Rozhovory
Brad Wardell, zakladatel a generální ředitel Clairvoyance AI – série rozhovorů

Klíčové bodyWardell tvrdí, že směrování práce mezi lokálním a cloudovým hardwarem je důležitější…
Zobrazit více
- Wardell tvrdí, že směrování práce mezi lokálním a cloudovým hardwarem je důležitější než hrubá velikost modelu.
- Clairvoyance ukládá paměti agentů do grafu, takže se aktualizace šíří a zůstávají aktuální.
- Wardell předpovídá, že 90 až 95 % AI práce bude běžet lokálně během 18 měsíců.
Brad Wardell je zakladatelem a generálním ředitelem Clairvoyance AI a také zakladatelem a generálním ředitelem společnosti Stardock. Více než tři desetiletí se věnuje vývoji desktopového softwaru a strategických her, včetně produktů jako Fences a Galactic Civilizations. Práce na vývojových postupech při tvorbě her, kreativních podkladech a každodenním podnikovém reportingu ho přivedla k zájmu o trvalé AI agenty, kteří mohou pracovat přímo s místními soubory a aplikacemi.
Clairvoyance AI vyvíjí pracovní prostředí pro pojmenované AI pracovníky s průběžnými úkoly a pamětí, které propojuje místní soubory a vývojářské nástroje s cloudovými službami a modely běžícími na vlastním hardwaru uživatele. Produkt vznikl v rámci Stardocku a podporuje pracovní postupy, jejichž výstupem jsou znovu použitelné poznámky, zprávy a další materiály. V tomto rozhovoru Wardell mluví o tom, jak vývoj her ovlivnil produkt, jaké místo mají místní modely v každodenní práci a jaké řízení směrování, paměti a oprávnění je potřeba, aby byli agenti užiteční.
Už více než tři desetiletí vyvíjíte ve společnosti Stardock desktopový software a strategické hry, včetně produktů jako Fences a Galactic Civilizations. Jaký problém ve vlastním podnikání vás přiměl vytvořit Clairvoyance AI a kdy jste si uvědomil, že by se z něj mohla stát samostatná společnost?
Skutečným kritickým bodem byla hra Ara: History Untold, s jejímž dokončením Stardock pomáhal společnostem Microsoft a Oxide Games. Obrovské množství času zabralo už jen přesouvání kreativních podkladů do hry. Texty jsme dostávali jako soubory .DOCX, které bylo nutné pracně ručně převádět do XML nebo CSV. 3D podklady bylo třeba pečlivě přenášet do našeho enginu. Jediná změna vyvážení hry znamenala zasáhnout do tuctu různých souborů. Lokalizace vyžadovala ruční přiřazování přeložených řetězců ke správným klíčům ve správných souborech. Clairvoyance AI nám to všechno usnadnila a umožnila nám vydat hru včas.
Koncem roku 2025 jsme interně debatovali o tom, zda produkt vůbec zpřístupnit veřejnosti. Představoval skutečnou konkurenční výhodu – jako bychom měli o rok dřív něco jako nadstavbu OpenClaw. K rozhodnutí zveřejnit ho nás přivedlo to, že jsme sledovali, jak přátelé a kolegové přicházejí o práci kvůli automatizaci pomocí AI, přestože si ji mohli udržet, kdyby měli lepší nástroje. Tehdy jsme věděli, že chceme Clairvoyance AI zpřístupnit veřejnosti.
Říkáte, že řada nástrojů pro AI agenty prozrazuje, že jejich tvůrcům chybějí zkušenosti s uváděním spotřebitelského softwaru na trh. Jaké chyby vídáte nejčastěji a jaké zkušenosti ze své kariéry by si vývojáři AI měli vzít k srdci?
Nejvíc se to pozná na terminologii. Pokud už neznáte používané výrazy, například „glyf“ označující malou grafiku na tlačítku, jste při komunikaci s AI ve výrazné nevýhodě, protože se učila na lidech, kteří tuto terminologii znají. Většina týmů vyvíjejících tyto nástroje je velmi schopná, ale také velmi mladá, a na volbách týkajících se použitelnosti je to znát. Dobrým příkladem je možnost, kterou přidala společnost Anthropic: přetahovat text z jedné terminálové relace do druhé. Ta získala miliony zhlédnutí. My už jsme měli agenty, kterým stačí přiřadit úkol označením jejich jména pomocí @, a práci automaticky předají dál; nic se přetahovat nemusí. Jejich řešení nutí uživatele dělat práci, kterou by měla vykonat AI.
Poučení z 30 let uvádění desktopového softwaru na trh je, že produkt, který vyvíjíte, musíte sami skutečně používat každý den a při skutečných termínech – ještě předtím, než ho uvidí kdokoli mimo společnost. Řada produktů AI působí dojmem, jako by je vytvořili lidé, kteří nemuseli každý den pracovat ve vlastním softwaru.
Popisujete další fázi vývoje AI jako problém směrování: rozhodování o tom, co poběží na zařízení, v místní síti nebo v cloudu. Můžete nás provést skutečným pracovním postupem a vysvětlit, jak by se tato rozhodnutí měla přijímat?
Směrování už vlastně není individuální rozhodnutí, ale stává se rozhodnutím na úrovni celé společnosti. Chystáme se vydat funkci nazvanou Hivemind, která to názorně ukazuje. Většina podniků už vlastní spoustu výkonných počítačů, které každou noc zůstávají nevyužité. Hivemind umožňuje společnosti propojit nečinné GPU ve vlastních počítačích, takže na nich může kdokoli z týmu spouštět úlohy AI místo toho, aby je posílal do cloudu. Pokud sledujete v dodavatelském řetězci desítky tisíc zásilek nebo kontrolujete, kam se poděly peníze společnosti, špičkový cloudový model k tomu nepotřebujete. Potřebujete dostatečný výpočetní výkon a většina společností už ho má, jen ho po pracovní době nevyužívá.
Na individuální úrovni platí stejná logika, jen v menším měřítku. Každou noc spouštím na místním modelu místo cloudového přehledové panely, hlášení o pádech, přehledy nálad a údaje o prodeji. Dříve jsem stejnou práci zadával modelu Claude a za tokeny mě to stálo přibližně 100 dolarů měsíčně. Teď se úlohy přes noc zpracují zdarma na hardwaru, který už vlastním, a ráno si přečtu výsledky.
Skutečná otázka tedy nezní „místní, nebo cloudové řešení“, ale „musí se to stát ve chvíli, kdy někdo sleduje obrazovku, a má už společnost hardware, na kterém to může spustit, aniž by platila za každý token“?
Domníváte se, že značnou část každodenní práce agentů už lze vykonávat na místním hardwaru. U kterých úloh jste to předvedli, na jakém hardwaru a jak měříte úspěch nad rámec toho, zda model vytvoří věrohodnou odpověď?
Při používání místní umělé inteligence k doplňování metadat k našim souborům jsme dosáhli velkého úspěchu. Stejně jako mnoho jiných firem máme v síti terabajty dat. Stardock vyvíjí software i hry a v herní oblasti máme desítky let staré 3D a 2D grafické podklady, videa, pracovní materiály a další obsah.
V rámci firmy máme spoustu poměrně výkonných grafických karet od AMD a NVIDIA. Zjistili jsme, že modely s 8 až 12 miliardami parametrů bohatě stačí na všechno, co potřebujeme, a poběží i na poměrně starém hardwaru. Právě teď máme notebook s procesorem Qualcomm Snapdragon X2, který část této práce vykonává na pozadí během večera.
Místní umělá inteligence dokáže tyto soubory pomalu procházet a kontrolovat a doplňovat k nim metadata, takže když potřebujeme něco najít, můžeme to rychle vyhledat. Díky tomu jsme zjistili, že máme 16 různých 3D modelů vlků. Ach jo.
Co by mělo spustit předání úlohy z menšího místního modelu výkonnějšímu cloudovému modelu? Jak poznáte, že si místní model neví rady, ještě než udělá závažnou chybu?
V současnosti by se do cloudu mělo nejspíš přesouvat všechno, co vyžaduje otevřené úsudkové uvažování. Špičkové modely z velké části vyřešily problém halucinací. U menších (místních) modelů se halucinace vracejí. Proto u místních modelů obvykle potřebujeme nastavit spoustu ochranných opatření.
Clairvoyance organizuje agenty jako zaměstnance využívající umělou inteligenci, kteří mají trvalou paměť a průběžné úkoly. Co jste zjistili o tom, jak v průběhu času zachovat užitečný kontext, aniž by se hromadily zastaralé pokyny, nesprávné předpoklady nebo vzájemně si odporující vzpomínky?
Clairvoyance ukládá vzpomínky do grafové struktury. Když se tedy něco aktualizuje, obvykle to spustí rekurzivní aktualizace dalších uzlů. Díky tomu zůstávají vzpomínky uspořádané a aktuální.
Výzvou bylo zabránit nekonečné rekurzi, což si během posledních několika let vyžádalo spoustu pokusů a omylů.
Přístup agentů k souborům, aplikacím a vývojářským nástrojům zvyšuje jejich užitečnost, ale také možné důsledky chyb. Jak nastavujete oprávnění, schvalování lidmi a obnovu, když agent provede nesprávnou akci?
Jediným konkrétním opatřením, které máme, je ochrana souborů: Clairvoyance může agentům zabránit ve smazání adresářů. Tato ochrana je vynucována na úrovni aplikace, nikoli pomocí háčků, které by agent mohl obejít.
Když pracovní postup kombinuje místní zpracování s odvozováním závěrů v cloudu, může „přednostně místní“ znamenat různé věci. Jaké informace opouštějí uživatelův počítač a jak mohou uživatelé pochopit a ovládat tuto hranici?
Zabezpečení cloudu spočívá v tom, že se do něj nedostanou ostatní. Neodpovídá ale na otázku, zda by měl mít poskytovatel modelu vůbec přístup k firemním tajemstvím. Clairvoyance je od základu navržená tak, aby upřednostňovala místní zpracování: vaše poznámky, projekty a paměť zaměstnanců zůstávají ve vašem počítači. O tom, co se odešle cloudovému modelu, rozhodujete vy, a to pro každého zaměstnance zvlášť, nikoli jedním plošným nastavením. Pokud spustíte místní model, z vašeho hardwaru nemusí odejít vůbec nic. Přímo od firemních zákazníků slýcháme, že je frustruje nutnost nahrávat celé důvěrné pracovní postupy do Anthropic nebo OpenAI, jen aby mohli pracovat.
Clairvoyance má více než 40 000 uživatelů. Co jste zjistili o tom, jak lidé Clairvoyance skutečně používají, a můžete uvést měřitelný příklad opakujícího se pracovního postupu, který jim dlouhodobě přináší hodnotu?
Míra udržení uživatelů do značné míry závisí na množství dat, která vytvářejí během svých relací.
Většina uživatelů umělé inteligence zatím nepřekročila hranici, kdy by dále rozvíjela práci na základě dat, která umělá inteligence vytvoří. Většina uživatelů stále uvažuje v pojmech zadávání pokynů. U Clairvoyance zůstávají ti, kdo vytvářejí mnoho podkladů a zpráv, které pak slouží jako základ pro další práci.
Když se podíváte rok dopředu, jaký vývoj by nejvíce rozšířil okruh úloh, které agenti dokážou spolehlivě zpracovávat místně? Co by se muselo stát, abyste přehodnotil svůj názor, že důležitější než velikost modelu je směrování úloh?
Myslím, že během 18 měsíců bude 90 až 95 % práce s umělou inteligencí probíhat místně a možná 5 % bude vyžadovat cloud kvůli špičkovým úlohám. Je to hlavně proto, že se umělé inteligenci zatím svěřuje jen velmi málo práce. Dokonce i triviální úkoly, jako je třídění životopisů podle místa bydliště nebo kontrola termínu doručení zásilky, se stále dělají ručně, přestože je už nyní zvládne model se 4 miliardami parametrů na notebooku. Tento podíl zvýší sdílené výpočetní kapacity ve stylu Hivemind (kdy nevyužívané grafické procesory jedné firmy slouží všem uživatelům v její doméně) a dostatečně kvalitní směrování, díky kterému nikdo nebude muset vědět, co je model se 4 miliardami parametrů nebo Opus.
Děkujeme za skvělý rozhovor. Čtenáři, kteří si chtějí vyzkoušet desktopovou aplikaci pro správu agentů s umělou inteligencí, jež mají trvalou paměť napříč jejich počítači, by měli navštívit Clairvoyance AI.












