Louis Amira, Pendiri Circuit & Chisel – Seri Wawancara

Louis Amira adalah Pendiri Circuit & Chisel, dengan pengalaman membangun produk dan kemitraan di bidang AI, kripto, dan pembayaran. Dalam perjalanan kariernya, ia ikut mendirikan sebuah usaha di inkubator Area 120 milik Google, bekerja di Chainlink, serta memimpin kemitraan di bidang kripto dan AI di Stripe. Ia mendirikan Circuit & Chisel bersama David Noël-Romas untuk mengatasi kesenjangan infrastruktur yang menghambat agen AI dalam menjalankan pekerjaan yang andal dan bermanfaat bagi bisnis.

Circuit & Chisel membangun infrastruktur untuk agen AI dan merupakan perusahaan di balik ATXP, Unbiased, dan Pareto. ATXP menyediakan kemampuan identitas dan pembayaran bagi agen, sementara Pareto menggabungkan model terdepan dan model berbobot terbuka untuk meningkatkan kualitas sekaligus menekan biaya inferensi AI. Unbiased menyediakan akses ke Pareto melalui platformnya. Dalam wawancara ini, Amira membahas orkestrasi model, evaluasi, ekonomi inferensi, retensi data, serta hubungan antara penalaran agen yang andal dan pembayaran otonom.

Karier Anda membawa Anda dari inkubator Area 120 milik Google hingga memimpin kemitraan di bidang kripto dan AI di Stripe, sebelum ikut mendirikan Circuit & Chisel. Apa yang Anda pelajari dari pengalaman-pengalaman tersebut tentang infrastruktur yang dibutuhkan agen AI, dan apa yang akhirnya menginspirasi Anda untuk mendirikan perusahaan ini?

Di Google, saya ikut mendirikan sebuah perusahaan di dalam Area 120. Pelajaran yang saya petik: apa yang Anda bangun lebih dulu menentukan apa yang bisa Anda bangun selanjutnya. Di Chainlink dan Stripe, saya melihat pola yang sama dari sisi lain. Teknologi baru bisa bekerja di lingkungan demo saat cuaca cerah dan kondisinya sempurna, lalu terhenti karena infrastruktur untuk menghadapi kenyataan di lapangan belum tersedia.

David dan saya mendirikan Circuit & Chisel untuk membangun agen yang melakukan pekerjaan nyata bagi bisnis nyata. Agen-agen itu terus gagal karena alasan yang sederhana. Agen tidak bisa membuktikan identitasnya dan tidak bisa membayar apa pun. Karena itu, kami membangun ATXP untuk memberi agen identitas dan cara untuk melakukan pembayaran.

Lalu kami menemui kendala berikutnya. Agen yang mampu bertindak juga harus memberikan hasil yang benar dengan harga yang sesuai untuk tugasnya. Itulah Pareto. Kedua kali, naluri kami sama: temukan bagian yang belum tersedia, lalu bangun.

Circuit & Chisel awalnya berfokus pada ATXP, sebuah protokol yang dirancang untuk memungkinkan pembayaran otonom antaragen AI, sebelum berekspansi ke infrastruktur model AI melalui Unbiased dan Pareto. Apa yang mendorong perkembangan ini, dan bagaimana teknologi-teknologi tersebut sesuai dengan visi Anda yang lebih luas tentang ekonomi agen?

Pelanggan kami (dan agen mereka) menunjukkan bahwa ATXP berfungsi. Agen dapat memiliki identitas dan membelanjakan uang. Namun, ketika kami berdiskusi langsung dengan berbagai bisnis, masalah pertama mereka bukanlah pembayaran. Masalahnya adalah kepercayaan terhadap hasil. Tak seorang pun akan memberikan anggaran kepada agen yang memilih model yang keliru untuk tugasnya atau memberikan jawaban yang salah.

Jadi, awal tahun ini kami meningkatkan upaya untuk memperbaiki kualitas dan menekan biaya. Upaya itu menjadi Pareto.

Keduanya tetap saling melengkapi. Pareto menentukan cara agen menalar suatu tugas. ATXP memungkinkannya bertindak dan membayar. Keduanya dibutuhkan, dan urutannya harus seperti itu, karena tak seorang pun akan memberikan dompet kepada agen sebelum memercayai pertimbangannya. Kami hanya membangun keduanya dengan urutan yang keliru.

Pareto mengambil pendekatan berbeda dari model bahasa besar tradisional dengan menggabungkan keluaran dari beberapa model terdepan dan berbobot terbuka, alih-alih mengandalkan satu model atau sistem perutean konvensional. Bisakah Anda menjelaskan cara kerja arsitektur ini, terutama bagaimana sistem tersebut menyintesis respons yang saling bersaing menjadi hasil yang lebih akurat atau bermanfaat?

Pareto adalah sebuah sistem, bukan satu model. Sistem ini mengirimkan tugas ke model dari beberapa laboratorium, baik model terdepan maupun berbobot terbuka, dan memberikan tugas tertentu kepada setiap model. Beberapa model mungkin mampu mengerjakan tugas tersebut, meskipun terkadang tugasnya rumit sehingga satu model perlu meninjau dan memberikan masukan. Model yang dipanggil ditentukan berdasarkan skor masing-masing dalam hal kemampuan, biaya, kecepatan, dan keandalan untuk jenis tugas tersebut. Kami juga menentukan seberapa banyak pemeriksaan yang diperlukan untuk tugas itu.

Kami tidak merata-ratakan jawaban. Perataan justru mengaburkan kesalahan. Kami ingin model-model itu berbeda pendapat, karena dari perbedaan pendapat itulah kesalahan terlihat. Ketika susunan model yang tersedia berubah, kami menguji ulang dan merilis Pareto dalam versi bernomor yang baru.

Salah satu janji utama Pareto adalah menghadirkan kecerdasan setingkat model terdepan dengan biaya yang jauh lebih rendah. Mengingat beberapa model mungkin terlibat dalam menghasilkan sebuah respons, bagaimana Anda bisa mencapai efisiensi tersebut, dan kompromi apa yang ada antara biaya inferensi, latensi, dan kualitas keluaran?

Tugas Pareto adalah memberikan jawaban setingkat model terdepan. Biaya yang lebih rendah dicapai berkat cara Pareto menghasilkan jawaban tersebut.

Sebagian besar permintaan yang dikirim orang ke AI bersifat rutin. Model yang lebih murah bisa menjawab permintaan tersebut dengan sama tepatnya seperti model yang paling mahal. Pareto mengarahkannya ke model tersebut dan menyisihkan model terdepan—atau beberapa model yang bekerja bersama—untuk permintaan yang membutuhkannya. Dalam pengujian yang kami publikasikan, kombinasi ini memperoleh skor dengan selisih hanya beberapa poin dari GPT-6 Astra dan Claude Opus 5.5 pada sebagian besar tolok ukur utama, dengan biaya per tugas 30–70% lebih rendah.

Tidak ada kompromi yang signifikan. Pareto tidak akan selalu mengarahkan setiap permintaan dengan sempurna, tetapi kami mengukur seberapa sering sistem ini keliru dalam menentukan perutean, lalu meningkatkan dan memublikasikan hasilnya.

Tim Anda telah menerbitkan hasil tolok ukur yang menunjukkan bahwa Pareto mampu bersaing dengan model berpemilik dan model berbobot terbuka terkemuka, termasuk dalam perbandingan yang melibatkan GPT-6 Astra dan Claude Opus 5.5. Bagaimana Anda memastikan evaluasi ini mencerminkan kinerja di dunia nyata, bukan optimasi khusus untuk tolok ukur, dan dalam hal apa model-model terdepan masih memiliki keunggulan berarti dibandingkan Pareto?

Kami menerbitkan kode evaluasinya agar siapa pun dapat mengulang pengukuran kami. Setiap model, termasuk Pareto, diuji dengan perangkat pengujian yang sama. Kami juga menunjukkan kegagalan Pareto sebanyak kami menunjukkan keberhasilannya. Papan skor yang selalu memenangkan pihak penyelenggara tak lebih dari iklan.

Kami meluncurkan layanan ini melalui beberapa gerbang AI dan memberikan akses pratinjau ke model-model baru kepada perusahaan dari berbagai skala. Kami mengintegrasikan masukan mereka hampir secara waktu nyata untuk terus meningkatkan kinerja model.

Pareto dilaporkan memproses lebih dari dua triliun token dalam 48 jam pertamanya. Apa yang diungkapkan oleh permintaan awal tersebut tentang pasar inferensi AI yang hemat biaya, dan apa tantangan teknis terbesar dalam mempertahankan kinerja, keandalan, dan skalabilitas pada volume sebesar itu?

Permintaan mencapai beberapa kali lipat dari perkiraan kami dan para mitra, dan sayangnya kapasitas komputasi kami tidak cukup untuk melayaninya dengan baik. Pada hari pertama, permintaan melampaui 5 hingga 10 miliar token per menit. Kami melayani sekitar 1,6 miliar. Untuk memenuhi seluruh permintaan itu dengan baik secara gratis, biayanya akan mencapai jutaan dolar per hari.

Hal yang kami pelajari: harga menghambat banyak penggunaan AI. Ada pengembang yang produknya berfungsi pada satu tingkat harga, tetapi tidak pada harga lima kali lipatnya. Turunkan harganya, dan mereka pun datang.

Bagian tersulitnya sederhana: kapasitas kami habis. Pada hari pertama, model menjadi cukup lambat hingga sebagian orang menyerah menggunakannya. Kami menambah kapasitas yang tersedia dalam semalam dan beralih ke akses berbayar dua hari setelah peluncuran. Itulah cara yang jujur untuk membatasi penggunaan.

Kami juga mempelajari sesuatu tentang keterbukaan informasi. Sebagian pengguna merasa disesatkan ketika mengetahui bahwa Union Alpha terdiri atas beberapa model yang bekerja bersama, bukan satu model. Hal itu memang menjadi bagian dari tujuan saat kami meluncurkannya bersama para mitra sebagai “model lain saja”—secara praktis, tidak ada perbedaan dalam cara pengguna seharusnya merasakan keluaran sebuah router.

Retensi data nol juga merupakan bagian penting dari posisi Pareto, terutama karena perusahaan semakin khawatir tentang informasi sensitif yang melewati penyedia AI pihak ketiga. Bagaimana Anda menerapkan dan memverifikasi perlindungan ini ketika ada beberapa model yang mendasarinya, dan jaminan apa yang dapat diperoleh pelanggan perusahaan mengenai penanganan data mereka?

Dalam paket kami yang menerapkan retensi data nol, kami tidak menyimpan perintah maupun keluaran Anda, dan penyedia mana pun yang menerima data tersebut dari kami juga tidak menyimpannya.

Jika beberapa model terlibat, janji retensi data nol hanya sekuat mata rantainya yang paling lemah. Karena itu, permintaan ZDR hanya dikirim ke model yang beroperasi dengan ketentuan tanpa retensi data. Jika penyedia tidak dapat memenuhi ketentuan tersebut, penyedia itu tidak akan menerima lalu lintas ZDR.

Pelanggan perusahaan mendapatkannya secara tertulis: perjanjian pemrosesan data dan adendum ZDR. Kami juga menjelaskan dengan tegas paket mana yang tidak menerapkan ZDR agar tidak ada yang salah memilih. Untuk perusahaan yang ingin memastikan datanya tidak pernah meninggalkan gedung mereka, kami sedang mengembangkan versi yang dapat dijalankan pada perangkat keras mereka sendiri. Informasi lebih lanjut akan segera kami sampaikan.

Ketika agen AI beralih dari menjawab pertanyaan ke menjalankan alur kerja kompleks yang terdiri atas banyak langkah, kesalahan kecil dalam penalaran dapat menumpuk dan berujung pada kegagalan besar. Bagaimana Pareto menangani masalah seperti halusinasi, keluaran model yang saling bertentangan, dan keandalan dalam tugas agen yang berlangsung panjang? Apakah menggabungkan beberapa model dapat menimbulkan jenis kegagalan baru?

Inilah masalah yang pertama kali kami hadapi. Di luar demo, agen tidak mampu menjalankan tugas dengan baik. Satu kesalahan kecil pada langkah kedua bisa menjadi kesalahan besar pada langkah kesepuluh.

Beberapa model membantu menangani langkah-langkah yang sulit. Model-model itu dapat mengerjakan masalah yang sama secara terpisah, saling memeriksa, atau mengonfirmasi hasil sebelum agen melanjutkan. Satu model saja tidak memiliki pendapat kedua. Pareto memilikinya.

Kami mengukur kepuasan pengguna dan kinerja pada tugas nyata, menerbitkan hasilnya—termasuk hasil yang buruk—dan memperbaiki masalah yang kami temukan. Pelanggan yang membutuhkan perilaku yang sama setiap saat dapat menetapkan satu versi Pareto agar perilakunya tidak berubah.

Melalui ATXP dan Unbiased, Circuit & Chisel menangani dua tantangan penting bagi agen otonom: mengakses kecerdasan secara efisien dan membayar layanan yang mereka gunakan. Bagaimana Anda membayangkan kedua kemampuan ini akan berpadu, dan mungkinkah kelak kita melihat agen memilih, membeli, dan mengoordinasikan model AI serta alat eksternal secara mandiri berdasarkan kinerja, biaya, dan kebutuhan tugas?

Ya. Ke arah itulah perkembangannya.

Saat ini, seseorang menentukan model yang akan digunakan, alat yang akan dipanggil, dan cara membayarnya. Semakin lama, pilihan-pilihan itu akan dibuat melalui agen. Agen akan memilih model yang tepat untuk setiap langkah, menemukan alat yang dibutuhkan, membayar setiap penyedia, lalu memeriksa hasilnya sebelum melanjutkan.

Untuk itu, diperlukan dua hal. Pertama, cara untuk mendapatkan kecerdasan yang tepat bagi setiap tugas, yaitu Pareto. Kedua, cara untuk membuktikan identitas dan melakukan pembayaran, yaitu tujuan awal ATXP dibangun.

Banyak perusahaan kini sedang menggarap hal-hal seperti batasan, tanggung jawab hukum, dan sebagainya sebelum siapa pun memercayakan uang kepada agen. Itulah sebabnya kami memulai dengan penilaian. Fitur pembayaran akan semakin berguna seiring meningkatnya kepercayaan Anda kepada agen yang menggunakannya.

Ke depan, apakah Anda percaya terobosan besar AI berikutnya terutama akan muncul dari pelatihan model individual yang semakin canggih, atau dari pengembangan sistem yang secara cerdas menggabungkan model dan kemampuan yang sudah ada? Menurut Anda, bagaimana perbedaan ini akan membentuk persaingan antara perusahaan AI baru dan penyedia model terdepan utama dalam beberapa tahun ke depan?

Keduanya. Laboratorium AI akan terus menghasilkan model yang lebih baik, dan itu sangat penting. Kami memastikan orang tidak merasa perlu membaca tentang dan menguji setiap model. Kami harus menghadirkan model yang tepat untuk tugas yang tepat, dengan ROI yang tepat. Tidak ada lagi kelelahan akibat terlalu banyak pilihan model.

Kami tidak akan pernah bisa menandingi belanja laboratorium AI untuk pelatihan model; kami membangun di atas hasil kerja mereka dan membantu mendistribusikannya. Setiap kali sebuah laboratorium AI meluncurkan model yang lebih baik, Pareto juga menjadi lebih baik.

Laboratorium AI bisa membangun ini sendiri, dan beberapa di antaranya akan melakukannya. Namun, perute buatan sebuah laboratorium AI akan memihak model-modelnya sendiri. Kami tidak memiliki model, jadi satu-satunya cara bagi kami untuk menang adalah memastikan pelanggan mendapatkan jawaban terbaik sesuai uang yang mereka keluarkan. Semakin banyak model yang tersedia, semakin penting hal itu.

Terima kasih atas wawancara yang luar biasa ini. Para pembaca yang ingin mengetahui lebih lanjut tentang Pareto, infrastruktur agen, serta perangkat yang menghubungkan penalaran AI dengan identitas dan pembayaran, silakan mengunjungi Circuit & Chisel.