det körs, desto tajtare blir det. Ju mer data det ser, desto bättre blir dess granskningar. Ju bättre dess granskningar, desto skarpare blir dess lösningar. Ju skarpare dess lösningar, desto mer påverkande blir dess agenter. Ju mer påverkande dess agenter, desto mer förändras datan. Och slingan fortsätter.

20-talsmodellen av ett företag är en hierarki av människor organiserade i avdelningar, var och en med chefer, var och en med processer designade för mänsklig genomströmning. När agenter kan tillförlitligt utföra de flesta operativa arbeten börjar den modellen inte bara bli mer effektiv — den börjar bli onödig.

Alla vet att AI lovar en explosion av produktivitet. Men branschen är fast i två fällor. Om människor fortfarande opererar AI-verktyg steg för steg, träffar produktivitet i taket. Och om människor fortfarande är de enda som bygger verktygen, har den riktiga revolutionen inte börjat. Vi bygger systemet där AI gör båda: bygger verktyg och kör dem.

De flesta grundare jag pratar med opererar fortfarande på traditionellt sätt. Några tänker på att göra skiftet. Mycket få har gjort det. Verktygen finns för att varje team ska kunna göra detta. Ingenting i vår stack är proprietärt. Den strategiska fördelen är beslutet att omforma allt runt dessa verktyg och viljan att absorbera kostnaden.

Vi byggde en agent-plattform. Agenterna byggde om den. Det är designprincipen. Sele-systmet dras åt dag för dag.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka CREAO.