Петро Панг, співзасновник і технічний директор CREAO – Серія інтерв’ю

Петро Панг, співзасновник і технічний директор CREAO, має глибокий досвід у сфері досліджень штучного інтелекту та інфраструктури машинного навчання в галузі агентських штучних інтелектів. Перед заснуванням CREAO у 2025 році Панг працював майже шість років у Meta як науковий співробітник, займаючись проєктами з генерації штучного інтелекту, пов’язаними з моделями LLaMA, включаючи агентські системи LLM для анотації даних та генерації синтетичних даних. До цього він працював у Apple (AAPL ) як інженер машинного навчання, займаючись NLP, переносним навчанням, глибоким навчанням та прогнозними системами, а у свої перші роки в Брукхейвенській національній лабораторії познайомився з передовими науковими дослідженнями та експериментальними системами. Його досвід у сфері передових досліджень штучного інтелекту, великомасштабного машинного навчання та автономних систем зараз формує технічну візію CREAO щодо створення агентів штучного інтелекту, здатних до постійного виконання, пам’яті та автоматизації робочих процесів.

CREAO – це платформа, орієнтована на допомогу окремим особам та підприємствам у створенні автономних агентів штучного інтелекту та робочих процесів за допомогою природної мови, а не традиційного програмування. Компанія позиціонує свій “Супер-агент” як постійну систему штучного інтелекту, здатну не тільки генерувати вивід, але й перетворювати успішні завдання у багаторазові агенти, які можуть працювати безперервно з пам’яттю, плануванням та інтеграцією з зовнішніми інструментами та API. Платформа CREAO підтримує основні моделі передових штучних інтелектів, включаючи OpenAI, Anthropic, Google (GOOGL ) та інші, підкреслюючи модель операцій, орієнтовану на штучний інтелект, де агенти все більше займаються операційним виконанням, а не служать одноразовими помічниками. Заснована у Пало-Альто, компанія зосереджена на розвитку агентських робочих процесів штучного інтелекту, автоматизації без коду та масштабованої оркестрації штучного інтелекту для підприємств та незалежних фахівців.

Ви провели майже шість років у Meta, працюючи над моделями LLaMA та агентськими системами для генерації синтетичних даних після попередньої роботи інженером машинного навчання в Apple та науковим співробітником у Брукхейвенській національній лабораторії. Що переконало вас, що це правильний момент для співзаснування CREAO, і яку проблему, на вашу думку, існуючі платформи штучного інтелекту все ще не розв’язують?

У Meta я спостерігав, як можливості моделей драматично покращувалися з кожним поколінням. Я працював над масштабуванням LLaMA. Я бачив, чого ці моделі могли досягти в контрольованих умовах. Прорив, який постійно збільшувався, не був у тому, чого могли досягти моделі, – а у тому, чого люди насправді отримували від них.

Кожна платформа пропонувала той самий інтерфейс: вікно чату. Ви питаєте, воно відповідає, ви робите роботу. Штучний інтелект – це підозрюваний, який забуває все між сесіями. Ви запускаєте його знову завтра. Система нічого не вчиться між запусками. Ваш бізнес залишається тим самим.

Це була проблема. Не інтелект моделі. Виконання. Ніхто не будував систему, у якій штучний інтелект міг взяти результат від початку до кінця, зберегти його та повторити без людини в циклі.

Мій фізичний досвід навчив мене думати у системах, а не у компонентах. У Брукхейвені та під час свого докторського ступеня у Стоні-Брук я провів роки, будуючи експериментальні трубопроводи, де інструмент, збор даних та аналіз мали працювати як закритий цикл, або результати нічого не означали. У Apple я працював над багатомодальними моделями та побачив той самий шаблон: сурова здатність без системи навколо неї не множиться.

Коли Кай та я почали говорити про CREAO, теза була конкретною: галузі не потрібен ще один чат-бот. Їй потрібен закритий цикл – штучний інтелект, який будує інструменти, запускає їх та покращується з часом. Моделі нарешті стали достатньо хорошими. Ніхто не будував цикл.

CREAO описує себе як платформу, де штучний інтелект може як будувати інструменти, так і автономно виконувати роботу. Як ви визначаєте різницю між справжньою “закритою системою” штучного інтелекту та хвилею штучних інтелектів-копілотів, які зараз заповнюють ринок?

Копілот сидить поруч з вами. Ви керуєте, він пропонує. Якщо ви засните, копілот нічого не робить.

Закрита система завершує повний цикл: спостереження, дія, навчання, покращення. Людина визначає результат. Система займається виконанням, збереженням та ітерацією.

У CREAO ми думаємо про це як про систему підтягування. Один агент може створити електронний лист, розібрати помилку або підсумувати звіт. Але один агент не множиться. Він запускається, генерує вивід та зупиняється. Система підтягування обгортає агентів та перетворює їх з одноразових інструментів у самопокращуючий двигун. Вона слідує циклу: з’єднання, аудит, рішення, побудова, самопокращення. Система підключається до ваших реальних джерел даних – ваших репозиторіїв, журналів помилок, рекламних рахунків. Вона оцінює поточний стан. Вона пропонує рішення. Агенти створюються для виконання цих рішень. Вивід повертається назад. Новий раунд аудиту починається. Цикл підтягування посилюється.

Це структуційно відрізняється від “у мене є агент, який робить Х”. Це система, яка виявляє, яким повинно бути Х, будує Х, вимірює Х та еволюціонує Х без вашого вказівки.

Більшість копілотів мають штучний інтелект у допомозі. Закрита система працює на штучному інтелекті. Це розмежувальна лінія.

Ваш недавній пост про “інженерію підтягування” та організації, орієнтовані на штучний інтелект, викликав велику увагу в Інтернеті. Що вас найбільш здивувало у реакції на ідею про те, що 99% виробничого коду в CREAO зараз написано штучним інтелектом?

Пост набрав 1,8 мільйона переглядів. Я написав його як документацію для нашої команди – запис того, як ми перебудували та чого навчилися.

Що мене здивувало, це розкол у реакціях. Одна група сказала, що це безвідповідально, що ви не можете довіряти коду, написаному штучним інтелектом, у виробництві. Інша група сказала: “Ми бачимо саме те саме, і ніхто про це не говорить”.

Ця друга група сказала мені щось важливе. Є команди по всій галузі, які тихо проходять через цей перехід. Журналістка, з якою я говорив, сказала мені, що вона говорила з близько п’ятьма людьми на цю тему. Вона сказала, що ми були далі, ніж будь-хто: “Я не думаю, що хтось повністю перебудував всю свою робочу течію так, як ви”.

Число 99% звучить провокаційно, але це просто результат видалення людських瓶окоуків один за одним. Коли ви проектуєте архітектуру так, щоб агенти могли бачити весь кодовий базис – ми об’єднали все у єдиний монорепозиторій саме для того, щоб штучний інтелект міг бачити все – і ваш конвеєр CI/CD має шість детермінованих фаз, і три паралельних проходи штучного інтелекту перевіряють якість, безпеку та залежності на кожному PR, і ваш самозахоплювальний цикл виявляє помилки, розбирає їх та автоматично перевіряє виправлення – людська роль зміщується від написання коду до проектування системи, яка керує тим, як агенти пишуть код. Об’єм коду природно слідує.

Що мене найбільш здивувало, це те, що більше технічних директорів не кажуть цього публічно. Я думаю, що багато з них роблять це, але бояться сприйняття.

У вашій статті ви стверджуєте, що більшість компаній все ще “асистовані штучним інтелектом”, а не真正ні “орієнтовані на штучний інтелект”. Які найбільш поширені помилкові уявлення про те, що керівництво команд має, коли вони вважають, що вони вже працюють як організації, орієнтовані на штучний інтелект?

Я бачу команди, які стверджують, що вони орієнтовані на штучний інтелект, але працюють тим самим циклом спринтів, тим самим бордом Jira, тим самим тижневим стендапом, тим самим підписанням QA. Вони додали штучний інтелект до циклу. Вони не перебудували цикл.

Найбільше помилкове уявлення: “Ми використовуємо інструменти штучного інтелекту, тому ми орієнтовані на штучний інтелект”. Інженер відкриває Cursor. Менеджер проекту створює специфікації з ChatGPT. QA експериментує з генерацією тестів штучним інтелектом. Робочий процес залишається тим самим. Ефективність збільшується на 10-20 відсотків. Нічого структури не змінюється. Це асистент штучного інтелекту.

Тест: якщо ви видалите всі інструменти штучного інтелекту завтра, потрібно буде змінити процес, або тільки інструменти? Якщо процес залишається тим самим, ви не орієнтовані на штучний інтелект.

Друге помилкове уявлення полягає в тому, що орієнтованість на штучний інтелект – це рішення інженерії. Якщо інженерія відправляє функції за кілька годин, але маркетинг витрачає тиждень на оголошення про них, маркетинг є瓶окоуком. Якщо команда продукту все ще працює за місячним циклом планування, планування є瓶окоуком. У CREAO ми витиснули операції, орієнтовані на штучний інтелект, у кожну функцію: резюме, згенеровані з журналів змін, відео з介紹 функцій, створені штучним інтелектом, соціальні медіа, оркестровані та автоматично опубліковані, звіт про стан, згенерований з баз даних виробництва. Інженерія, продукт, маркетинг та зростання працюють в одному потоці, орієнтованому на штучний інтелект. Якщо одна функція працює на швидкості агента, а інша – на швидкості людини, функція зі швидкістю людини обмежує все.

Третє помилкове уявлення полягає в тому, що цей перехід може бути поступовим. Поширена версія цього – те, що люди називають “кодуванням настрою”. Відкрийте Cursor, пропонуйте, поки щось не працює, коміт, повторюйте. Це створює прототипи. Система виробництва потребує стабільності, надійності та безпеки. Вам потрібна система, яка гарантує ці властивості, коли штучний інтелект пише код. Ви будуєте систему. Пропозиції є одноразовими.

Ви написали, що справжній прорив стався, коли CREAO перебудувала весь інженерний робочий процес навколо агентів штучного інтелекту, а не просто додала інструменти штучного інтелекту до існуючих процесів. Яка частина цього переходу була найбільш складною операційно або культурно для команди?

Обидва, але вони різні види складності.

Операційно найбільш складним рішенням було об’єднання кодової бази. Наша стара архітектура була розкидана по декількох незалежних системах. Одна зміна могла вимагати дотик до трьох чи чотирьох репозиторіїв. З точки зору людського інженера – кероване. З точки зору агента штучного інтелекту – неясне. Агент не може бачити повну картину. Він не може міркувати про міжсервісні наслідки. Він не може запускати інтеграційні тести локально.

Я провів одну тиждень, проектуючи нову систему, і іншу тиждень, перебудовуючи весь кодовий базис за допомогою агентів. Це було сміливе рішення. Якщо це провалилося, у нас був би розбитий монорепозиторій і розбитий багатрепозиторний налаштування. Але принцип ясний: чим більше вашої системи ви витягните у форму, яку агент може інспектувати, валідувати та модифікувати, тим більше леверaggio ви отримуєте. Розкидана кодова база невидима для агентів. Об’єднана – зрозуміла.

Культурно найбільш складним було питання ідентичності. Інженери знаходять свою цінність у коді, який вони пишуть. Коли штучний інтелект пише 99% коду, питання стає: що зараз моя робота? Це не питання процесу. Це екзистенційне.

Я не буду прикидуватися, що всі були щасливі. Коли я перестав розмовляти з людьми щодня, тому що мій час управління впав з 60% до менше 10%, деякі члени команди відчували невпевненість. Що означає, коли технічний директор не розмовляє з вами? Що означає моя цінність у цьому новому світі? Це розумні побоювання. Деякі люди проводять більше часу, дискутуючи про те, чи може штучний інтелект робити їхню роботу, ніж роблячи роботу.

Але як тільки люди пережили новий робочий процес – де їх робота змістилася від набору коду до проектування систем, визначення стандартних операційних процедур та побудови циклів зворотного зв’язку – більшість знайшли це більш інтелектуально привабливим. Інженери, які найсильніше боролися, були тими, чиї ідентичності були найбільш тісно пов’язані з актом написання коду. Ті, хто адаптувався найшвидше, бачили себе як розв’язувачі проблем перш за все, а потім як кодерів.

Одним із більш суперечливих спостережень у вашій статті було те, що молодші інженери адаптувалися швидше, ніж старші інженери в цьому новому середовищі. Чому ви думаєте, що адаптивність стає більш важливою, ніж накопичений технічний досвід у командах інженерів, орієнтованих на штучний інтелект?

Я помітив шаблон, якого не очікував. Молодші інженери з менш традиційною практикою відчували себе розкутими. У них був доступ до інструментів, які посилювали їхній вплив. У них не було десятиріччя звичок, яких потрібно було забути.

Старші інженери з сильною традиційною практикою мали найбільші труднощі. Два місяці їхньої роботи могли бути завершені за один годину штучним інтелектом. Це було важко прийняти після років будівництва рідкісної навички.

Причина структури. Експертиза старшого інженера живе у механічному виконанні коду – навігації у складних системах, написанні оптимізованих реалізацій, проведенні ретельних оглядів. Ці навички були здобуті за роки та вони справжні. Але в середовищі, орієнтованому на штучний інтелект, механічна навичка написання коду є частиною, яка автоматизується. Що залишається – і стає більш цінним – це здатність оцінювати, критикувати та спрямовувати штучний інтелект.

У мене є докторський ступінь з фізики. Найкориснішою річчю, яку мені навчив докторський ступінь, було те, як поставити під сумнів припущення, протестувати аргументи та шукати, чого не вистачає. Здатність критикувати штучний інтелект цінніша, ніж здатність створювати код. Чи можете ви подивитися на пропозицію архітектури та побачити режим відмови, якого агент пропустив? Чи можете ви подивитися на згенерований інтерфейс користувача та знати, що він неправильний, перш ніж користувач скаже вам?

Молодші інженери ніколи не мали глибокої механічної експертизи, від якої потрібно було відмовитися. Вони просто вивчили нову річ.

Я не роблю судження. Я описую, що спостерігав. Старшинство все ще є перевагою – глибоке архітектурне мислення, інтуїція системного дизайну – але тільки якщо старший інженер готовий працювати на іншому рівні. У цьому переході адаптивність важливіша, ніж накопичена навичка.

CREAO перебудувала свою інфраструктуру навколо монорепозиторіїв, автоматизованих конвеєрів CI/CD, систем перевірки штучним інтелектом та самозахоплювальних циклів, які інтегрують інструменти, такі як CloudWatch, Sentry, Linear та Claude. Наскільки ми близькі до майбутнього, де програмні системи в основному підтримують та ремонтують себе?

Ми зараз запускаємо самозахоплювальний цикл у виробництві. Дозвольте мені описати, що він насправді робить.

Кожного ранку о 9:00 UTC автоматизований робочий процес здоров’я запускається. Claude Sonnet запитує CloudWatch, аналізує шаблони помилок по всіх сервісах та генерує виконавчий звіт про стан здоров’я, наданий команді. Ніхто не просив про це. За одну годину триєний двигун розбору кластеризує виробничі помилки з CloudWatch та Sentry, оцінює кожен кластер по дев’яти вимірам серйозності – вплив на користувача, швидкість, радіус ураження, бізнес-критичність та п’ять інших – та автоматично генерує квитки на розслідування в Linear з зразковими журналами, затронутими кінцевими точками та запропонованими шляхами розслідування.

Коли інженер відправляє виправлення, той самий конвеєр обробляє його. Три проходи перевірки штучним інтелектом оцінюють PR – якість коду, безпека та сканування залежностей. CI валідує через шестифазний конвеєр. Після розгортання двигун розбору перевіряє знову. Якщо原始ні помилки вирішені, квиток автоматично закривається.

Потім ми побудували те, що ми називаємо Гарніш агента. Три судді – один суддя Anthropic, один суддя OpenAI, один суддя Google – оцінюють кожну живу відповідь агента. Коли оцінки впадають, шестиробочий конвеєр інженерії перетворює низькі оцінки у квитки Linear, чернетки PR та перевірені виправлення. І для великих змін штучний інтелект-керований сірий ролл-аут маршрутизує 10% трафіку до нової варіанти та просувається через 20%, 50%, 100% тільки якщо оцінки тримаються.

У нас немає команди QA. У нас немає стадії. Ніхто не читає транскрипти та оцінює відповіді агентів вручну.

Наскільки ми близькі? Ближче, ніж більшість людей думають для обмежених доменів – відомих шаблонів помилок, регресій, дрейфу конфігурації. Я сказав би, що 70-80% виробництва може працювати цим шляхом з правильною інфраструктурою. Частина, яка все ще потребує людей, – це нечіткі відмови, де архітектура сама по собі може бути неправильною, або де виправлення вимагає розуміння бізнес-рішення, не закодованого в системі.

Практичний висновок: вам не потрібно чекати досконалості. Навіть часткова самозахоплювання драматично змінює динаміку команди.

Ви описали майбутнє, де “одноосібні компанії” можуть стати звичайними, оскільки агенти штучного інтелекту заміняють великі операційні команди. Які типи компаній чи галузей, на вашу думку, відчуватимуть цей зсув першими?

Компанії, де відношення операційного накладного витрат до основної цінності найвище.

Я вірю, що одноосібні компанії стануть звичайними. Якщо один архітектор з агентами може зробити роботу 100 людей, багато компаній не будуть потребувати другого працівника. Можливості моделі – це годинник, який рухає це. Я приписую весь зсув у CREAO останнім двом місяцям. Opus 4.5 не міг робити того, чого може Opus 4.6. Моделі наступного покоління прискорять це далі.

Зсув впливає спочатку на галузі, де робота цифрова, повторювана та цикли зворотного зв’язку ясні. Виробництво контенту, маркетингові операції, електронна комерція, інструменти для розробників, цифрові агентства. Якщо ваш бізнес фундаментально полягає у прийомі інформації, її трансформації та розподілі, система підтягування може обробити більшість цього циклу.

Ми бачимо це на нашій власній платформі. Ми описуємо конкретні випадки використання в нашій роботі: сольний засновник підключає GitHub, Sentry та CloudWatch. Система аудиту помилкових журналів, частоти розгортання та стану інфраструктури. З цього аудиту вона будує агент розбору помилок, агент відкриття функцій, трубопровід генерації контенту, цикл оптимізації інфраструктури. Кожен агент запускається, генерує вивід та змінює стан. Наступний цикл аудиту бачить іншу картину. Система знайшла нові рішення. Засновник не планував їх.

У CREAO ми ourselves працюємо цим чином. Один агент замінив триособовий робочий процес SEO за одну ніч. Інший запустив трубопровід контенту на два дні, перш ніж хтось перевірив вивід. Вивід був сміттям, і ми вбили його. Обидва відбулися в один і той самий тиждень. Ми називаємо себе ляльками для майбутнього роботи.

Галузі, які відчуватимуть це останнім: охорона здоров’я, важке виробництво, право – будь-де, де робота фізична, сильно регульована або вимагає людського судження у кожному рішенні. Але навіть там адміністративні шари будуть стискатися.

CREAO недавно залучила 10 мільйонів доларів, очолюваних Prosperity7 Ventures, венчурним крилом Saudi Aramco. Окрім самого фінансування, які стратегічні можливості відкриваються для компанії через це партнерство, оскільки автономні агенти штучного інтелекту стають більш орієнтованими на підприємства?

Prosperity7 керує диверсифікованим фондом у 3 мільярди доларів та працює у Долині Кремнієвої, на Близькому Сході та в Азії. Вони побудували портфель, який охоплює інфраструктуру підприємства штучного інтелекту – Arcee AI, Spirit AI та інші. Стратегічний фіт виходить за рамки капіталу.

Їх теза збігалася з нашою. Як Ред Тваїлі, їх виконавчий директор, сказав публічно: “Якщо прийняття штучного інтелекту дозріває, фокус зміщується від моделей до виконання. Creao AI будує шар інфраструктури, який дозволяє агентам працювати автономно, надійно та безперервно”. Це саме те, у що ми віримо. Ринок агентів штучного інтелекту очікується у 52 мільярди доларів до 2030 року. Компанії, які захоплюють справжню цінність, не будуть тими, у кого найкраща модель. Вони будуть тими, у кого найкращий шар виконання.

Практично 10 мільйонів доларів – що приносить наш загальний фонд до 25 мільйонів доларів за три раунди менше, ніж за рік – прискорює три речі. Перше – інженерну глибину. Ми розширюємо команду, щоб обробляти інтеграції класу підприємства та колаборацію агента з агентом. Самозахоплювальний цикл, три судді, система автоматичного ролл-ауту – все це повинно працювати у масштабі підприємства, а не тільки для команди з 25 осіб. Друге – географічний охват. Присутність Prosperity7 на Близькому Сході та в Азії відкриває ринки, де прийняття автономного штучного інтелекту прискорюється швидше, ніж більшість людей у Долині Кремнієвої розуміють. Третє – інституційна легітимність. Коли ви просите підприємства довіряти агентам, які безперервно керують їхніми операціями, підтримка має значення.

Ми залучили 25 мільйонів доларів менше, ніж за рік, з нульовим платним маркетингом та 200 000 користувачами через органічний прийом. Ця швидкість відображає переконання ринку у тому, що шар виконання – це наступне поле битви.

Оглядаючи вперед, що таке успіх для CREAO за найближчі кілька років? Чи є довгострокова мета побудувати кращі агенти штучного інтелекту, чи ви в кінцевому підсумку намагаєтеся змінити, як компанії самі структуровані та працюють?

Обидва. І вони нерозривні.

Над近 term, успіх означає довести, що модель закритого циклу працює у масштабі. У нас є 200 000 користувачів, які прийшли через органічний прийом з моменту нашого запуску у вересні 2025 року. Ми відправляємо до виробництва три-вісім разів на день. Ми ourselves працюємо нашою інженерією, маркетингом та операціями на підтягуванні. Наступний крок – продемонструвати, що підприємства всіх розмірів можуть працювати тим самим чином.

Але кращі агенти не є кінцевою грою. Кінцева гра – система підтягування – система навколо агентів.

Агент – це інструмент. Система підтягування – це мухобійка. Чим більше вона працює, тим сильніше вона стискається. Чим більше даних вона бачить, тим краще її аудити. Чим краще її аудити, тим гостріші її рішення. Чим гостріші її рішення, тим більш впливаючі її агенти. Чим більш впливаючі її агенти, тим більше дані змінюються. І цикл триває.

20-річна модель компанії – це ієрархія людей, організованих у відділи, кожний з яких має менеджерів, кожний з яких має процеси, спроектовані для людського проходу. Коли агенти можуть надійно виконувати більшість операційної роботи, ця модель не тільки стає більш ефективною – вона починає ставати зайвою.

Усі знають, що штучний інтелект обіцяє вибух продуктивності. Але галузь застряла у двох пастках. Якщо люди все ще керують інструментами штучного інтелекту крок за кроком, продуктивність вражає стелю. І якщо люди все ще єдині, хто будує інструменти, справжня революція не розпочалася. Ми будемо будувати систему, у якій штучний інтелект робить обидва: будує інструменти та запускає їх.

Більшість засновників, з якими я говорю, все ще працюють традиційним способом. Деякі думають про перехід. Дуже небагато зробили це. Інструменти існують для будь-якої команди, щоб зробити це. Нічого у нашому стеку не є пропрієтарним. Конкурентна перевага – це рішення перебудувати все навколо цих інструментів та прийняти витрати.

Ми побудували платформу агентів. Агенти перебудували її. Це принцип дизайну. Система підтягування стискається день за днем.

Дякую за велике інтерв’ю, читачам, які хочуть дізнатися більше, слід відвідати CREAO.