Louis Amira, fondatore di Circuit & Chisel – Intervista

Louis Amira è il fondatore di Circuit & Chisel e ha maturato esperienza nella creazione di prodotti e partnership nei settori dell’IA, delle criptovalute e dei pagamenti. Nel corso della sua carriera ha cofondato un’impresa all’interno dell’incubatore Area 120 di Google, ha lavorato presso Chainlink e ha guidato le partnership nei settori delle criptovalute e dell’IA in Stripe. Ha fondato Circuit & Chisel insieme a David Noël-Romas per colmare le lacune infrastrutturali che impediscono agli agenti di IA di svolgere attività utili e affidabili per le aziende.

Circuit & Chisel sviluppa infrastrutture per agenti di IA ed è la società che ha creato ATXP, Unbiased e Pareto. ATXP offre agli agenti funzionalità di identità e pagamento, mentre Pareto combina modelli di frontiera e modelli a pesi aperti per migliorare la qualità e ridurre i costi dell’inferenza IA. Unbiased consente di accedere a Pareto attraverso la propria piattaforma. In questa intervista, Amira parla di orchestrazione dei modelli, valutazione, economia dell’inferenza, conservazione dei dati e rapporto tra il ragionamento affidabile degli agenti e i pagamenti autonomi.

La tua carriera ti ha portato dall’incubatore Area 120 di Google alla guida delle partnership nei settori delle criptovalute e dell’IA in Stripe, prima di fondare Circuit & Chisel. Che cosa ti hanno insegnato queste esperienze sulle infrastrutture di cui avrebbero avuto bisogno gli agenti di IA e che cosa ti ha spinto, in definitiva, a fondare la società?

In Google ho cofondato un’azienda all’interno di Area 120. La lezione che ne ho tratto è che ciò che costruisci per primo determina ciò che potrai costruire in seguito. In Chainlink e Stripe ho visto lo stesso schema da un’altra prospettiva. Le nuove tecnologie funzionavano nelle dimostrazioni, con il bel tempo e nelle condizioni ideali, ma poi si bloccavano perché mancavano ancora le infrastrutture necessarie per operare nel mondo reale.

David e io abbiamo fondato Circuit & Chisel per creare agenti capaci di svolgere attività concrete per aziende reali. Continuavano a fallire per motivi banali: un agente non poteva dimostrare la propria identità e non poteva pagare. Così abbiamo creato ATXP per fornire agli agenti un’identità e un modo per effettuare pagamenti.

Poi abbiamo incontrato il problema successivo. Un agente capace di agire deve anche fornire risposte corrette, a un costo adeguato all’attività. Da qui è nato Pareto. In entrambi i casi abbiamo seguito lo stesso istinto: individuare ciò che mancava e costruirlo.

Inizialmente Circuit & Chisel si è concentrata su ATXP, un protocollo progettato per consentire pagamenti autonomi tra agenti di IA, per poi estendere la propria attività alle infrastrutture per i modelli di IA con Unbiased e Pareto. Che cosa ha determinato questa evoluzione e in che modo queste tecnologie si inseriscono nella vostra visione più ampia dell’economia degli agenti?

I nostri clienti (e i loro agenti) ci hanno dimostrato che ATXP funzionava. Gli agenti potevano avere un’identità e spendere denaro. Ma, quando abbiamo incontrato le aziende, ci siamo resi conto che il loro problema principale non erano i pagamenti: era potersi fidare dei risultati. Nessuno affida un budget a un agente che sceglie il modello sbagliato per un’attività o dà una risposta errata.

Perciò, all’inizio di quest’anno abbiamo intensificato il lavoro sulla qualità e sui costi. Da lì è nato Pareto.

I due prodotti sono ancora complementari. Pareto determina come un agente elabora un’attività. ATXP gli permette di agire e pagare. Servono entrambi, in quest’ordine, perché nessuno affida un portafoglio a un agente prima di fidarsi del suo giudizio. Noi, però, li abbiamo creati nell’ordine sbagliato.

Pareto adotta un approccio diverso da quello dei tradizionali modelli linguistici di grandi dimensioni: combina i risultati di più modelli di frontiera e a pesi aperti, anziché affidarsi a un singolo modello o a un sistema di instradamento convenzionale. Puoi spiegarci come funziona questa architettura, in particolare come sintetizza risposte contrastanti per ottenere un risultato più accurato o utile?

Pareto è un sistema, non un singolo modello. Affida le attività a modelli di diversi laboratori, sia di frontiera sia a pesi aperti, assegnando a ciascuno un compito. Più modelli potrebbero essere in grado di svolgere il lavoro, anche se a volte le attività sono complesse e serve un modello che esamini la situazione e fornisca indicazioni. La scelta dei modelli da attivare dipende dai punteggi ottenuti da ciascuno in termini di capacità, costo, velocità e affidabilità per quel tipo di attività, oltre che dal livello di verifica che l’attività richiede.

Non facciamo la media delle risposte. La media confonde gli errori. Vogliamo che i modelli siano in disaccordo, perché è proprio lì che emergono gli errori. Quando cambia la combinazione di modelli disponibili, ripetiamo i test e pubblichiamo una nuova versione numerata di Pareto.

Una delle promesse centrali di Pareto è offrire un’intelligenza di livello paragonabile a quella dei modelli di frontiera a costi notevolmente inferiori. Considerato che alla generazione di una risposta possono contribuire più modelli, come riuscite a ottenere questi risparmi e quali compromessi comportano in termini di costi di inferenza, latenza e qualità dei risultati?

Il compito di Pareto è fornire risposte di livello paragonabile a quelle dei modelli di frontiera. Il risparmio deriva dal modo in cui le ottiene.

La maggior parte delle richieste che le persone inviano all’IA è di routine. Un modello meno costoso risponde correttamente a queste richieste con la stessa frequenza del modello più costoso. Pareto le affida a questi modelli e riserva i modelli di frontiera, o la collaborazione tra più modelli, alle richieste che ne hanno bisogno. Nei test che abbiamo pubblicato, questa combinazione ha ottenuto risultati a pochi punti da GPT-6 Astra e Claude Opus 5.5 nella maggior parte dei principali benchmark, con un costo per attività inferiore del 30-70%.

Non ci sono compromessi significativi. Pareto non instrada perfettamente ogni richiesta, ma misuriamo la frequenza degli errori di instradamento e lavoriamo per migliorare i risultati, che pubblichiamo!

Il tuo team ha pubblicato risultati di benchmark che collocano Pareto in una posizione competitiva rispetto ai principali modelli proprietari e a pesi aperti, includendo confronti con GPT-6 Astra e Claude Opus 5.5. Come vi assicurate che queste valutazioni rispecchino le prestazioni nel mondo reale e non un’ottimizzazione specifica per i benchmark? E in quali ambiti i modelli di frontiera mantengono ancora un vantaggio significativo su Pareto?

Pubblichiamo il codice di valutazione, così chiunque può ripetere i nostri test. Tutti i modelli vengono sottoposti allo stesso sistema di valutazione, Pareto compreso. Inoltre, mostriamo anche le sconfitte di Pareto, proprio come le vittorie. Una classifica in cui la casa vince sempre è solo una pubblicità.

Abbiamo lanciato il servizio su diversi gateway di IA e abbiamo fornito alle aziende di ogni dimensione l’accesso in anteprima ai nuovi modelli. Integriamo i loro feedback quasi in tempo reale per migliorare costantemente le prestazioni del modello.

A quanto riferito, Pareto ha elaborato più di due trilioni di token nelle prime 48 ore dal lancio. Che cosa ha rivelato questa domanda iniziale sul mercato dell’inferenza IA a costi contenuti e quali sono state le principali difficoltà tecniche nel mantenere prestazioni, affidabilità e scalabilità a quei volumi?

La domanda è stata molte volte superiore a quella che noi e i nostri partner ci aspettavamo e, purtroppo, non avevamo una capacità di calcolo sufficiente per soddisfarla adeguatamente. Il primo giorno, la domanda ha superato i 5-10 miliardi di token al minuto. Noi ne servivamo circa 1,6 miliardi. Soddisfare adeguatamente tutta quella domanda gratuitamente sarebbe costato molti milioni di dollari al giorno.

Ci ha fatto capire che il prezzo frena molti utilizzi dell’IA. Ci sono sviluppatori i cui prodotti funzionano a un certo prezzo, ma non a un prezzo cinque volte più alto. Se il prezzo scende, arrivano.

La difficoltà maggiore era semplice: abbiamo esaurito la capacità. Il primo giorno il modello è diventato così lento che alcuni utenti hanno rinunciato a usarlo. Durante la notte abbiamo attivato ulteriore capacità e, due giorni dopo il lancio, siamo passati all’accesso a pagamento: è il modo corretto di razionare l’accesso.

Abbiamo anche imparato qualcosa sulla trasparenza. Alcuni utenti si sono sentiti fuorviati quando hanno scoperto che Union Alpha era composto da diversi modelli che lavoravano insieme, e non da un solo modello. Era proprio questo uno degli obiettivi del lancio con i partner, presentandolo come «un altro modello»: dal punto di vista pratico, per gli utenti non dovrebbe esserci differenza nel modo in cui vivono l’esperienza del risultato prodotto da un sistema di instradamento.

La conservazione zero dei dati è un altro elemento centrale del posizionamento di Pareto, soprattutto perché le aziende sono sempre più preoccupate che informazioni sensibili transitino attraverso fornitori di IA terzi. Come applicate e verificate queste protezioni quando sono coinvolti più modelli sottostanti? E quali garanzie possono ottenere i clienti aziendali sul trattamento dei loro dati?

Con i nostri piani con conservazione zero dei dati, non memorizziamo i prompt né i risultati, e lo stesso vale per tutti i fornitori a cui li inviamo.

Quando nella catena sono coinvolti diversi modelli, una promessa di conservazione zero dei dati è solida solo quanto il suo anello più debole. Perciò, le richieste soggette a ZDR vengono inviate esclusivamente a modelli che operano secondo condizioni di conservazione zero. Se un fornitore non è in grado di rispettare tali condizioni, non riceve traffico ZDR.

I clienti aziendali ricevono garanzie per iscritto: un accordo sul trattamento dei dati e un’appendice ZDR. Indichiamo chiaramente anche quali piani non prevedono ZDR, così nessuno finisce nel gruppo sbagliato. Per le aziende che vogliono che i propri dati non escano mai dai propri edifici, stiamo lavorando a una versione eseguibile sul loro hardware. Presto avremo altre novità.

Man mano che gli agenti IA passano dal rispondere alle domande all’esecuzione di flussi di lavoro complessi e articolati in più passaggi, piccoli errori di ragionamento possono accumularsi e causare gravi problemi. In che modo Pareto affronta questioni come le allucinazioni, i risultati contrastanti tra modelli e l’affidabilità durante attività prolungate svolte da agenti? E la combinazione di più modelli può introdurre nuove modalità di errore?

È il primo problema in cui ci siamo imbattuti. Fuori da una demo, gli agenti cedono. Un piccolo errore al secondo passaggio diventa un errore grave al decimo.

Più modelli sono utili nei passaggi più difficili. Possono affrontare separatamente lo stesso problema, verificare il lavoro l’uno dell’altro o confermare un risultato prima che l’agente proceda. Un singolo modello non ha una seconda opinione. Pareto sì.

Misuriamo la soddisfazione degli utenti e le prestazioni su attività reali, pubblichiamo i risultati, compresi quelli negativi, e correggiamo i problemi che riscontriamo. I clienti che hanno bisogno di un comportamento identico ogni volta possono fissare una versione di Pareto, così non cambia inaspettatamente.

Con ATXP e Unbiased, Circuit & Chisel affronta due sfide importanti per gli agenti autonomi: accedere all’intelligenza in modo efficiente e pagare i servizi che utilizzano. Come immaginate che queste capacità possano convergere? E potremmo arrivare a vedere agenti che selezionano, acquistano e coordinano autonomamente modelli di IA e strumenti esterni in base a prestazioni, costi e requisiti dell’attività?

Sì. È questa la direzione.

Oggi è una persona a decidere quale modello usare, quali strumenti chiamare e come pagarli. Sempre più spesso, a compiere queste scelte sarà un agente. Sceglierà il modello giusto per ogni passaggio, troverà gli strumenti necessari, pagherà ciascun fornitore e verificherà i risultati prima di procedere.

Servono due cose. Un modo per ottenere l’intelligenza giusta per ogni attività: questo è Pareto. E un modo per dimostrare la propria identità e pagare: è a questo scopo che ATXP è stato inizialmente creato.

Molte aziende stanno lavorando a questioni come limiti, responsabilità e così via, prima di affidare denaro agli agenti. Per questo abbiamo iniziato dal giudizio. La componente dei pagamenti diventa più utile quanto più ci si fida dell’agente che la utilizza.

Guardando al futuro, credi che la prossima grande svolta nell’IA deriverà soprattutto dall’addestramento di singoli modelli sempre più potenti o dallo sviluppo di sistemi capaci di combinare in modo intelligente modelli e funzionalità già esistenti? In che modo, secondo te, questa distinzione influenzerà la competizione tra le nuove aziende di IA e i principali fornitori di modelli di frontiera nei prossimi anni?

Entrambe le cose. I laboratori continueranno a realizzare modelli migliori, e questo conta molto. Facciamo in modo che le persone non sentano il bisogno di informarsi su ciascun modello e di provarlo. Dovremmo fornire il modello giusto per l’attività giusta, con il giusto ritorno sull’investimento. Niente più stanchezza da modelli.

Non potremo mai spendere più dei laboratori per l’addestramento: sviluppiamo il nostro lavoro a partire dai loro progressi e contribuiamo a diffonderli. Ogni volta che un laboratorio lancia un modello migliore, anche Pareto migliora.

I laboratori potrebbero realizzare questo sistema da soli, e alcuni lo faranno. Ma il router di un laboratorio favorisce la propria squadra. Noi non possediamo un modello, quindi possiamo vincere solo se il cliente ottiene la risposta migliore per il prezzo pagato. Più modelli ci sono, più questo conta.

Grazie per la splendida intervista. I lettori che desiderano saperne di più su Pareto, sulle infrastrutture per agenti e sugli strumenti che collegano il ragionamento dell’IA all’identità e ai pagamenti dovrebbero visitare Circuit & Chisel.