Louis Amira, oprichter van Circuit & Chisel – interviewreeks

Louis Amira is de oprichter van Circuit & Chisel en brengt ervaring mee met het ontwikkelen van producten en het opbouwen van partnerschappen op het gebied van AI, crypto en betalingen. In zijn loopbaan was hij medeoprichter van een onderneming binnen Googles incubator Area 120, werkte hij bij Chainlink en leidde hij bij Stripe de partnerschappen op het gebied van crypto en AI. Samen met David Noël-Romas richtte hij Circuit & Chisel op om de lacunes in de infrastructuur aan te pakken die AI-agenten ervan weerhouden betrouwbaar en nuttig werk voor bedrijven te verrichten.

Circuit & Chisel bouwt infrastructuur voor AI-agenten en is het bedrijf achter ATXP, Unbiased en Pareto. ATXP biedt agenten mogelijkheden voor identiteitsbeheer en betalingen, terwijl Pareto grensverleggende modellen en modellen met open gewichten combineert om de kwaliteit en kosten van AI-inferentie aan te pakken. Via het platform van Unbiased krijgen gebruikers toegang tot Pareto. In dit interview bespreekt Amira modelorkestratie, evaluatie, de economie van inferentie, gegevensbewaring en het verband tussen betrouwbaar redeneren door agenten en autonome betalingen.

Je loopbaan bracht je van Googles incubator Area 120 naar een leidinggevende rol op het gebied van crypto- en AI-partnerschappen bij Stripe, voordat je medeoprichter werd van Circuit & Chisel. Wat hebben die ervaringen je geleerd over de infrastructuur die AI-agenten nodig zouden hebben, en wat inspireerde je uiteindelijk om het bedrijf op te richten?

Bij Google was ik medeoprichter van een bedrijf binnen Area 120. De les die ik daaruit trok: wat je als eerste bouwt, bepaalt wat je later kunt bouwen. Bij Chainlink en Stripe zag ik hetzelfde patroon van de andere kant. Nieuwe technologie werkte in de demo-omgeving op zonnige dagen en onder perfecte omstandigheden, maar liep vervolgens vast omdat de benodigde infrastructuur voor de praktijk nog ontbrak.

David en ik hebben Circuit & Chisel opgericht om agenten te bouwen die echt werk doen voor echte bedrijven. Ze liepen steeds om alledaagse redenen vast. Een agent kon niet bewijzen wie hij was en kon nergens voor betalen. Daarom bouwden we ATXP, zodat agenten een identiteit en een manier om te betalen kregen.

Daarna liepen we tegen het volgende obstakel aan. Een agent die kan handelen, moet ook de juiste antwoorden geven, tegen een prijs die past bij de taak. Daarvoor is Pareto bedoeld. Beide keren volgden we hetzelfde instinct: zoek het ontbrekende onderdeel en bouw het.

Circuit & Chisel richtte zich aanvankelijk op ATXP, een protocol dat autonome betalingen tussen AI-agenten mogelijk moet maken, en breidde zijn activiteiten daarna uit naar AI-modelinfrastructuur met Unbiased en Pareto. Wat was de aanleiding voor die ontwikkeling, en hoe passen deze technologieën in je bredere visie op de economie van agenten?

Onze klanten (en hun agenten) lieten ons zien dat ATXP werkte. Agenten konden een identiteit hebben en geld uitgeven. Maar toen we met bedrijven om tafel gingen, bleek dat betalingen niet hun eerste probleem waren. Het ging om vertrouwen in de output. Niemand vertrouwt een agent een budget toe als die het verkeerde model voor de taak kiest of een fout antwoord geeft.

Daarom hebben we ons werk aan kwaliteit en kosten eerder dit jaar geïntensiveerd. Dat werd Pareto.

De twee vullen elkaar nog steeds aan. Pareto bepaalt hoe een agent over een taak nadenkt. Met ATXP kan de agent handelen en betalen. Je hebt ze allebei nodig, en in die volgorde, want niemand geeft een agent een portemonnee voordat die vertrouwen heeft in het beoordelingsvermogen ervan. We hebben ze alleen in de verkeerde volgorde gebouwd.

Pareto hanteert een andere aanpak dan traditionele grote taalmodellen: het combineert de output van meerdere grensverleggende modellen en modellen met open gewichten, in plaats van te vertrouwen op één model of een conventioneel routeringssysteem. Kun je uitleggen hoe deze architectuur werkt, en in het bijzonder hoe het systeem concurrerende antwoorden samenvoegt tot een nauwkeuriger of bruikbaarder resultaat?

Pareto is een systeem, geen afzonderlijk model. Het verdeelt werk over modellen van verschillende labs, zowel grensverleggende modellen als modellen met open gewichten, en geeft elk model een eigen taak. Meerdere modellen kunnen geschikt zijn voor het werk, maar soms is een taak complex en is er één nodig om het werk te beoordelen en advies te geven. Pareto bepaalt welke modellen worden ingeschakeld op basis van hun scores voor bekwaamheid, kosten, snelheid en betrouwbaarheid bij dit type taak. Ook bepaalt het hoeveel controle de taak vereist.

We middelen de antwoorden niet. Door antwoorden te middelen, vervagen de fouten met elkaar. We willen juist dat de modellen het oneens zijn, omdat fouten dan aan het licht komen. Als de beschikbare combinatie van modellen verandert, testen we opnieuw en brengen we een nieuwe genummerde versie van Pareto uit.

Een van de belangrijkste beloften van Pareto is dat het intelligentie op het niveau van de grensverleggende modellen levert tegen aanzienlijk lagere kosten. Hoe realiseren jullie die besparingen, aangezien meerdere modellen kunnen meewerken aan een antwoord, en welke afwegingen zijn er tussen inferentiekosten, latentie en de kwaliteit van de output?

Pareto moet antwoorden op het niveau van de grensverleggende modellen leveren. De lagere kosten zijn te danken aan de manier waarop het dat doet.

Het meeste wat mensen aan AI voorleggen, is routinewerk. Een goedkoper model beantwoordt zulke verzoeken net zo vaak goed als het duurste model. Pareto stuurt die verzoeken naar goedkopere modellen en bewaart de grensverleggende modellen, of de combinatie van meerdere samenwerkende modellen, voor verzoeken waarvoor die nodig zijn. In onze gepubliceerde tests scoorde die combinatie op de meeste belangrijke benchmarks binnen enkele punten van GPT-6 Astra en Claude Opus 5.5, tegen 30–70% lagere kosten per taak.

Er zijn geen noemenswaardige afwegingen. Pareto routeert niet elk verzoek perfect, maar we meten hoe vaak de routering verkeerd gaat en verbeteren de resultaten (en publiceren ze!).

Jullie team heeft benchmarkresultaten gepubliceerd waaruit blijkt dat Pareto kan concurreren met toonaangevende propriëtaire modellen en modellen met open gewichten, waaronder vergelijkingen met GPT-6 Astra en Claude Opus 5.5. Hoe zorgen jullie ervoor dat deze evaluaties de prestaties in de praktijk weerspiegelen en niet alleen optimalisatie voor specifieke benchmarks, en op welke punten hebben frontiermodellen nog steeds een betekenisvol voordeel ten opzichte van Pareto?

We publiceren de evaluatiecode, zodat iedereen onze resultaten opnieuw kan berekenen. Elk model wordt met dezelfde testopstelling geëvalueerd, ook Pareto. En we laten Pareto’s verliezen net zo goed zien als de overwinningen. Een scorebord waarop het huis altijd wint, is gewoon reclame.

We zijn beschikbaar gekomen via meerdere AI-gateways en hebben bedrijven van elke omvang vroegtijdig toegang gegeven tot nieuwe modellen. We verwerken hun feedback vrijwel in realtime om de prestaties van het model voortdurend te verbeteren.

Naar verluidt heeft Pareto in de eerste 48 uur meer dan twee biljoen tokens verwerkt. Wat heeft die aanvankelijke vraag onthuld over de markt voor kostenefficiënte AI-inferentie, en wat waren de grootste technische uitdagingen bij het handhaven van de prestaties, betrouwbaarheid en schaalbaarheid op dat volume?

De vraag was meerdere keren zo groot als wij en onze partners hadden verwacht. Helaas hadden we niet genoeg rekenkracht om die goed aan te kunnen. Op de eerste dag liep de vraag op tot meer dan 5 tot 10 miljard tokens per minuut. Wij verwerkten er ongeveer 1,6 miljard. Om aan al die vraag gratis goed te kunnen voldoen, zouden de kosten vele miljoenen dollars per dag hebben bedragen.

Wat we ervan hebben geleerd: de prijs remt veel AI-gebruik af. Er zijn ontwikkelaars bij wie het product tegen de ene prijs werkt, maar tegen een prijs die vijf keer zo hoog is niet. Verlaag de prijs en ze komen op je af.

Het moeilijkste was eenvoudig: onze capaciteit raakte op. Op dag één werd het model zo traag dat sommige mensen afhaakten. We hebben ‘s nachts extra capaciteit in gebruik genomen en zijn twee dagen na de lancering overgestapt op betaalde toegang. Dat is de eerlijke manier om de toegang te beperken.

We hebben ook iets geleerd over transparantie. Sommige gebruikers voelden zich misleid toen ze ontdekten dat Union Alpha bestond uit meerdere modellen die samenwerkten, en niet uit één model. Dat was mede de bedoeling toen we het samen met onze partners lanceerden als ‘gewoon weer een model’: in de praktijk zouden gebruikers de uitvoer van een router niet anders moeten ervaren.

Zero data retention is een ander belangrijk onderdeel van de positionering van Pareto, vooral nu bedrijven zich steeds meer zorgen maken over gevoelige informatie die via externe AI-aanbieders loopt. Hoe dwingen jullie deze bescherming af en controleren jullie die wanneer er meerdere onderliggende modellen bij betrokken zijn, en welke garanties kunnen zakelijke klanten krijgen over de manier waarop hun gegevens worden verwerkt?

Bij onze abonnementen met zero data retention slaan wij je prompts of uitvoer niet op, en dat geldt ook voor de aanbieders naar wie we die sturen.

Wanneer er meerdere modellen in de keten zitten, is een ZDR-toezegging slechts zo sterk als de zwakste schakel. Daarom worden ZDR-verzoeken alleen doorgestuurd naar modellen die onder voorwaarden voor zero data retention draaien. Voldoet een aanbieder niet aan die voorwaarden, dan ontvangt die geen ZDR-verkeer.

Zakelijke klanten krijgen dit zwart op wit: een verwerkersovereenkomst en een ZDR-addendum. We geven ook duidelijk aan welke abonnementen geen ZDR bieden, zodat niemand per ongeluk het verkeerde abonnement kiest. Voor bedrijven die willen dat hun gegevens hun eigen pand nooit verlaten, werken we aan een versie die ze op hun eigen hardware kunnen draaien. Daarover binnenkort meer.

Nu AI-agenten zich ontwikkelen van systemen die vragen beantwoorden tot systemen die complexe workflows met meerdere stappen uitvoeren, kunnen kleine redeneerfouten uitgroeien tot grote problemen. Hoe pakt Pareto problemen aan zoals hallucinaties, tegenstrijdige modeluitvoer en betrouwbaarheid tijdens langdurige taken van agenten, en kan het combineren van meerdere modellen zelf nieuwe manieren van falen introduceren?

Dit is het probleem waar we als eerste tegenaan liepen. Buiten een demo vallen agenten uit elkaar. Een kleine fout in stap twee wordt een grote fout in stap tien.

Meerdere modellen helpen bij de lastige stappen. Ze kunnen onafhankelijk aan hetzelfde probleem werken, elkaars werk controleren of een resultaat bevestigen voordat de agent verdergaat. Eén model heeft geen tweede mening. Pareto wel.

We meten de gebruikerstevredenheid en prestaties bij echte taken, publiceren de resultaten, ook de slechte, en lossen de problemen op die we tegenkomen. Klanten die elke keer hetzelfde gedrag nodig hebben, kunnen een versie van Pareto vastzetten, zodat die niet onverwacht verandert.

Met ATXP en Unbiased pakt Circuit & Chisel twee belangrijke uitdagingen voor autonome agenten aan: efficiënt toegang krijgen tot intelligentie en betalen voor de diensten die ze gebruiken. Hoe zien jullie deze mogelijkheden samenkomen, en zouden agenten uiteindelijk zelfstandig AI-modellen en externe tools kunnen selecteren, aanschaffen en coördineren op basis van prestaties, kosten en taakvereisten?

Ja. Die kant gaat het op.

Op dit moment beslist een persoon welk model wordt gebruikt, welke tools worden aangeroepen en hoe daarvoor wordt betaald. Steeds vaker zullen agenten die keuzes maken. Zo’n agent kiest voor elke stap het juiste model, vindt de benodigde tools, betaalt elke aanbieder en controleert de resultaten voordat hij verdergaat.

Daarvoor zijn twee dingen nodig. Een manier om voor elke taak de juiste intelligentie te vinden: dat is Pareto. En een manier om te bewijzen wie je bent en te betalen: daarvoor is ATXP oorspronkelijk ontwikkeld.

Veel bedrijven werken nu aan zaken als limieten en aansprakelijkheid, voordat iemand agenten met geld vertrouwt. Daarom zijn we begonnen met beoordelingsvermogen. Betalingen worden nuttiger naarmate je de agent die ze uitvoert meer vertrouwt.

Vooruitkijkend: denkt u dat de volgende grote doorbraak in AI vooral zal voortkomen uit het trainen van steeds krachtigere individuele modellen, of uit de ontwikkeling van systemen die bestaande modellen en mogelijkheden op intelligente wijze combineren? Hoe denkt u dat dit onderscheid de concurrentie tussen opkomende AI-bedrijven en de grote aanbieders van frontiermodellen de komende jaren zal beïnvloeden?

Beide. De labs zullen steeds betere modellen blijven maken, en dat is heel belangrijk. Wij zorgen ervoor dat mensen niet het gevoel hebben dat ze over elk model afzonderlijk moeten lezen en het moeten testen. We moeten het juiste model leveren voor de juiste taak, met het juiste rendement op de investering. Geen modelmoeheid meer.

We zullen nooit meer uitgeven dan de labs aan het trainen van modellen; we bouwen voort op hun werk en helpen die modellen te verspreiden. Elke keer dat een lab een beter model uitbrengt, wordt Pareto ook beter.

De labs zouden dit zelf kunnen bouwen, en sommige zullen dat ook doen. Maar de router van een lab heeft een thuisploeg. Wij hebben geen eigen model, dus we winnen alleen als de klant de beste uitkomst krijgt voor zijn geld. Hoe meer modellen er zijn, hoe belangrijker dat wordt.

Bedankt voor dit geweldige interview. Lezers die meer willen weten over Pareto, agentinfrastructuur en de tools die AI-redenering verbinden met identiteit en betalingen, kunnen terecht bij Circuit & Chisel.