Louis Amira, fondateur de Circuit & Chisel – Série d’entretiens

Louis Amira est le fondateur de Circuit & Chisel. Il s’appuie sur son expérience de la création de produits et de partenariats dans les domaines de l’IA, des cryptomonnaies et des paiements. Son parcours comprend la cofondation d’une entreprise au sein de l’incubateur Area 120 de Google, une expérience chez Chainlink et la direction des partenariats liés aux cryptomonnaies et à l’IA chez Stripe. Il a lancé Circuit & Chisel avec David Noël-Romas pour combler les lacunes d’infrastructure qui empêchent les agents d’IA d’effectuer un travail fiable et utile pour les entreprises.

Circuit & Chisel développe des infrastructures pour les agents d’IA et est à l’origine d’ATXP, d’Unbiased et de Pareto. ATXP fournit aux agents des capacités d’identification et de paiement, tandis que Pareto combine des modèles de pointe et des modèles à poids ouverts pour améliorer la qualité et réduire le coût de l’inférence par l’IA. Unbiased permet d’accéder à Pareto par l’intermédiaire de sa plateforme. Dans cet entretien, Amira parle de l’orchestration des modèles, de leur évaluation, de l’économie de l’inférence, de la conservation des données et du lien entre le raisonnement fiable des agents et les paiements autonomes.

Votre parcours vous a mené de l’incubateur Area 120 de Google à la direction des partenariats liés aux cryptomonnaies et à l’IA chez Stripe, avant la cofondation de Circuit & Chisel. Que vous ont appris ces expériences sur les infrastructures dont les agents d’IA auraient besoin, et qu’est-ce qui vous a finalement donné envie de créer l’entreprise ?

Chez Google, j’ai cofondé une entreprise au sein d’Area 120. J’en ai retenu une leçon : ce que l’on construit d’abord détermine ce que l’on pourra construire ensuite. Chez Chainlink et Stripe, j’ai observé le même phénomène sous un autre angle. Les nouvelles technologies fonctionnaient dans les démonstrations, par beau temps et dans des conditions idéales, puis se retrouvaient bloquées faute de l’infrastructure nécessaire dans le monde réel.

David et moi avons lancé Circuit & Chisel pour créer des agents capables d’effectuer un véritable travail pour de vraies entreprises. Ils échouaient sans cesse pour des raisons très terre à terre. Un agent ne pouvait pas prouver son identité ni payer quoi que ce soit. Nous avons donc créé ATXP pour lui fournir une identité et un moyen de paiement.

Puis nous nous sommes heurtés à un nouvel obstacle. Un agent capable d’agir doit aussi fournir des résultats exacts, à un prix adapté à la tâche. C’est le rôle de Pareto. Dans les deux cas, nous avons suivi le même instinct : trouver l’élément manquant et le créer.

Circuit & Chisel s’est d’abord concentrée sur ATXP, un protocole conçu pour permettre les paiements autonomes entre agents d’IA, avant d’étendre ses activités aux infrastructures de modèles d’IA avec Unbiased et Pareto. Qu’est-ce qui a motivé cette évolution, et comment ces technologies s’inscrivent-elles dans votre vision plus large de l’économie des agents ?

Nos clients — et leurs agents — nous ont montré qu’ATXP fonctionnait. Les agents pouvaient avoir une identité et dépenser de l’argent. Mais, lorsque nous avons rencontré des entreprises, leur premier problème n’était pas le paiement. C’était la confiance dans les résultats. Personne ne confie un budget à un agent qui choisit le mauvais modèle pour une tâche ou donne une réponse erronée.

C’est pourquoi, plus tôt cette année, nous avons intensifié nos efforts pour améliorer la qualité et réduire les coûts. C’est ainsi qu’est né Pareto.

Les deux produits restent complémentaires. Pareto détermine comment un agent réfléchit à une tâche. ATXP lui permet d’agir et de payer. Il faut les deux, dans cet ordre, car personne ne confie un portefeuille à un agent avant d’avoir confiance en son jugement. Nous les avons simplement créés dans le mauvais ordre.

Pareto adopte une approche différente de celle des grands modèles de langage traditionnels : plutôt que de s’appuyer sur un modèle unique ou sur un système de routage classique, il combine les résultats de plusieurs modèles de pointe et à poids ouverts. Pouvez-vous nous expliquer le fonctionnement de cette architecture, en particulier la manière dont elle synthétise des réponses divergentes pour produire un résultat plus exact ou plus utile ?

Pareto est un système, pas un modèle unique. Il répartit le travail entre des modèles de plusieurs laboratoires, aussi bien des modèles de pointe que des modèles à poids ouverts, et attribue une tâche à chacun. Plusieurs modèles peuvent être capables d’effectuer le travail, même si certaines tâches sont parfois complexes et nécessitent qu’un modèle les examine et donne son avis. Il faut déterminer quels modèles solliciter en fonction de leurs résultats en matière de capacités, de coût, de rapidité et de fiabilité pour ce type de tâche, ainsi que le niveau de vérification requis.

Nous ne faisons pas la moyenne des réponses. Cette méthode brouille les erreurs. Nous voulons que les modèles soient en désaccord, car c’est là que les erreurs apparaissent. Lorsque l’éventail des modèles disponibles change, nous procédons à de nouveaux tests et publions une nouvelle version numérotée de Pareto.

L’un des principaux engagements de Pareto est de fournir une intelligence de niveau comparable aux modèles de pointe à un coût nettement inférieur. Étant donné que plusieurs modèles peuvent contribuer à produire une réponse, comment parvenez-vous à réduire les coûts, et quels compromis existe-t-il entre le coût de l’inférence, la latence et la qualité des résultats ?

Pareto a pour mission de fournir des réponses de niveau comparable aux modèles de pointe. Les économies viennent de la manière dont il y parvient.

La plupart des demandes adressées à l’IA sont courantes. Un modèle moins coûteux y répond aussi souvent correctement que le modèle le plus cher. Pareto lui confie ces demandes et réserve les modèles de pointe — ou la collaboration entre plusieurs modèles — aux requêtes qui en ont besoin. Dans nos tests publiés, cette combinaison a obtenu des résultats à quelques points seulement de ceux de GPT-6 Astra et de Claude Opus 5.5 sur la plupart des principaux tests de référence, pour un coût par tâche inférieur de 30 à 70 %.

Il n’y a pas de compromis importants. Pareto ne route pas parfaitement chaque demande, mais nous mesurons la fréquence de ses erreurs de routage et nous améliorons les résultats — que nous publions également !

Votre équipe a publié des résultats d’évaluation qui placent Pareto à un niveau compétitif face aux principaux modèles propriétaires et à poids ouverts, notamment dans des comparaisons avec GPT-6 Astra et Claude Opus 5.5. Comment vous assurez-vous que ces évaluations reflètent les performances en conditions réelles plutôt qu’une optimisation propre aux benchmarks, et dans quels domaines les modèles de pointe conservent-ils un avantage significatif sur Pareto ?

Nous publions le code d’évaluation afin que tout le monde puisse reproduire nos résultats. Chaque modèle est soumis au même protocole, Pareto compris. Et nous présentons les contre-performances de Pareto au même titre que ses réussites. Un tableau de résultats où la maison gagne toujours n’est qu’une publicité.

Nous avons été déployés sur plusieurs passerelles d’IA et avons donné à des entreprises de toutes tailles un accès en avant-première aux nouveaux modèles. Nous intégrons leurs retours presque en temps réel afin d’améliorer constamment les performances du modèle.

Selon certaines informations, Pareto aurait traité plus de deux mille milliards de jetons au cours de ses 48 premières heures. Qu’a révélé cette demande initiale sur le marché de l’inférence IA à faible coût, et quels ont été les principaux défis techniques liés au maintien des performances, de la fiabilité et de l’évolutivité à ce volume ?

La demande a été plusieurs fois supérieure à ce que nos partenaires et nous avions prévu et, malheureusement, nous n’avions pas assez de capacité de calcul pour y répondre correctement. Dès le premier jour, la demande a dépassé les 5 à 10 milliards de jetons par minute. Nous en traitions environ 1,6 milliard. Répondre correctement à toute cette demande gratuitement nous aurait coûté plusieurs millions de dollars par jour.

Ce que nous avons compris : le prix freine une grande partie des usages de l’IA. Certains développeurs ont un produit qui fonctionne à un certain prix, mais pas à un prix cinq fois plus élevé. Baissez le prix, et ils arrivent.

La difficulté principale était simple : nous avons manqué de capacité. Le premier jour, le modèle est devenu si lent que certains utilisateurs ont abandonné. Nous avons mis davantage de capacité en service pendant la nuit et sommes passés à un accès payant deux jours après le lancement, ce qui est une manière honnête de rationner l’accès.

Nous avons aussi appris quelque chose au sujet de la transparence. Certains utilisateurs se sont sentis trompés en découvrant qu’Union Alpha était constitué de plusieurs modèles travaillant ensemble, et non d’un seul. C’était l’une des raisons pour lesquelles nous l’avons lancé avec nos partenaires en le présentant comme « un modèle comme un autre » : dans la pratique, la manière dont les utilisateurs doivent recevoir le résultat d’un routeur ne change pas.

La conservation nulle des données est un autre élément central du positionnement de Pareto, notamment parce que les entreprises s’inquiètent de plus en plus de la transmission d’informations sensibles à des fournisseurs d’IA tiers. Comment appliquez-vous et vérifiez-vous ces protections lorsque plusieurs modèles sous-jacents interviennent, et quelles garanties les entreprises clientes peuvent-elles obtenir quant au traitement de leurs données ?

Avec nos offres sans conservation des données, nous ne stockons ni vos requêtes ni vos réponses, et aucun des fournisseurs auxquels nous les transmettons ne le fait non plus.

Lorsque plusieurs modèles interviennent, la garantie de conservation nulle des données ne vaut pas mieux que son maillon le plus faible. C’est pourquoi les requêtes soumises à cette garantie sont uniquement acheminées vers des modèles régis par des conditions de conservation nulle. Si un fournisseur ne peut pas respecter ces conditions, il ne reçoit pas de requêtes concernées.

Les entreprises clientes obtiennent des engagements écrits : un accord sur le traitement des données et un avenant relatif à la conservation nulle des données (ZDR). Nous indiquons aussi clairement quelles offres ne sont pas couvertes par la ZDR, afin que personne ne se retrouve dans la mauvaise catégorie. Pour les entreprises qui souhaitent que leurs données ne quittent jamais leurs locaux, nous travaillons sur une version qu’elles pourront exécuter sur leur propre matériel. Nous en dirons davantage bientôt.

À mesure que les agents d’IA passent de la réponse aux questions à l’exécution de processus complexes en plusieurs étapes, de petites erreurs de raisonnement peuvent s’accumuler et entraîner des défaillances importantes. Comment Pareto s’attaque-t-il aux hallucinations, aux résultats contradictoires entre modèles et aux problèmes de fiabilité au cours de tâches agentiques prolongées ? Et la combinaison de plusieurs modèles peut-elle elle-même introduire de nouveaux modes de défaillance ?

C’est le problème auquel nous nous sommes heurtés en premier. En dehors d’une démonstration, les agents s’effondrent. Une petite erreur à la deuxième étape en devient une grosse à la dixième.

Plusieurs modèles sont utiles pour les étapes difficiles. Ils peuvent traiter séparément le même problème, se vérifier mutuellement ou confirmer un résultat avant que l’agent poursuive. Un modèle seul n’a pas de deuxième avis. Pareto, si.

Nous mesurons la satisfaction des utilisateurs et les performances sur des tâches réelles, nous publions les résultats, y compris les mauvais, puis nous corrigeons les problèmes constatés. Les clients qui ont besoin d’un comportement identique à chaque utilisation peuvent verrouiller une version de Pareto afin qu’elle ne change pas sans qu’ils le sachent.

Avec ATXP et Unbiased, Circuit & Chisel s’attaque à deux défis importants pour les agents autonomes : accéder efficacement à l’intelligence et payer les services qu’ils utilisent. Comment envisagez-vous le rapprochement de ces capacités ? Pourrait-on voir, à terme, des agents sélectionner, acheter et coordonner de manière autonome des modèles d’IA et des outils externes en fonction de leurs performances, de leur coût et des exigences de chaque tâche ?

Oui. C’est vers cela que nous nous dirigeons.

Aujourd’hui, une personne décide quel modèle utiliser, quels outils appeler et comment les payer. De plus en plus, ces choix seront faits par un agent. Il sélectionnera le modèle adapté à chaque étape, trouvera les outils dont il a besoin, paiera chaque fournisseur et vérifiera les résultats avant de poursuivre.

Cela nécessite deux choses. Un moyen d’obtenir l’intelligence adaptée à chaque tâche : c’est Pareto. Et un moyen de prouver son identité et de payer : c’est ce pour quoi ATXP a été conçu à l’origine.

De nombreuses entreprises travaillent actuellement sur des questions telles que les limites, la responsabilité, etc., avant que quiconque fasse confiance aux agents pour gérer de l’argent. C’est pourquoi nous avons commencé par le jugement. Le volet paiement devient d’autant plus utile que l’on fait confiance à l’agent qui l’utilise.

À l’avenir, pensez-vous que la prochaine avancée majeure de l’IA viendra principalement de l’entraînement de modèles individuels toujours plus puissants, ou du développement de systèmes capables de combiner intelligemment des modèles et des capacités existants ? Selon vous, comment cette distinction façonnera-t-elle la concurrence entre les jeunes entreprises d’IA et les principaux fournisseurs de modèles de pointe au cours des prochaines années ?

Les deux. Les laboratoires continueront à créer de meilleurs modèles, et c’est très important. Nous veillons à ce que les gens n’aient pas besoin de se renseigner sur chacun d’eux ni de les tester. Nous devons fournir le bon modèle pour la bonne tâche, avec le meilleur retour sur investissement. Fini la lassitude face aux modèles.

Nous ne dépenserons jamais plus que les laboratoires pour entraîner des modèles ; nous nous appuyons sur leur travail et contribuons à les diffuser. Chaque fois qu’un laboratoire lance un meilleur modèle, Pareto s’améliore aussi.

Les laboratoires pourraient créer cela eux-mêmes, et certains le feront. Mais le routeur d’un laboratoire a son équipe de prédilection. Nous ne possédons aucun modèle ; notre seule façon de réussir est donc de faire en sorte que le client obtienne la meilleure réponse pour son argent. Plus il y a de modèles, plus c’est important.

Merci pour cette excellente interview. Les lecteurs qui souhaitent en savoir plus sur Pareto, l’infrastructure des agents et les outils qui relient le raisonnement de l’IA à l’identité et aux paiements peuvent se rendre sur Circuit & Chisel.