ปีเตอร์ ปัง คู-ผู้ก่อตั้งและซีทีโอของ CREAO – ซีรีส์สัมภาษณ์

ปีเตอร์ ปัง คู-ผู้ก่อตั้งและซีทีโอของ CREAO มีประสบการณ์หลากหลายด้านในงานวิจัยปัญญาประดิษฐ์และโครงสร้างพื้นฐานการเรียนรู้ของเครื่องจักร ในช่วงก่อนที่จะก่อตั้ง CREAO ในปี 2025 ปังใช้เวลาเกือบหกปีที่ Meta ในตำแหน่งนักวิจัย โดยทำงานในโครงการ AI ที่เกี่ยวข้องกับโมเดล LLaMA รวมถึงระบบ LLM สำหรับการทำเครื่องหมายข้อมูลและสร้างข้อมูลสังเคราะห์ ก่อนที่จะเข้าร่วม Meta เขา曾ทำงานที่ Apple (AAPL ) ในตำแหน่งวิศวกรการเรียนรู้ของเครื่องจักร โดยมุ่งเน้นไปที่ NLP การเรียนรู้แบบถ่ายโอน การเรียนรู้ลึก และระบบการคาดการณ์ ในช่วงแรกของอาชีพการงานของเขา เขาได้ทำงานที่ Brookhaven National Laboratory ซึ่งได้ให้ประสบการณ์ในการวิจัยทางวิทยาศาสตร์และระบบทดลองขั้นสูง การทำงานในหลายด้านเหล่านี้ได้ช่วยให้ CREAO มีความเข้าใจที่ลึกซึ้งเกี่ยวกับการสร้างตัวแทน AI ที่สามารถทำงานได้อย่างต่อเนื่อง มีหน่วยความจำ และสามารถทำงานอัตโนมัติได้

CREAO เป็นแพลตฟอร์มที่มุ่งเน้นไปที่การช่วยให้บุคคลและธุรกิจสามารถสร้างตัวแทน AI และ 워์กโฟลว์ได้โดยใช้ภาษาธรรมชาติแทนการเขียนโค้ดแบบดั้งเดิม บริษัทได้กำหนดให้ตัวแทน “ซูเปอร์เอเจนต์” ของตนเป็นระบบ AI ที่สามารถสร้างผลลัพธ์ได้ไม่เพียงแต่การสร้างผลลัพธ์เท่านั้น แต่ยังสามารถแปลงงานที่สำเร็จแล้วให้กลายเป็นตัวแทนซึ่งสามารถทำงานต่อเนื่องได้ด้วยหน่วยความจำ การจัดตารางเวลา และการผสานรวมกับเครื่องมือและ API ภายนอกได้ แพลตฟอร์มของ CREAO รองรับโมเดล AI ที่สำคัญหลายรุ่น รวมถึง OpenAI, Anthropic, Google (GOOGL ) และอื่นๆ โดยเน้นไปที่โมเดลการดำเนินงาน AI ที่ตัวแทนจะจัดการการดำเนินงานแทนที่จะเป็นเพียงผู้ช่วยครั้งเดียว

คุณใช้เวลาเกือบหกปีที่ Meta โดยทำงานเกี่ยวกับโมเดล LLaMA และระบบสำหรับการสร้างข้อมูลสังเคราะห์ หลังจากทำงานด้านการเรียนรู้ของเครื่องจักรที่ Apple และการวิจัยที่ Brookhaven National Laboratory คุณเชื่อว่าเมื่อไหร่ที่คุณตัดสินใจที่จะก่อตั้ง CREAO และปัญหาอะไรที่คุณรู้สึกว่าแพลตฟอร์ม AI ที่มีอยู่ยังไม่สามารถแก้ไขได้?

ที่ Meta ฉันเห็นความสามารถของโมเดลปรับปรุงอย่างมากในแต่ละรุ่น ฉันทำงานเกี่ยวกับการปรับขนาดโมเดล LLaMA ฉันเห็นอะไรที่โมเดลเหล่านี้สามารถทำได้ในสถานการณ์ที่ควบคุมได้ ช่องว่างที่กว้างขึ้นไม่ใช่สิ่งที่โมเดลสามารถทำได้ แต่เป็นสิ่งที่ผู้คนได้รับจากมัน

ทุกแพลตฟอร์มให้インタ์เฟซเดียวกัน: วินโดว์สำหรับการสนทนา คุณถาม มันตอบ คุณทำงาน ตัวแทน AI เป็นเหมือนผู้รับจ้างที่ลืมทุกสิ่งระหว่างช่วงเวลา คุณรันใหม่ในวันพรุ่งนี้ ระบบไม่ได้เรียนรู้อะไรระหว่างการรัน นธุรกิจของคุณยังคงเหมือนเดิม

นั่นคือปัญหา ไม่ใช่ความฉลาดของโมเดล แต่เป็นการดำเนินงาน ใครไม่ได้สร้างระบบที่ AI สามารถนำผลลัพธ์จากการสนทนาไปสู่การดำเนินงานได้ โดยที่ไม่ต้องมีมนุษย์เข้ามาเกี่ยวข้อง

ประสบการณ์ของฉันในด้านฟิสิกส์สอนให้ฉันคิดในระบบ ไม่ใช่ส่วนประกอบ ที่ Brookhaven และในช่วงปริญญาเอกที่ Stony Brook ฉันใช้เวลาหลายปีในการสร้างระบบทดลองที่เครื่องมือ การเก็บข้อมูล และการวิเคราะห์ต้องทำงานเป็นวงจรปิด หรือผลลัพธ์จะไม่มีความหมาย ที่ Apple ฉันทำงานเกี่ยวกับโมเดลหลายโหมดและเห็นรูปแบบเดียวกัน: ความสามารถดั้งเดิมไม่รวมกัน

เมื่อไคและฉันเริ่มพูดถึง CREAO ทฤษฎีของเราคือชัดเจน: อุตสาหกรรมไม่ต้องการแชทบอทอีกต่อไป มัน cầnวงจรปิด – AI ที่สร้างเครื่องมือและดำเนินงานได้ โมเดลเหล่านี้ดีเพียงพอแล้ว ไม่มีใครสร้างวงจร

CREAO อธิบายตัวเองว่าเป็นแพลตฟอร์มที่ AI สามารถสร้างเครื่องมือและทำงานอัตโนมัติได้ คุณอธิบายความแตกต่างระหว่างระบบ AI “วงจรปิด” ที่แท้จริงและคลื่นของ AI คอปิโลต์ที่กำลังเข้ามาในตลาดอย่างไร?

คอปิโลต์นั่งข้างๆ คุณ คุณขับ มันแนะนำ หากคุณหลับไป คอปิโลต์ไม่ทำอะไร

ระบบวงจรปิดทำการทำงานเต็มวงจร: สังเกตการณ์ ทำงาน เรียนรู้ และปรับปรุง มนุษย์กำหนดผลลัพธ์ ระบบจัดการการดำเนินงาน ความคงตัว และการวนซ้ำ

ที่ CREAO เราคิดถึงสิ่งนี้ในฐานะระบบห่วง มีตัวแทนสามารถสร้างอีเมล จัดเรียงข้อผิดพลาด หรือสรุปรายงาน แต่ตัวแทนเดียวไม่เพียงพอ มันทำงานและหยุด ห่วงระบบหุ้มรอบตัวแทนและเปลี่ยนพวกมันจากเครื่องมือที่ใช้ครั้งเดียวให้เป็นเครื่องยนต์ที่ดีขึ้นโดยอัตโนมัติ มันทำงานตามวงจร: การเชื่อมต่อ การตรวจสอบ การแก้ปัญหา การสร้าง และการปรับปรุงตนเอง ระบบเชื่อมต่อกับแหล่งข้อมูลจริงของคุณ – โรของคุณ บันทึกข้อผิดพลาดของคุณ บัญชีโฆษณาของคุณ มันประเมินสถานะปัจจุบัน มันเสนอการแก้ไข ตัวแทนถูกสร้างขึ้นเพื่อทำงานเหล่านั้น ผลลัพธ์กลับเข้ามาในระบบ วงจรเริ่มต้นใหม่ ห่วงระบบเข้าใกล้มากขึ้นทุกวัน

สิ่งนี้แตกต่างจาก “ฉันมีตัวแทนสามารถทำ X” นี่คือระบบที่ค้นหาว่า X ควรเป็นอะไร สร้าง X วัด X และพัฒนา X โดยไม่ต้องบอกมัน

ระบบส่วนใหญ่คือ AI ที่ช่วยเหลือ วงจรปิดคือ AI ที่ดำเนินการ นั่นคือเส้นแบ่ง

โพสต์ล่าสุดของคุณเกี่ยวกับ “วิศวกรรมห่วง” และองค์กร AI-แรกสร้างความสนใจอย่างมากออนไลน์ สิ่งที่ทำให้คุณประหลาดใจมากที่สุดเกี่ยวกับปฏิกิริยาต่อความคิดที่ว่า 99% ของโค้ดการผลิตที่ CREAO ถูกเขียนโดย AI คืออะไร?

โพสต์ถูกดู 1.8 ล้านครั้ง ฉันเขียนมันเป็นเอกสารสำหรับทีมของเรา – บันทึกของวิธีการ Restructure และสิ่งที่เรียนรู้ ฉันไม่คาดว่ามันจะถึงขนาดนั้น

สิ่งที่ทำให้ฉันประหลาดใจคือการแบ่งแยกของปฏิกิริยา กลุ่มหนึ่งบอกว่ามันไม่负責任ที่จะไว้วางใจโค้ดที่ AI สร้างในผลิต ไม่มีใครบอกว่า “เรากำลังเห็นสิ่งเดียวกันและไม่มีใครพูดถึงมัน”

กลุ่มที่สองบอกฉันว่ามีบางสิ่งสำคัญ มีหลายทีมในอุตสาหกรรมที่เปลี่ยนแปลงอย่างเงียบๆ นักข่าวคนหนึ่งที่ฉันพูดด้วยบอกฉันว่าเธอพูดคุยกับคนประมาณห้าคนในเรื่องนี้ เธอบอกว่าเราก้าวหน้ากว่าคนอื่น “ฉันไม่คิดว่าใครจะสร้างระบบทั้งหมดใหม่แบบที่คุณทำ”

ตัวเลข 99% ดูเหมือนจะก่อให้เกิดการโต้เถียง แต่มันคือผลลัพธ์ของการเอา瓶คอออกทีละขั้นตอน เมื่อคุณออกแบบโครงสร้างให้ตัวแทนสามารถเห็นโค้ดเบสทั้งหมด – เรารวมทุกอย่างเข้าด้วยกันในโมโนรีพอเพื่อให้ AI สามารถเห็นทุกอย่าง – และการทำงานของคุณมีหกขั้นตอนและ AI ผ่านสามขั้นตอนเพื่อตรวจสอบคุณภาพ ความปลอดภัย และการตรวจสอบการเปลี่ยนแปลงบน PR และการตรวจสอบอัตโนมัติสำหรับการตรวจสอบข้อผิดพลาดและยืนยันการแก้ไขโดยอัตโนมัติ – บทบาทของมนุษย์เปลี่ยนจากการเขียนโค้ดไปสู่การออกแบบระบบที่ควบคุมว่าตัวแทนเขียนโค้ดอย่างไร โค้ดที่สร้างขึ้นตามมาโดยธรรมชาติ

สิ่งที่ทำให้ฉันประหลาดใจมากที่สุดคือทำไม CTO อื่นๆ ไม่พูดถึงสิ่งนี้อย่างเปิดเผย ฉันคิดว่าหลายคนกำลังทำเช่นนี้ แต่กลัวการรับรู้

ในบทความของคุณ คุณแย้งว่าหลายบริษัทยังคง “AI ที่ช่วยเหลือ” มากกว่าที่จะเป็น “AI-แรก” จริงๆ สิ่งผิดพลาดที่ใหญ่ที่สุดของทีมผู้นำคืออะไรเมื่อพวกเขาคิดว่าตนเองกำลังดำเนินงานเป็นองค์กร AI-แรก?

ฉันเห็นทีมที่บอกว่าตนเองเป็น AI-แรก ในขณะที่ยังคงใช้การทำงานแบบเดิมๆ วงจรการทำงานแบบเดิมๆ บอร์ด Jira แบบเดิมๆ การประชุมสัปดาห์ละครั้งแบบเดิมๆ การตรวจสอบ QA แบบเดิมๆ

ความผิดพลาดที่ใหญ่ที่สุด: “เรใช้เครื่องมือ AI ดังนั้นเราจึงเป็น AI-แรก” วิศวกรเปิด Cursor ผู้จัดการโครงการเขียนสเปคด้วย ChatGPT QA ทดสอบการสร้างการทดสอบ AI การทำงานยังคงเหมือนเดิม มีประสิทธิภาพเพิ่มขึ้น 10-20% ไม่มีการเปลี่ยนแปลงโครงสร้าง นั่นคือ AI ที่ช่วยเหลือ

การตรวจสอบ: หากคุณเอาเครื่องมือ AI ทั้งหมดออกวันพรุ่งนี้ การดำเนินงานของคุณจะต้องเปลี่ยนแปลงหรือเพียงแค่เครื่องมือของคุณ หากการดำเนินงานยังคงเหมือนเดิม คุณไม่ใช่ AI-แรก

ความผิดพลาดที่สองคือ AI-แรกเป็นการตัดสินใจด้านวิศวกรรม หากวิศวกรสามารถจัดส่งคุณสมบัติภายในไม่กี่ชั่วโมง แต่ทีมการตลาดใช้เวลาหนึ่งสัปดาห์ในการประกาศ คุณสมบัตินั้นยังคงอยู่ ที่ CREAO เราผลักดันการดำเนินงาน AI-แรกเข้าสู่ทุกฟังก์ชัน: บันทึกการเผยแพร่สร้างจากบันทึกการเปลี่ยนแปลง คุณสมบัติวิดีโอสร้างโดย AI สื่อสังคมออนไลน์ประสานงานและเผยแพร่อัตโนมัติ รายงานสถานะสร้างจากฐานข้อมูลการผลิต วิศวกร ผลิตภัณฑ์ การตลาด และการเติบโตทำงานในกระบวนการ AI-แรก หากฟังก์ชันหนึ่งดำเนินการที่ความเร็วของตัวแทนและอีกฟังก์ชันหนึ่งดำเนินการที่ความเร็วของมนุษย์ ฟังก์ชันที่มีความเร็วของมนุษย์จะจำกัดทุกอย่าง

ความผิดพลาดที่สามคือการเปลี่ยนแปลงนี้สามารถทำได้แบบค่อยเป็นค่อยไป รูปแบบหนึ่งที่พบบ่อยคือสิ่งที่คนเรียกว่า “การเขียนโค้ดแบบสัมผัส” เปิด Cursor ส่งคำถามจนกว่ามันจะทำงาน ใส่โค้ดและทำซ้ำ สิ่งนี้สร้างโพรโทไทป์ ระบบการผลิตต้องการเสถียรภาพ ความน่าเชื่อถือ และความปลอดภัย คุณต้องการระบบที่รับประกันคุณสมบัติเหล่านั้นเมื่อ AI เขียนโค้ด คุณสร้างระบบ สิ่งกระตุ้นเป็นสิ่งผ่อนคลาย

คุณเขียนว่าการผ่านพ้นไปได้สำเร็จเมื่อ CREAO ออกแบบกระบวนการวิศวกรรมทั้งหมดใหม่รอบๆ ตัวแทน AI แทนที่จะเพียงแค่เพิ่มเครื่องมือ AI เข้าไปในกระบวนการที่มีอยู่ ส่วนที่ยากที่สุดของการเปลี่ยนแปลงนี้สำหรับทีมคืออะไร?

ทั้งสองอย่าง แต่มันคือความยากที่แตกต่างกัน

ในด้านการดำเนินงาน การตัดสินใจที่ยากที่สุดคือการรวมโค้ดเบสของเรา โครงสร้างเก่าของเราพูดได้หลายระบบที่ไม่ขึ้นต่อกัน การเปลี่ยนแปลงเดียวอาจต้องสัมผัสกับสามหรือสี่รีพอซิตอรี่ สำหรับวิศวกรมนุษย์เป็นเรื่องที่จัดการได้ สำหรับตัวแทน AI มันไม่ชัดเจน ตัวแทนไม่สามารถเห็นภาพรวมได้ ไม่สามารถให้เหตุผลเกี่ยวกับผลกระทบข้ามบริการได้ ไม่สามารถรันการทดสอบการผสานรวมได้

ฉันใช้เวลาหนึ่งสัปดาห์ในการออกแบบระบบใหม่และอีกหนึ่งสัปดาห์ในการปรับโครงสร้างโค้ดเบสทั้งหมดโดยใช้ตัวแทน นั่นคือการตัดสินใจที่กล้า หากมันล้มเหลว เราจะมีโครงสร้างโมโนรีพอที่เสียหายและโครงสร้างหลายรีพอที่เสียหาย แต่หลักการนั้นชัดเจน: ส่วนใดของระบบที่คุณดึงเข้ามาในแบบฟอร์มที่ตัวแทนสามารถตรวจสอบ ตรวจสอบ และแก้ไขได้ คุณจะได้รับประโยชน์มากขึ้น โค้ดเบสที่กระจัดกระจายไม่สามารถมองเห็นได้สำหรับตัวแทน โค้ดเบสที่รวมกันสามารถอ่านได้

ในด้านวัฒนธรรม ส่วนที่ยากที่สุดคืออัตลักษณ์ วิศวกรพบคุณค่าในโค้ดที่เขียน เมื่อ AI เขียนโค้ด 99% งานของคุณคืออะไร? นั่นไม่ใช่คำถามกระบวนการ นั่นคือคำถามเชิง 存在

ฉันไม่บอกว่าทุกคนมีความสุข เมื่อฉันหยุดพูดคุยกับคนในทุกวันเพราะเวลาการจัดการของฉันลดลงจาก 60% เป็นน้อยกว่า 10% สมาชิกในทีมบางคนรู้สึกไม่แน่นอน สิ่งนี้หมายความว่า CTO ไม่พูดคุยกับฉันหรือไม่? คุณค่าของฉันคืออะไรในโลกใหม่นี้? นี่เป็นข้อกังวลที่สมเหตุสมผล แต่เมื่อคนได้สัมผัสกับกระบวนการใหม่ – ที่งานของพวกเขาเปลี่ยนจากการพิมพ์โค้ดไปสู่การออกแบบระบบ การกำหนด SOP และการสร้างวงจรการให้ข้อมูล – ส่วนใหญ่พบว่ามันสนุกกว่าในการแก้ปัญหา วิศวกรที่ต่อสู้มากที่สุดคือคนที่อัตลักษณ์ถูกผูกกับการเขียนโค้ดมากที่สุด คนที่ปรับตัวได้เร็วที่สุดเห็นตัวเองเป็นผู้แก้ปัญหาเป็นอันดับแรกและวิศวกรเป็นอันดับสอง

สังเกตการณ์ที่น่าสังเกตมากที่สุดในบทความของคุณคือว่าวิศวกรจูเนียร์ปรับตัวได้เร็วกว่าวิศวกรอาวุโสในสภาพแวดล้อมใหม่นี้ คุณคิดว่าเหตุใดความสามารถในการปรับตัวจึงกลายเป็นสิ่งสำคัญมากกว่าประสบการณ์ทางเทคนิคที่สะสมในทีมวิศวกรรม AI-แรก?

ฉันสังเกตเห็นรูปแบบที่ฉันไม่คาดคิด วิศวกรจูเนียร์ที่มีประสบการณ์น้อยกว่าในรูปแบบดั้งเดิมรู้สึกมีพลัง พวกเขามีเครื่องมือที่เพิ่มผลกระทบ พวกเขาไม่มีหลายปีของนิสัยที่ต้องเรียนรู้ใหม่

วิศวกรอาวุโสที่มีประสบการณ์แบบดั้งเดิมมากที่สุดมีเวลาที่ยากที่สุด สองเดือนของงานของพวกเขาสามารถทำได้ภายในหนึ่งชั่วโมงโดย AI นั่นคือสิ่งที่ยากที่จะยอมรับหลังจากหลายปีที่สร้างทักษะที่หายาก

เหตุผลคือโครงสร้าง ความเชี่ยวชาญของวิศวกรอาวุโสอยู่ในด้านการทำงานของโค้ด – การนำทางระบบที่ซับซ้อน การเขียนการนำไปใช้ที่ได้มาตรฐาน และการตรวจสอบอย่างละเอียด นี่เป็นทักษะที่แท้จริงที่ได้รับมาหลายปี แต่ในแวดวง AI-แรก ทักษะการเขียนโค้ดแบบกลไกที่ถูกทำให้กลายเป็นอัตโนมัติ สิ่งที่เหลือและกลายเป็นมีคุณค่ามากขึ้นคือความสามารถในการประเมิน วิพากษ์วิจารณ์ และกำกับ AI

ฉันมีปริญญาเอกในฟิสิกส์ สิ่งที่มีประโยชน์ที่สุดที่ปริญญาเอกของฉันสอนฉันคือวิธีการตั้งคำถามสมมติฐาน การทดสอบข้อโต้แย้ง และการค้นหาสิ่งที่หายไป ความสามารถในการวิพากษ์วิจารณ์ AI มีค่ามากกว่าความสามารถในการสร้างโค้ด

วิศวกรจูเนียร์ไม่เคยมีความเชี่ยวชาญด้านกลไกที่จะละทิ้ง พวกเขแค่เรียนรู้สิ่งใหม่

CREAO สร้างโครงสร้างพื้นฐานใหม่โดยใช้โมโนรีพอ การทำงาน CI/CD อัตโนมัติ ระบบตรวจสอบ AI และวงจรการซ่อมแซมด้วยตนเองที่ผสานรวมเครื่องมือต่างๆ เช่น CloudWatch, Sentry, Linear และ Claude ใกล้จะถึงอนาคตที่ซอฟต์แวร์ระบบจะดูแลและซ่อมแซมตัวเองหรือไม่?

เรารันวงจรการซ่อมแซมด้วยตนเองในผลิตแล้ว มาให้ฉันอธิบายว่ามันทำงานอย่างไร

ทุกเช้าเวลา 9:00 น. UTC การทำงานสุขภาพอัตโนมัติรัน Claude Sonnet ถาม CloudWatch วิเคราะห์รูปแบบข้อผิดพลาดทั่วทั้งบริการและสร้างสรุปสุขภาพผู้บริหารที่ส่งไปยังทีมโดยไม่ต้องขอ ไม่มีใครขอ มันถูกส่งหนึ่งชั่วโมงต่อมาเครื่องมือตรวจสอบข้อผิดพลาดจาก CloudWatch และ Sentry จัดกลุ่มข้อผิดพลาดการผลิตตามเกณฑ์ความรุนแรงเก้าข้อ – ผลกระทบต่อผู้ใช้ ความเร็ว การกระจายข้อมูลที่สำคัญต่อธุรกิจและอีกห้าข้อ – และสร้างตั๋วการตรวจสอบอัตโนมัติใน Linear พร้อมล็อกไฟล์ตัวอย่าง จุดสิ้นสุดที่ได้รับผลกระทบ และเส้นทางการตรวจสอบที่แนะนำ

เมื่อวิศวกรผลักดันการแก้ไข ระบบจัดการมันเช่นกัน สามการผ่านการตรวจสอบของ Claude ประเมิน PR – คุณภาพโค้ด ความปลอดภัย และการตรวจสอบการเปลี่ยนแปลง – การตรวจสอบ CI ผ่านหกขั้นตอนของการทำงาน หลังการปรับใช้ เครื่องมือตรวจสอบข้อผิดพลาดอีกครั้ง หากข้อผิดพลาดเดิมได้รับการแก้ไข ตั๋วจะปิดอัตโนมัติ

นอกจากนี้ เราได้สร้างสิ่งที่เรียกว่า Agent Harness แผงผู้พิพากษาสามคน – ผู้พิพากษาหนึ่งคนจาก Anthropic หนึ่งคนจาก OpenAI และหนึ่งคนจาก Google – ประเมินการตอบสนองของตัวแทนแบบเรียลไทม์ เมื่อผลคะแนนลดลง ปายพ라인จิเนียริ่งหกงานสร้างตั๋ว Linear ฉบับดราฟต์ PR และการแก้ไขที่ยืนยันแล้ว และสำหรับการเปลี่ยนแปลงหลัก AI-ประตูสีเทาแบบเที่ยงตรง 10% ของการรับส่งข้อมูลไปยังรุ่นใหม่และโปรโมตผ่าน 20%, 50%, 100% เท่านั้นหากคะแนนยังคงอยู่

เราไม่มีทีม QA ไม่มีสภาพแวดล้อมการเตรียมการ ไม่มีใครอ่านการถอดบันทึกและให้คะแนนการตอบสนองของตัวแทนโดยมือ

ใกล้แค่ไหน? ใกล้กว่าที่คนส่วนใหญ่คิดสำหรับโดเมนที่มีขอบเขต – รูปแบบข้อผิดพลาดที่ทราบ การถดถอย และการเปลี่ยนแปลงการกำหนดค่า ฉันจะบอกว่า 70 ถึง 80% ของการบำรุงรักษาการผลิตสามารถทำงานได้ด้วยโครงสร้างพื้นฐานที่ถูกต้อง

สิ่งที่ยังคงต้องการมนุษย์คือความล้มเหลวที่ไม่ชัดเจนซึ่งโครงสร้างอาจผิดพลาดหรือซึ่งการแก้ไขต้องอาศัยความเข้าใจการตัดสินใจทางธุรกิจที่ไม่ได้เข้ารหัสไว้ในระบบ

ข้อสรุปเชิงปฏิบัติ: คุณไม่ต้องรอจนกว่าจะสมบูรณ์แบบ แม้ว่าจะมีการซ่อมแซมด้วยตนเองบางส่วนก็สามารถเปลี่ยนแปลงได้มาก

คุณอธิบายถึงอนาคตที่ “บริษัทหนึ่งคน” จะกลายเป็นเรื่องธรรมดาเมื่อตัวแทน AI แทนที่ทีมปฏิบัติการขนาดใหญ่ บริษัทหรืออุตสาหกรรมใดที่คุณคิดว่าจะรู้สึกถึงการเปลี่ยนแปลงนี้ก่อน?

บริษัทที่มีอัตราส่วนของภาระการทำงานต่อการสร้างมูลค่าหลักที่สูงที่สุด

ฉันเชื่อว่าบริษัทหนึ่งคนจะกลายเป็นเรื่องธรรมดา หากวิศวกรหนึ่งคนพร้อมตัวแทนสามารถทำงานของคน 100 คนได้ บริษัทหลายแห่งจะไม่ต้องการพนักงานคน thứสอง ความสามารถของโมเดลเป็นปัจจัยขับเคลื่อนการเปลี่ยนแปลงนี้ทั้งหมด ฉันให้เครดิตการเปลี่ยนแปลงทั้งหมดที่ CREAO ในสองเดือนที่ผ่านมา Opus 4.5 ไม่สามารถทำสิ่งที่ Opus 4.6 ทำได้ โมเดลรุ่นต่อไปจะเร่งการเปลี่ยนแปลงนี้ต่อไป

การเปลี่ยนแปลงนี้จะส่งผลกระทบต่อที่ใดที่การทำงานเป็นดิจิทัลซ้ำซากและมีวงจรการให้ข้อมูลที่ชัดเจน การผลิตเนื้อหา การดำเนินการทางการตลาด อีคอมเมิร์ซ เครื่องมือสำหรับนักพัฒนา เอเจนซี่ดิจิทัล หากธุรกิจของคุณเป็นหลักการเกี่ยวกับการรับข้อมูล การแปลง และการกระจายสื่อ ระบบห่วงสามารถจัดการส่วนใหญ่ของวงจรนั้นได้

เราจะเห็นสิ่งนี้บนแพลตฟอร์มของเรา เราอธิบายกรณีการใช้งานเฉพาะในงานของเรา: ผู้ก่อตั้งคนเดียวเชื่อมต่อ GitHub, Sentry และ CloudWatch ระบบตรวจสอบบันทึกข้อผิดพลาด ความถี่ในการปรับใช้ และสุขภาพโครงสร้างพื้นฐาน จากการตรวจสอบนั้น มันสร้างตัวแทนในการจัดเรียงข้อผิดพลาด ตัวแทนในการค้นหาคุณสมบัติ ตัวแทนในการสร้างเนื้อหา และวงจรการปรับปรุงโครงสร้างพื้นฐาน แต่ละตัวแทนรัน ผลลัพธ์เปลี่ยนสถานะ วงจรถัดไปการตรวจสอบเห็นภาพที่แตกต่าง ระบบพบวิธีแก้ปัญหา ผู้ก่อตั้งไม่ได้วางแผนไว้

ที่ CREAO เราดำเนินธุรกิจของเราในลักษณะเดียวกัน ตัวแทนหนึ่งแทนที่การทำงาน SEO ของคนสามคนในคืนเดียว ตัวอีกตัวหนึ่งรันการทำงานเนื้อหาเป็นเวลาสองวันก่อนที่ใครจะตรวจสอบผลลัพธ์ ผลลัพธ์ไม่ดีและเราก็ฆ่ามัน ทั้งสองสิ่งนี้เกิดขึ้นในเวลาเดียวกัน เราเรียกตัวเองว่าเป็นคนขับรถทดสอบสำหรับอนาคตของงาน

อุตสาหกรรมที่รู้สึกถึงการเปลี่ยนแปลงนี้ช้า: การดูแลสุขภาพ การผลิตที่มีน้ำหนักมาก กฎหมาย – ทุกที่ที่การทำงานเป็นร่างกาย มีการควบคุมอย่างเข้มงวด หรือต้องใช้การตัดสินใจของมนุษย์ในทุกการตัดสินใจ แต่แม้ในที่นั้น ชั้นการบริหารจะถูกบีบอัด

CREAO เพิ่งระดมทุนได้ 10 ล้านดอลลาร์โดยมี Prosperity7 Ventures ซึ่งเป็นหน่วยงานของ Saudi Aramco นำทุน นอกเหนือจากเงินทุนเองแล้ว ความร่วมมือครั้งนี้เปิดโอกาสเชิงกลยุทธ์อะไรให้กับบริษัทเมื่อตัวแทน AI กลายเป็นมุ่งเน้นไปที่องค์กรมากขึ้น?

Prosperity7 จัดการกองทุนหลากหลายมูลค่า 3 พันล้านดอลลาร์ และดำเนินธุรกิจใน Silicon Valley ตะวันออกกลาง และเอเชีย พวกเขามีポートโฟลิโอที่ครอบคลุมโครงสร้างพื้นฐาน AI องค์กร – Arcee AI, Spirit AI และอื่นๆ ความเหมาะสมเชิงกลยุทธ์เกินกว่าแค่เงินทุน

ทฤษฎีของพวกเขาสอดคล้องกับของเรา ตามที่ Raed Twaily ผู้อำนวยการบริหารของพวกเขากล่าวต่อสาธารณะ: “เมื่อการนำ AI ไปใช้เติบโต การมุ่งเน้นเปลี่ยนจากโมเดลไปสู่การดำเนินงาน Creao AI กำลังสร้างชั้นโครงสร้างพื้นฐานที่ทำให้ตัวแทนสามารถทำงานอัตโนมัติได้อย่างน่าเชื่อถือและต่อเนื่อง” นั่นคือสิ่งที่เราคิดเช่นกัน ตลาดตัวแทน AI คาดว่าจะถึง 52 พันล้านดอลลาร์ภายในปี 2030 บริษัทที่จับข้อได้เปรียบจริงๆ จะไม่ใช่คนที่มีโมเดลที่ดีที่สุด แต่เป็นคนที่มีชั้นการดำเนินงานที่ดีที่สุด

ในทางปฏิบัติ 10 ล้านดอลลาร์ – ทำให้ยอดรวมของเรามี 25 ล้านดอลลาร์ในช่วงสามรอบในเวลาไม่ถึงหนึ่งปี – เร่งการขยายสามสิ่ง ประการแรก ความลึกของวิศวกรรม เรากำลังขยายทีมเพื่อจัดการการผสานรวมระดับองค์กรและความร่วมมือระหว่างตัวแทน ประการสอง การเข้าถึงทางภูมิศาสตร์ ความมีอยู่ของ Prosperity7 ในตะวันออกกลางและเอเชียเปิดตลาดที่การนำ AI อัตโนมัติเร็วขึ้นกว่าที่คนส่วนใหญ่ใน Silicon Valley ตระหนัก ประการสาม ความน่าเชื่อถือของสถาบัน เมื่อคุณขอให้องค์กรมั่นใจในตัวแทนในการดำเนินงานอย่างต่อเนื่อง การสนับสนุนมีความสำคัญ

เราได้ระดมทุน 25 ล้านดอลลาร์ในเวลาไม่ถึงหนึ่งปีโดยไม่มีการตลาดที่จ่ายและผู้ใช้ 200,000 คนผ่านการรับเลี้ยงโดยธรรมชาติ ความเร็วนี้สะท้อนถึงความเชื่อมั่นของตลาดที่ชั้นการดำเนินงานเป็นสนามรบถัดไป

เมื่อมองไปข้างหน้า ความสำเร็จสำหรับ CREAO ในช่วงไม่กี่ปีข้างหน้าจะเป็นอย่างไร? วิสัยทัศน์ระยะยาวคือการสร้างตัวแทน AI ที่ดีขึ้นหรือคุณพยายามที่จะเปลี่ยนแปลงวิธีการที่บริษัทต่างๆ จัดโครงสร้างและดำเนินการ?

ทั้งสองอย่าง และไม่สามารถแยกออกจากกันได้

ในระยะสั้น ความสำเร็จหมายถึงการ chứng minhว่าโมเดลการปิดวงจรทำงานในระดับใหญ่ เรามีผู้ใช้ 200,000 คนที่มาถึงผ่านการรับเลี้ยงโดยธรรมชาติตั้งแต่เราเปิดตัวในเดือนกันยายน 2025 เราส่งผลิตภัณฑ์ไปยังการผลิตสามถึงแปดครั้งต่อวัน เราดำเนินวิศวกรรม การตลาด และการดำเนินงานของเราเองบนห่วง ระบบถัดไปคือการแสดงให้เห็นว่าธุรกิจทุกขนาดสามารถดำเนินงานได้เหมือนกัน

แต่ตัวแทน AI ที่ดีขึ้นไม่ใช่วาระสุดท้าย วาระสุดท้ายคือห่วง – ระบบรอบๆ ตัวแทน

ตัวแทนเป็นเครื่องมือ ระบบห่วงเป็นวงจรการบิน เมื่อมันทำงาน มันจะแน่นขึ้น เมื่อมันเห็นข้อมูลมากขึ้น การตรวจสอบของมันจะดีขึ้น เมื่อการตรวจสอบของมันดีขึ้น วิธีแก้ปัญหาของมันจะคมชัดขึ้น เมื่อวิธีแก้ปัญหาของมันคมชัดขึ้น ตัวแทนของมันจะมีผลกระทบมากขึ้น เมื่อตัวแทนของมันมีผลกระทบมากขึ้น ข้อมูลจะเปลี่ยนแปลงมากขึ้น และวงจรจะดำเนินต่อไป

แบบจำลองของบริษัทในศตวรรษที่ 20 คือลำดับชั้นของมนุษย์ที่จัดระเบียบเป็นแผนก โดยมีผู้จัดการและกระบวนการที่ออกแบบสำหรับการทำงานของมนุษย์ เมื่อตัวแทนสามารถดำเนินการได้มากที่สุดของการทำงานอย่างต่อเนื่อง โมเดลนี้ไม่เพียงแต่จะเพิ่มประสิทธิภาพเท่านั้น แต่ยังเริ่มไม่จำเป็น

ทุกคนรู้ว่า AI สัญญาว่าจะมีการระเบิดของผลผลิต แต่อุตสาหกรรมยังคงติดอยู่ในสองกับดัก หากมนุษย์ยังคงดำเนินการเครื่องมือ AI ทีละขั้นตอน ผลผลิตจะถูกจำกัด และหากมนุษย์ยังคงเป็นผู้สร้างเครื่องมือที่แท้จริง การปฏิวัติไม่ได้เริ่มต้นขึ้น เรากำลังสร้างระบบที่ AI สร้างเครื่องมือและดำเนินการ

ผู้ก่อตั้งส่วนใหญ่ที่ฉันพูดด้วยยังคงดำเนินการในแบบดั้งเดิม บางคนคิดเกี่ยวกับการเปลี่ยนแปลง แต่ไม่มากที่ได้ทำเช่นนั้น เครื่องมือสำหรับทีมใดๆ ที่จะทำเช่นนี้มีอยู่ ไม่มีสิ่งใดในสตैकของเราที่เป็นกรรมสิทธิ์

ความได้เปรียบในการแข่งขันคือการตัดสินใจที่จะออกแบบทุกอย่างใหม่รอบๆ เครื่องมือเหล่านี้ และความเต็มใจที่จะดูดซับค่าใช้จ่าย

เราสร้างแพลตฟอร์มตัวแทน ตัวแทนสร้างมันขึ้นมาใหม่ นั่นคือหลักการออกแบบ ห่วงระบบแน่นขึ้นทุกวัน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ CREAO