Louis Amira, Circuit & Chisel 창립자 – 인터뷰 시리즈

Louis Amira는 Circuit & Chisel의 창립자로, AI, 암호화폐, 결제 분야에서 제품과 파트너십을 구축한 경험을 바탕으로 활동하고 있습니다. Google의 Area 120 인큐베이터에서 벤처 기업을 공동 창업하고, Chainlink에서 근무했으며, Stripe에서 암호화폐 및 AI 파트너십을 이끈 경력이 있습니다. 그는 기업이 AI 에이전트를 활용해 안정적이고 유용한 업무를 수행하는 데 걸림돌이 되는 인프라 격차를 해소하기 위해 David Noël-Romas와 함께 Circuit & Chisel을 시작했습니다.

Circuit & Chisel은 AI 에이전트를 위한 인프라를 구축하며 ATXP, Unbiased, Pareto를 개발한 회사입니다. ATXP는 에이전트에 신원 확인 및 결제 기능을 제공하고, Pareto는 AI 추론의 품질과 비용 문제를 해결하기 위해 최첨단 모델과 오픈 웨이트 모델을 결합합니다. Unbiased는 자사 플랫폼을 통해 Pareto를 이용할 수 있도록 합니다. 이번 인터뷰에서 Amira는 모델 오케스트레이션, 평가, 추론 경제성, 데이터 보존, 안정적인 에이전트 추론과 자율 결제의 관계에 관해 이야기합니다.

Google의 Area 120 인큐베이터에서 시작해 Stripe에서 암호화폐 및 AI 파트너십을 이끌고, 이후 Circuit & Chisel을 공동 창업하기까지 경력을 쌓아오셨습니다. 이러한 경험을 통해 AI 에이전트에 필요한 인프라에 대해 무엇을 배웠으며, 궁극적으로 회사를 창업하게 된 계기는 무엇인가요?

Google에서 Area 120 내에 회사를 공동 창업했습니다. 그때 얻은 교훈은 처음에 무엇을 만드느냐가 나중에 무엇을 만들 수 있을지를 좌우한다는 것이었습니다. Chainlink와 Stripe에서는 같은 양상을 반대편에서 목격했습니다. 신기술은 화창하고 조건이 완벽한 날의 데모 환경에서는 잘 작동하다가도, 현실 세계에 필요한 기반 시설이 갖춰져 있지 않아 결국 진전을 멈추곤 했습니다.

David와 저는 실제 기업을 위해 실질적인 업무를 수행하는 에이전트를 만들고자 Circuit & Chisel을 시작했습니다. 에이전트는 사소해 보이는 이유로 계속 실패했습니다. 자신의 신원을 증명할 수 없었고, 어떤 것에 대해서도 결제할 수 없었습니다. 그래서 에이전트에 신원과 결제 수단을 제공하기 위해 ATXP를 만들었습니다.

그러고 나서 다음 장벽에 부딪혔습니다. 행동할 수 있는 에이전트라면 업무에 맞는 비용으로 정확한 결과도 내야 합니다. 이를 위해 만든 것이 Pareto입니다. 두 차례 모두 기본 발상은 같았습니다. 빠진 부분을 찾아 직접 만드는 것이었습니다.

Circuit & Chisel은 처음에 AI 에이전트 간 자율 결제를 가능하게 하도록 설계된 프로토콜 ATXP에 집중하다가, Unbiased와 Pareto를 통해 AI 모델 인프라 분야로 확장했습니다. 이러한 변화의 계기는 무엇이었으며, 이 기술들은 에이전트 경제에 대한 더 큰 비전과 어떻게 맞물리나요?

고객과 고객의 에이전트는 ATXP가 제대로 작동한다는 점을 보여줬습니다. 에이전트는 신원을 보유하고 돈을 쓸 수 있었습니다. 하지만 기업들과 함께 문제를 살펴보니 가장 먼저 해결해야 할 것은 결제가 아니었습니다. 결과에 대한 신뢰였습니다. 업무에 맞지 않는 모델을 선택하거나 답을 틀리는 에이전트에게 예산을 맡길 기업은 없습니다.

그래서 올해 초 품질과 비용 개선 작업을 본격적으로 확대했습니다. 그 결과물이 Pareto였습니다.

두 기술은 여전히 서로 맞물립니다. Pareto는 에이전트가 업무를 어떻게 추론할지 결정하고, ATXP는 에이전트가 행동하고 결제할 수 있게 합니다. 둘 다 필요하며, 순서도 중요합니다. 에이전트의 판단을 신뢰하기 전에 지갑부터 맡기는 사람은 없기 때문입니다. 다만 우리는 개발 순서를 거꾸로 잡았을 뿐입니다.

Pareto는 단일 모델이나 기존의 라우팅 시스템에 의존하는 대신 여러 최첨단 모델과 오픈 웨이트 모델의 출력을 결합한다는 점에서 기존 대규모 언어 모델과 다른 접근 방식을 취합니다. 이 아키텍처가 어떻게 작동하는지, 특히 서로 다른 응답을 종합해 더 정확하고 유용한 결과를 만드는 방식을 설명해 주시겠어요?

Pareto는 단일 모델이 아니라 시스템입니다. 여러 연구소의 최첨단 모델과 오픈 웨이트 모델에 작업을 나눠 맡기고, 각 모델에 역할을 부여합니다. 여러 모델이 해당 작업을 수행할 수 있는 경우도 있지만, 때로는 작업이 복잡해 검토와 조언을 맡을 모델이 필요합니다. 이런 유형의 작업에서 각 모델의 역량, 비용, 속도, 신뢰성 점수를 바탕으로 어떤 모델을 호출할지, 그리고 작업을 어느 정도까지 검증할지를 정합니다.

답변을 평균 내지는 않습니다. 평균을 내면 오류가 뒤섞여 흐려지기 때문입니다. 모델들이 서로 다른 의견을 내기를 바랍니다. 의견이 엇갈릴 때 실수가 드러나기 때문입니다. 사용 가능한 모델 구성이 바뀌면 다시 테스트하고 Pareto의 새 버전을 번호를 붙여 출시합니다.

Pareto의 핵심 약속 중 하나는 최첨단 수준의 지능을 훨씬 낮은 비용으로 제공하는 것입니다. 응답 생성에 여러 모델이 참여할 수 있는데도 어떻게 비용을 절감할 수 있나요? 추론 비용, 지연 시간, 출력 품질 사이에는 어떤 절충점이 있나요?

Pareto의 목표는 최첨단 수준의 답변을 제공하는 것입니다. 비용 절감은 그 답을 얻는 방식에서 비롯됩니다.

사람들이 AI에 보내는 요청 대부분은 일상적인 작업입니다. 저렴한 모델도 가장 비싼 모델만큼 자주 이런 요청에 정확하게 답합니다. Pareto는 이런 요청을 저렴한 모델에 보내고, 최첨단 모델이나 여러 모델의 협업이 필요한 요청에만 이들을 활용합니다. 공개한 테스트에서 이 조합은 대부분의 주요 벤치마크에서 GPT-6 Astra와 Claude Opus 5.5보다 몇 점 이내의 점수를 기록했으며, 작업당 비용은 30~70% 낮았습니다.

큰 절충점은 없습니다. Pareto가 모든 요청을 완벽하게 라우팅하지는 못하지만, 라우팅이 잘못되는 빈도를 측정하고 그 결과를 개선해 공개합니다!

귀사는 GPT-6 Astra와 Claude Opus 5.5를 포함한 비교 결과를 비롯해 Pareto가 주요 폐쇄형 모델 및 오픈 웨이트 모델과 경쟁력 있는 성능을 보인다는 벤치마크 결과를 발표했습니다. 이러한 평가가 특정 벤치마크에 맞춘 최적화가 아니라 실제 환경의 성능을 반영하도록 어떻게 보장하나요? 또한 프런티어 모델이 Pareto보다 여전히 뚜렷하게 앞서는 부분은 무엇인가요?

평가 코드를 공개하므로 누구나 저희가 산출한 수치를 다시 확인할 수 있습니다. Pareto를 포함해 모든 모델에 같은 평가 도구를 적용합니다. Pareto가 거둔 승리뿐 아니라 패배도 같은 비중으로 보여 줍니다. 늘 자사에 유리한 결과만 나오는 점수판은 그저 광고일 뿐입니다.

저희는 여러 AI 게이트웨이에서 서비스를 출시했고, 다양한 규모와 유형의 기업에 신규 모델 미리보기 이용 권한을 제공했습니다. 이들의 피드백을 거의 실시간으로 반영해 모델 성능을 끊임없이 개선하고 있습니다.

보도에 따르면 Pareto는 출시 후 첫 48시간 동안 2조 개가 넘는 토큰을 처리했습니다. 초기 수요를 통해 비용 효율적인 AI 추론 시장에 관해 무엇을 알게 되었나요? 또한 그 규모의 요청을 처리하면서 성능, 안정성, 확장성을 유지하는 데 가장 큰 기술적 어려움은 무엇이었나요?

수요는 저희와 파트너들이 예상한 것보다 몇 배나 많았고, 안타깝게도 이를 제대로 처리할 만큼 연산 자원이 충분하지 않았습니다. 첫날 수요는 분당 50억~100억 개를 넘어섰습니다. 저희가 처리한 양은 분당 약 16억 개였습니다. 그 모든 수요를 무료로 제대로 처리하려면 하루에 수백만 달러가 들었을 것입니다.

이를 통해 알게 된 점은 가격이 많은 AI 활용을 가로막고 있다는 것입니다. 어떤 가격에서는 제품이 작동하지만 그 가격의 5배가 되면 작동하지 않는 제품을 만드는 사람들이 있습니다. 가격을 낮추면 이들이 찾아옵니다.

가장 큰 문제는 단순했습니다. 처리 용량이 바닥났습니다. 첫날에는 모델이 너무 느려져 일부 사용자가 이용을 포기했습니다. 밤사이 처리 용량을 추가로 확보했고, 출시 이틀 뒤 유료 이용으로 전환했습니다. 이는 수요를 배분하는 정직한 방법입니다.

정보 공개에 관해서도 배운 점이 있습니다. 일부 사용자는 Union Alpha가 하나의 모델이 아니라 여러 모델이 함께 작동하는 방식이라는 사실을 알고 오해를 받았다고 느꼈습니다. 파트너들과 함께 이를 ‘그저 또 하나의 모델’로 출시한 데에는 그런 의도도 있었습니다. 라우터의 결과물을 사용자가 경험하는 방식에는 실질적인 차이가 없기 때문입니다.

제로 데이터 보존은 Pareto의 핵심 포지셔닝 요소 중 하나입니다. 특히 기업들이 민감한 정보가 제3자 AI 제공업체를 거치는 상황을 점점 더 우려하고 있습니다. 여러 기반 모델이 관여하는 경우 이러한 보호 조치를 어떻게 적용하고 검증하나요? 또한 기업 고객은 데이터 처리 방식에 관해 어떤 보장을 받을 수 있나요?

제로 데이터 보존 요금제에서는 저희가 프롬프트나 출력물을 저장하지 않으며, 해당 정보를 전달받는 제공업체도 저장하지 않습니다.

여러 모델을 거치는 경우 제로 데이터 보존(ZDR) 약속은 가장 취약한 연결 고리만큼만 유효합니다. 따라서 ZDR 요청은 데이터 보존을 하지 않는 조건으로 운영되는 모델에만 전달됩니다. 제공업체가 해당 조건을 충족하지 못하면 ZDR 요청을 받지 않습니다.

기업 고객에게는 데이터 처리 계약과 ZDR 부속 합의서를 서면으로 제공합니다. 또한 어떤 요금제가 ZDR에 해당하지 않는지도 명확히 알려 고객이 잘못된 선택을 하지 않도록 합니다. 데이터가 자사 건물 밖으로 절대 나가지 않기를 원하는 기업을 위해서는 자체 하드웨어에서 실행할 수 있는 버전을 개발하고 있습니다. 조만간 더 자세히 알려 드리겠습니다.

AI 에이전트가 질문에 답하는 단계에서 복잡한 다단계 작업을 수행하는 단계로 나아가면서, 작은 추론 오류도 누적되어 큰 실패로 이어질 수 있습니다. Pareto는 환각, 서로 상충하는 모델 출력, 장시간 이어지는 에이전트 작업의 안정성 같은 문제를 어떻게 해결하나요? 여러 모델을 결합하면 그 자체로 새로운 실패 유형이 생길 수도 있나요?

저희가 처음 맞닥뜨린 문제가 바로 이것입니다. 시연을 벗어나면 에이전트는 제대로 작동하지 않습니다. 2단계에서 생긴 작은 실수가 10단계에 이르면 큰 문제가 됩니다.

여러 모델을 활용하면 어려운 단계를 해결하는 데 도움이 됩니다. 모델들은 같은 문제를 각각 풀고 서로의 답을 확인하거나, 에이전트가 다음 단계로 넘어가기 전에 결과를 검증할 수 있습니다. 단일 모델에는 다른 의견을 제시할 상대가 없습니다. Pareto에는 있습니다.

실제 작업에서의 사용자 만족도와 성능을 측정하고, 좋지 않은 결과까지 포함해 결과를 공개한 다음 발견한 문제를 해결합니다. 매번 같은 방식으로 작동해야 하는 고객은 Pareto 버전을 고정해 동작이 바뀌지 않도록 할 수 있습니다.

ATXP와 Unbiased를 통해 Circuit & Chisel은 자율 에이전트가 마주한 두 가지 중요한 과제, 즉 지능에 효율적으로 접근하는 일과 사용하는 서비스의 비용을 지불하는 일을 해결하고 있습니다. 이 두 기능이 어떻게 결합될 것으로 보시나요? 앞으로 에이전트가 성능, 비용, 작업 요건에 따라 AI 모델과 외부 도구를 독립적으로 선택하고 구매하며 조율하게 될까요?

그렇습니다. 앞으로는 그렇게 될 것입니다.

현재는 사람이 어떤 모델을 사용할지, 어떤 도구를 호출할지, 비용을 어떻게 지불할지를 결정합니다. 하지만 앞으로는 점점 더 에이전트가 이런 결정을 내리게 될 것입니다. 에이전트는 각 단계에 알맞은 모델을 선택하고, 필요한 도구를 찾고, 제공업체마다 비용을 지불한 뒤 다음 단계로 넘어가기 전에 결과를 확인할 것입니다.

그러려면 두 가지가 필요합니다. 각 작업에 적합한 지능을 확보하는 방법이 필요하며, 이것이 Pareto입니다. 그리고 신원을 증명하고 대금을 지불하는 방법이 필요하며, 이것이 ATXP의 당초 개발 목적입니다.

많은 기업이 에이전트에게 돈을 맡기기 전에 한도나 책임 소재 같은 문제를 해결하려고 노력하고 있습니다. 그래서 우리는 판단력부터 다루기 시작했습니다. 결제 기능은 이를 사용하는 에이전트를 더 신뢰할수록 더욱 유용해집니다.

앞으로 AI의 다음 주요 돌파구는 점점 더 강력한 개별 모델을 훈련하는 데서 주로 나올 것이라고 보시나요, 아니면 기존 모델과 역량을 지능적으로 결합하는 시스템을 개발하는 데서 나올 것이라고 보시나요? 이러한 차이가 향후 몇 년 동안 신생 AI 기업과 주요 프런티어 모델 제공업체 간의 경쟁 구도를 어떻게 형성할 것으로 보시나요?

둘 다입니다. 연구소들은 계속 더 나은 모델을 만들 것이고, 이는 매우 중요합니다. 우리는 사람들이 각 모델에 대해 찾아보고 직접 시험해 봐야 한다고 느끼지 않도록 합니다. 적절한 작업에 알맞은 모델을 적절한 투자수익률로 제공해야 합니다. 더는 모델 피로감에 시달리지 않도록 말이죠.

우리는 연구소들보다 모델 훈련에 더 많은 돈을 쓸 수는 없습니다. 연구소들의 성과를 바탕으로 개발하고 모델을 더 널리 보급하도록 돕습니다. 연구소가 더 나은 모델을 출시할 때마다 Pareto도 함께 발전합니다.

연구소들이 직접 이런 시스템을 만들 수도 있고, 실제로 그렇게 하는 곳도 있을 겁니다. 하지만 연구소의 라우터는 자기 진영에 유리하게 작동합니다. 우리는 소유한 모델이 없으므로, 고객이 지불한 금액에 걸맞은 최선의 답변을 얻어야만 승산이 있습니다. 모델이 많아질수록 그 점은 더욱 중요해집니다.

훌륭한 인터뷰 감사합니다. Pareto와 에이전트 인프라, 그리고 AI 추론을 신원 확인 및 결제와 연결하는 도구에 대해 더 알아보고 싶은 독자라면 Circuit & Chisel을 방문해 보세요.