Louis Amira, Gründer von Circuit & Chisel – Interviewreihe

Louis Amira ist Gründer von Circuit & Chisel und bringt Erfahrung im Aufbau von Produkten und Partnerschaften in den Bereichen KI, Kryptowährungen und Zahlungsverkehr mit. Zu seinen beruflichen Stationen zählen die Mitgründung eines Unternehmens im Inkubator Area 120 von Google, seine Tätigkeit bei Chainlink und die Leitung der Partnerschaften in den Bereichen Kryptowährungen und KI bei Stripe. Gemeinsam mit David Noël-Romas gründete er Circuit & Chisel, um die Infrastrukturlücken zu schließen, die KI-Agenten daran hindern, zuverlässige und nützliche Arbeit für Unternehmen zu leisten.

Circuit & Chisel entwickelt Infrastruktur für KI-Agenten und ist das Unternehmen hinter ATXP, Unbiased und Pareto. ATXP stellt Agenten Funktionen für Identität und Zahlungsverkehr bereit, während Pareto führende und Modelle mit offenen Gewichten kombiniert, um die Qualität und Kosten der KI-Inferenz zu verbessern. Über seine Plattform ermöglicht Unbiased den Zugang zu Pareto. In diesem Interview spricht Amira über die Orchestrierung und Evaluierung von Modellen, die Wirtschaftlichkeit der Inferenz, die Datenspeicherung und den Zusammenhang zwischen zuverlässigem Schlussfolgern von Agenten und autonomen Zahlungen.

Ihre berufliche Laufbahn führte Sie vom Inkubator Area 120 von Google zur Leitung der Partnerschaften in den Bereichen Kryptowährungen und KI bei Stripe, bevor Sie Circuit & Chisel mitgründeten. Was haben Sie aus diesen Erfahrungen über die Infrastruktur gelernt, die KI-Agenten benötigen, und was hat Sie letztlich dazu bewogen, das Unternehmen zu gründen?

Bei Google habe ich ein Unternehmen innerhalb von Area 120 mitgegründet. Die wichtigste Erkenntnis daraus: Was man zuerst entwickelt, entscheidet darüber, was man später entwickeln kann. Bei Chainlink und Stripe habe ich dasselbe Muster von der anderen Seite erlebt. Neue Technologien funktionierten in der Demo-Umgebung an sonnigen Tagen und unter perfekten Bedingungen, kamen dann aber ins Stocken, weil die nötige Infrastruktur für den Einsatz in der realen Welt noch fehlte.

David und ich haben Circuit & Chisel gegründet, um Agenten zu entwickeln, die echte Arbeit für echte Unternehmen leisten. Sie scheiterten immer wieder an ganz banalen Dingen. Ein Agent konnte weder seine Identität nachweisen noch irgendetwas bezahlen. Deshalb haben wir ATXP entwickelt, um Agenten eine Identität und eine Zahlungsmöglichkeit zu geben.

Dann stießen wir auf das nächste Hindernis. Ein Agent, der handeln kann, muss auch zuverlässig richtig liegen – und das zu einem Preis, der zur jeweiligen Aufgabe passt. Dafür gibt es Pareto. Beide Male folgten wir demselben Instinkt: das fehlende Teil finden und entwickeln.

Circuit & Chisel konzentrierte sich zunächst auf ATXP, ein Protokoll für autonome Zahlungen zwischen KI-Agenten, und weitete seine Tätigkeit anschließend mit Unbiased und Pareto auf die Infrastruktur für KI-Modelle aus. Was führte zu dieser Entwicklung, und wie fügen sich diese Technologien in Ihre umfassendere Vision einer Agentenwirtschaft ein?

Unsere Kunden und ihre Agenten zeigten uns, dass ATXP funktionierte. Agenten konnten eine Identität besitzen und Geld ausgeben. Als wir uns jedoch mit Unternehmen zusammensetzten, stellte sich heraus, dass deren erstes Problem nicht Zahlungen waren. Es ging um Vertrauen in die Ergebnisse. Niemand überlässt einem Agenten ein Budget, wenn dieser das falsche Modell für eine Aufgabe auswählt oder eine falsche Antwort liefert.

Anfang dieses Jahres haben wir unsere Arbeit an Qualität und Kosten deshalb intensiviert. Daraus entstand Pareto.

Die beiden ergänzen sich nach wie vor. Pareto bestimmt, wie ein Agent eine Aufgabe durchdenkt. ATXP ermöglicht ihm, zu handeln und zu bezahlen. Man braucht beides, und zwar in dieser Reihenfolge, denn niemand gibt einem Agenten eine Geldbörse, bevor er seinem Urteilsvermögen vertraut. Wir haben sie lediglich in der falschen Reihenfolge entwickelt.

Pareto verfolgt einen anderen Ansatz als herkömmliche große Sprachmodelle: Statt sich auf ein einzelnes Modell oder ein konventionelles Routing-System zu verlassen, kombiniert es die Ausgaben mehrerer führender Modelle und Modelle mit offenen Gewichten. Können Sie erläutern, wie diese Architektur funktioniert und insbesondere, wie sie konkurrierende Antworten zu einem genaueren oder nützlicheren Ergebnis zusammenführt?

Pareto ist ein System, kein einzelnes Modell. Es verteilt Aufgaben an Modelle verschiedener Anbieter, sowohl führende Modelle als auch solche mit offenen Gewichten, und weist jedem eine bestimmte Aufgabe zu. Mehrere Modelle könnten für die Arbeit geeignet sein; manchmal ist eine Aufgabe jedoch komplex, und ein Modell muss die Ergebnisse überprüfen und Empfehlungen geben. Dabei geht es darum, welche Modelle aufgerufen werden sollten – abhängig davon, wie sie bei Aufgaben dieser Art hinsichtlich Leistungsfähigkeit, Kosten, Geschwindigkeit und Zuverlässigkeit abschneiden – und wie gründlich die Aufgabe überprüft werden sollte.

Wir mitteln die Antworten nicht. Durch Mittelwertbildung verschwimmen die Fehler miteinander. Wir wollen, dass die Modelle unterschiedlicher Meinung sind, denn gerade so werden Fehler sichtbar. Ändert sich die Zusammensetzung der verfügbaren Modelle, testen wir erneut und veröffentlichen eine neue, nummerierte Version von Pareto.

Eines der zentralen Versprechen von Pareto ist, führende KI-Leistung zu deutlich geringeren Kosten bereitzustellen. Da mehrere Modelle an der Erstellung einer Antwort beteiligt sein können: Wie erreichen Sie diese Effizienz, und welche Zielkonflikte bestehen zwischen Inferenzkosten, Latenz und Ausgabequalität?

Pareto soll Antworten auf dem Niveau führender Modelle liefern. Die geringeren Kosten ergeben sich daraus, wie es dieses Ziel erreicht.

Die meisten Anfragen, die Menschen an eine KI richten, sind Routineaufgaben. Ein günstigeres Modell beantwortet sie genauso häufig richtig wie das teuerste. Pareto leitet solche Anfragen an diese Modelle weiter und setzt führende Modelle – oder mehrere gemeinsam arbeitende Modelle – nur bei Anfragen ein, die sie erfordern. In unseren veröffentlichten Tests lag die Bewertung dieser Kombination bei den meisten wichtigen Benchmarks nur wenige Punkte unter der von GPT-6 Astra und Claude Opus 5.5, bei 30–70 % geringeren Kosten pro Aufgabe.

Es gibt keine nennenswerten Zielkonflikte. Pareto leitet zwar nicht jede Anfrage perfekt weiter, aber wir messen, wie oft das Routing falsch ist, und verbessern die Ergebnisse – und veröffentlichen sie!

Ihr Team hat Benchmark-Ergebnisse veröffentlicht, die Pareto im Vergleich zu führenden proprietären und Open-Weight-Modellen wettbewerbsfähig positionieren, darunter Vergleiche mit GPT-6 Astra und Claude Opus 5.5. Wie stellen Sie sicher, dass diese Evaluierungen die Leistung in der Praxis widerspiegeln und nicht eine Optimierung speziell für Benchmarks, und worin haben Frontier-Modelle Pareto weiterhin deutlich etwas voraus?

Wir veröffentlichen den Evaluierungscode, damit jeder unsere Ergebnisse reproduzieren kann. Jedes Modell wird mit demselben Testsystem geprüft, auch Pareto. Außerdem zeigen wir Paretos Niederlagen ebenso offen wie seine Siege. Eine Anzeigetafel, auf der immer das Haus gewinnt, ist bloß Werbung.

Wir haben Pareto in mehreren KI-Gateways eingeführt und Unternehmen jeder Größe Zugang zu Vorschauversionen neuer Modelle gewährt. Ihr Feedback fließt nahezu in Echtzeit ein, damit wir die Leistung des Modells kontinuierlich verbessern können.

Berichten zufolge hat Pareto innerhalb der ersten 48 Stunden mehr als zwei Billionen Tokens verarbeitet. Was hat die anfängliche Nachfrage über den Markt für kosteneffiziente KI-Inferenz gezeigt, und welche größten technischen Herausforderungen gab es dabei, Leistung, Zuverlässigkeit und Skalierbarkeit bei diesem Volumen aufrechtzuerhalten?

Die Nachfrage war um ein Mehrfaches höher, als wir und unsere Partner erwartet hatten, und leider hatten wir nicht genügend Rechenkapazität, um sie angemessen zu bedienen. Am ersten Tag überstieg die Nachfrage 5 bis 10 Milliarden Tokens pro Minute. Wir verarbeiteten etwa 1,6 Milliarden. Die gesamte Nachfrage kostenlos angemessen zu bedienen, hätte viele Millionen Dollar pro Tag gekostet.

Was wir daraus gelernt haben: Der Preis hält einen großen Teil der KI-Nutzung zurück. Es gibt Entwickler, deren Produkt zu einem bestimmten Preis funktioniert, aber nicht mehr, wenn es fünfmal so viel kostet. Senkt man den Preis, kommen sie dazu.

Die größte Herausforderung war einfach: Uns ging die Kapazität aus. Am ersten Tag wurde das Modell so langsam, dass manche Nutzer aufgaben. Über Nacht stellten wir zusätzliche Kapazität bereit und führten zwei Tage nach dem Start den kostenpflichtigen Zugang ein – eine ehrliche Art, die Nachfrage zu begrenzen.

Wir haben auch etwas über Transparenz gelernt. Einige Nutzer fühlten sich getäuscht, als sie erfuhren, dass Union Alpha aus mehreren zusammenarbeitenden Modellen bestand und nicht aus einem einzigen. Es gehörte zum Konzept, das Modell gemeinsam mit den Partnern als „einfach ein weiteres Modell“ einzuführen – für die Nutzer macht es praktisch keinen Unterschied, wie sie die Ausgabe eines Routers erleben sollten.

Die Vermeidung jeglicher Datenspeicherung ist ein weiterer wichtiger Bestandteil der Positionierung von Pareto, insbesondere da Unternehmen zunehmend besorgt darüber sind, dass sensible Informationen durch externe KI-Anbieter fließen. Wie setzen Sie diese Schutzmaßnahmen durch und überprüfen sie, wenn mehrere zugrunde liegende Modelle beteiligt sind, und welche Zusicherungen können Unternehmenskunden hinsichtlich des Umgangs mit ihren Daten erhalten?

Bei unseren Tarifen ohne Datenspeicherung speichern wir weder Ihre Eingaben noch Ihre Ausgaben. Dasselbe gilt für alle Anbieter, an die wir sie weiterleiten.

Wenn mehrere Modelle beteiligt sind, ist eine Zusage zur Vermeidung jeglicher Datenspeicherung nur so verlässlich wie das schwächste Glied. Anfragen mit ZDR-Anforderungen werden daher ausschließlich an Modelle weitergeleitet, für die Bedingungen ohne Datenspeicherung gelten. Kann ein Anbieter diese Bedingungen nicht erfüllen, erhält er keinen ZDR-Datenverkehr.

Unternehmenskunden erhalten die Zusage schriftlich: in einer Vereinbarung zur Auftragsverarbeitung und einem ZDR-Nachtrag. Wir weisen außerdem klar darauf hin, welche Tarife nicht ZDR-konform sind, damit niemand versehentlich im falschen Lager landet. Für Unternehmen, deren Daten das eigene Gebäude niemals verlassen sollen, entwickeln wir eine Version, die sie auf ihrer eigenen Hardware betreiben können. Mehr dazu in Kürze.

Da KI-Agenten zunehmend nicht nur Fragen beantworten, sondern komplexe, mehrstufige Arbeitsabläufe ausführen, können sich kleine Denkfehler zu erheblichen Fehlern summieren. Wie begegnet Pareto Problemen wie Halluzinationen, widersprüchlichen Modellausgaben und mangelnder Zuverlässigkeit bei längeren agentengesteuerten Aufgaben? Und kann die Kombination mehrerer Modelle selbst neue Fehlerquellen schaffen?

Genau auf dieses Problem sind wir zuerst gestoßen. Außerhalb einer Demo brechen Agenten zusammen. Ein kleiner Fehler im zweiten Schritt wird bis zum zehnten Schritt zu einem großen.

Mehrere Modelle helfen bei schwierigen Schritten. Sie können dasselbe Problem unabhängig voneinander bearbeiten, sich gegenseitig überprüfen oder ein Ergebnis bestätigen, bevor der Agent fortfährt. Ein einzelnes Modell hat keine zweite Meinung. Pareto schon.

Wir messen die Nutzerzufriedenheit und die Leistung bei realen Aufgaben, veröffentlichen die Ergebnisse – auch die schlechten – und beheben die Probleme, die wir dabei entdecken. Kunden, die jedes Mal dasselbe Verhalten benötigen, können eine Pareto-Version festlegen, damit sie sich nicht unerwartet ändert.

Mit ATXP und Unbiased geht Circuit & Chisel zwei wichtige Herausforderungen für autonome Agenten an: effizient auf Intelligenz zuzugreifen und für die genutzten Dienste zu bezahlen. Wie sehen Sie die Zusammenführung dieser Fähigkeiten, und könnten Agenten künftig selbstständig KI-Modelle und externe Tools anhand ihrer Leistung, Kosten und der Anforderungen der jeweiligen Aufgabe auswählen, kaufen und koordinieren?

Ja. Darauf läuft es hinaus.

Heute entscheidet ein Mensch, welches Modell eingesetzt, welche Tools aufgerufen und wie dafür bezahlt wird. Immer häufiger werden diese Entscheidungen von einem Agenten getroffen. Er wählt für jeden Schritt das passende Modell aus, findet die benötigten Tools, bezahlt jeden Anbieter und überprüft die Ergebnisse, bevor er fortfährt.

Dafür braucht es zwei Dinge: eine Möglichkeit, für jede Aufgabe die passende Intelligenz zu erhalten – das ist Pareto. Und eine Möglichkeit, die eigene Identität nachzuweisen und zu bezahlen – dafür wurde ATXP ursprünglich entwickelt.

Viele Unternehmen arbeiten inzwischen an Themen wie Grenzen, Haftungsfragen usw., bevor irgendjemand Agenten Geld anvertraut. Deshalb haben wir mit Urteilsvermögen angefangen. Die Zahlungsfunktion wird umso nützlicher, je mehr man dem Agenten vertraut, der sie nutzt.

Glauben Sie mit Blick auf die Zukunft, dass der nächste große Durchbruch im Bereich KI vor allem durch das Training immer leistungsfähigerer Einzelmodelle erzielt wird oder durch die Entwicklung von Systemen, die bestehende Modelle und Fähigkeiten intelligent miteinander kombinieren? Wie wird sich dieser Unterschied Ihrer Ansicht nach in den kommenden Jahren auf den Wettbewerb zwischen aufstrebenden KI-Unternehmen und den großen Anbietern von Frontier-Modellen auswirken?

Beides. Die Labore werden weiterhin bessere Modelle entwickeln, und das ist sehr wichtig. Wir sorgen dafür, dass die Menschen nicht das Gefühl haben, sich über jedes einzelne Modell informieren und es testen zu müssen. Wir sollten für die jeweilige Aufgabe das passende Modell mit dem besten Kosten-Nutzen-Verhältnis liefern. Schluss mit der Modellmüdigkeit.

Beim Training werden wir die Labore niemals finanziell übertreffen. Wir bauen auf ihrer Arbeit auf und helfen dabei, ihre Modelle zu verbreiten. Jedes Mal, wenn ein Labor ein besseres Modell auf den Markt bringt, wird auch Pareto besser.

Die Labore könnten das selbst entwickeln, und einige werden es auch tun. Aber der Router eines Labors spielt für die eigene Mannschaft. Wir besitzen kein Modell, daher können wir nur gewinnen, wenn die Kundinnen und Kunden für ihr Geld die beste Antwort bekommen. Je mehr Modelle es gibt, desto wichtiger wird das.

Vielen Dank für das großartige Interview. Leserinnen und Leser, die mehr über Pareto, die Infrastruktur für Agenten und die Tools erfahren möchten, die KI-gestütztes Schlussfolgern mit Identität und Zahlungen verbinden, sollten Circuit & Chisel besuchen.