Interviews

Brad Wardell, grundlægger og administrerende direktør for Clairvoyance AI – interviewserie

Antoine Tardif
Føj Unite.AI til dine foretrukne kilder på Google
Brad Wardell, Founder and CEO of Clairvoyance AI
NøglepunkterWardell argumenterer for, at routing af arbejde mellem lokal og cloudbaseret hardware…
Vis mere
  • Wardell argumenterer for, at routing af arbejde mellem lokal og cloudbaseret hardware betyder mere end den rå modelstørrelse.
  • Clairvoyance gemmer agenters minder i en graf, så opdateringer spredes og forbliver aktuelle.
  • Wardell forudser, at 90 til 95 % af AI-arbejdet vil køre lokalt inden for 18 måneder.

Brad Wardell er grundlægger og administrerende direktør for Clairvoyance AI samt grundlægger og administrerende direktør for Stardock. I mere end tre årtier har han udviklet software til stationære computere og strategispil, herunder produkter som Fences og Galactic Civilizations. Hans arbejde med udviklingsforløb for spil, kreativt indhold og daglig virksomhedsrapportering vakte hans interesse for vedvarende AI-agenter, der kan arbejde direkte med lokale filer og programmer.

Clairvoyance AI udvikler et arbejdsområde med navngivne AI-medarbejdere, som har løbende opgaver og hukommelse, og som forbinder lokale filer og udviklingsværktøjer med cloudtjenester og modeller, der kører på brugerens egen hardware. Produktet blev udviklet i regi af Stardock og understøtter arbejdsgange, der skaber genanvendelige noter, rapporter og andre resultater. I dette interview fortæller Wardell, hvordan spiludvikling har præget produktet, hvilken rolle lokale modeller spiller i det daglige arbejde, og hvilke styringsmekanismer for dirigering, hukommelse og tilladelser der skal til for at gøre agenter nyttige.

Du har i mere end tre årtier udviklet software til stationære computere og strategispil hos Stardock, herunder produkter som Fences og Galactic Civilizations. Hvilket problem i din egen virksomhed fik dig til at udvikle Clairvoyance AI, og hvornår indså du, at det kunne blive en selvstændig virksomhed?

Det egentlige pres kom fra Ara: History Untold, som Stardock hjalp Microsoft og Oxide Games med at færdiggøre. En enorm mængde tid gik alene med at få kreative aktiver ind i spillet. Teksterne kom som .DOCX-filer, der skulle konverteres omhyggeligt manuelt til XML eller CSV. 3D-aktiver skulle føres omhyggeligt ind i vores spilmotor. En enkelt ændring af spilbalancen betød, at man skulle ændre et dusin forskellige filer. Lokalisering krævede, at oversatte strenge manuelt blev knyttet til de rigtige nøgler i de rigtige filer. Clairvoyance AI gjorde alt dette nemt og gjorde det muligt for os at udgive spillet til tiden.

Sidst i 2025 diskuterede vi internt, om vi overhovedet skulle gøre det offentligt tilgængeligt. Det var en reel konkurrencefordel – som at have en mere omfattende udgave af noget i stil med OpenClaw et år før. Det, der fik os til at gå i retning af en offentlig lancering, var, at vi så venner og kolleger miste deres job til AI-automatisering, selv om de kunne have beholdt dem med bedre værktøjer. På det tidspunkt vidste vi, at vi ville gøre Clairvoyance AI tilgængelig for offentligheden.

Du har sagt, at mange AI-agentværktøjer afslører manglende erfaring med at lancere forbrugerrettet software. Hvilke fejl ser du oftest, og hvilke erfaringer fra din egen karriere bør AI-udviklere tage ved lære af?

Det tydeligste tegn er terminologien. Hvis man ikke allerede kender ordene, for eksempel “glyph” om det lille grafiske symbol på en knap, er man virkelig dårligere stillet, når man taler med en AI, fordi den er trænet på materiale fra folk, der allerede kender fagsproget. De fleste teams, der udvikler disse værktøjer, består af meget intelligente, men meget unge mennesker, og det kan ses på deres valg inden for brugervenlighed. Et godt eksempel er, at Anthropic tilføjede muligheden for at trække tekst fra én terminalsession til en anden, hvilket fik millioner af visninger. Vi har haft agenter, som man bare kan nævne med @ efterfulgt af navnet for automatisk at overdrage arbejde til dem, uden at trække noget som helst. Deres løsning kræver, at brugeren udfører det arbejde, som AI’en burde udføre.

Erfaringen fra 30 år med at udgive software til stationære computere er, at man faktisk selv skal bruge det, man udvikler, hver dag og med rigtige deadlines, før nogen uden for virksomheden får adgang til det. Mange AI-produkter virker, som om de er udviklet af folk, der aldrig har været nødt til at leve med deres egen software.

Du beskriver AI’s næste fase som et spørgsmål om dirigering: at afgøre, hvad der skal køre på en enhed, på tværs af et lokalt netværk eller i skyen. Kan du gennemgå en konkret arbejdsgang og forklare, hvordan de beslutninger bør træffes?

Dirigering er ikke længere rigtig en individuel beslutning; den bliver i stigende grad truffet på virksomhedsniveau. Vi står over for at udgive en funktion, der hedder Hivemind, og som konkretiserer dette. De fleste store virksomheder ejer allerede masser af kapable maskiner, der står ubenyttede hver nat. Hivemind gør det muligt for en virksomhed at samle de ledige GPU’er på tværs af sine egne maskiner, så alle på teamet kan bruge dem til AI-opgaver i stedet for at sende opgaverne til skyen. Hvis man følger titusindvis af forsendelser gennem en forsyningskæde eller undersøger, hvor en virksomheds penge er blevet af, behøver man ikke en førende cloudmodel til det. Man har brug for tilstrækkelig regnekraft, og de fleste virksomheder har allerede den nødvendige kapacitet stående ubrugt efter arbejdstid.

På individuelt niveau gælder den samme logik, blot i mindre målestok. Hver nat kører jeg dashboards, nedbrudsrapporter, sentimentrapporter og salgsdata på en lokal model i stedet for en cloudmodel. Tidligere kørte jeg den samme arbejdsbyrde gennem Claude, og det kostede omkring 100 dollar om måneden i tokens. Nu kører den gratis natten over på hardware, jeg allerede ejer, og jeg læser resultaterne om morgenen.

Så det egentlige spørgsmål er ikke “lokalt eller i skyen”, men “skal det ske, mens nogen sidder og kigger på skærmen, og har virksomheden allerede den hardware, der skal til for at gøre det uden at betale pr. token”.

Du mener, at en betydelig del af det daglige agentbaserede arbejde allerede kan udføres på lokal hardware. Hvilke opgaver har du demonstreret det med, på hvilken hardware, og hvordan måler du succes ud over, om en model giver et plausibelt svar?

Vi har haft stor succes med at bruge lokal AI til at tilføje metadata til vores filer. Ligesom mange andre virksomheder har vi terabytevis af data på vores netværk. Stardock udvikler både software og spil, og på spilsiden har vi årtiers 3D- og 2D-kunst, videoer, arbejdsfiler osv.

Rundt omkring i virksomheden har vi en hel del ganske gode grafikkort fra AMD og NVIDIA. Vi har erfaret, at modeller med 8B til 12B parametre er mere end tilstrækkelige til alt det, vi skal bruge, og at de kan køre selv på forholdsvis ældre hardware. Lige nu bruger vi en bærbar computer med Qualcomm Snapdragon X2 til at udføre noget af dette arbejde i baggrunden om aftenen.

Lokal AI er rigtig god til langsomt at gennemgå disse filer og tilføje metadata, så man hurtigt kan søge efter og finde det, man skal bruge. På den måde opdagede vi, at vi har 16 forskellige 3D-modeller af ulve. Suk.

Hvad bør udløse en overgang fra en mindre lokal model til en mere avanceret cloudmodel? Hvordan opdager I, at den lokale model har svært ved opgaven, før den begår en fejl med alvorlige konsekvenser?

Lige nu bør alt, der kræver åben og selvstændig dømmekraft, nok sendes til skyen. De mest avancerede modeller har i vid udstrækning løst problemet med hallucinationer. Når man går over til mindre, lokale modeller, vender hallucinationerne tilbage. Derfor er vi nødt til at sætte mange sikkerhedsforanstaltninger omkring de lokale modeller.

Clairvoyance organiserer agenter som AI-medarbejdere med vedvarende hukommelse og løbende opgaver. Hvad har I lært om at bevare nyttig kontekst over tid uden at lade forældede instruktioner, fejlagtige antagelser eller modstridende minder hobe sig op?

Bag kulisserne gemmer Clairvoyance sine minder i en grafstruktur, så en opdatering af ét element typisk udløser en kæde af opdateringer til andre knudepunkter. Det hjælper med at holde minderne organiserede og ajour.

Udfordringen har været at forhindre uendelig rekursion, og det har krævet en masse forsøg og fejltrin i løbet af de seneste par år.

Agenter bliver mere nyttige, når de får adgang til filer, programmer og udviklingsværktøjer, men konsekvenserne af fejl bliver også større. Hvordan tilrettelægger I tilladelser, menneskelig godkendelse og gendannelse, hvis en agent foretager en forkert handling?

Det eneste konkrete tiltag, vi har, er Filbeskyttelse: Clairvoyance kan forhindre agenter i at slette mapper. Det håndhæves på appniveau og ikke gennem hooks, som en agent kunne omgå.

Når en arbejdsgang kombinerer lokal kørsel med cloudbaseret inferens, kan »lokal først« betyde flere ting. Hvilke oplysninger forlader brugerens computer, og hvordan kan brugerne forstå og styre denne grænse?

Cloudsikkerhed handler om at holde andre ude. Det besvarer ikke spørgsmålet om, hvorvidt modeludbyderen overhovedet bør have adgang til virksomhedens hemmeligheder. Clairvoyance er designet med lokalt som førstevalg: Dine noter, projekter og medarbejdernes hukommelse ligger på din egen computer. Det er op til dig, hvad der sendes til en cloudmodel, og beslutningen træffes for hver enkelt medarbejder – ikke via en generel indstilling. Hvis du kører en lokal model, behøver noget som helst ikke at forlade din hardware. Det hører vi direkte fra erhvervskunder, der er frustrerede over at skulle uploade hele fortrolige arbejdsgange til Anthropic eller OpenAI, bare for at få arbejdet gjort.

Clairvoyance har over 40.000 brugere. Hvad har I lært af den måde, folk rent faktisk bruger Clairvoyance på, og kan du give et målbart eksempel på en tilbagevendende arbejdsgang, hvor løsningen har skabt vedvarende værdi?

Fastholdelsesgraden afhænger i høj grad af, hvor mange data brugeren genererer i løbet af sine sessioner.

De fleste AI-brugere har endnu ikke rigtig nået dertil, hvor de bruger de data, AI’en genererer, som grundlag for videre arbejde. De fleste tænker stadig i prompts. De brugere, der bliver hos Clairvoyance, er dem, der genererer mange bilag og rapporter, som derefter danner grundlag for yderligere arbejde.

Hvis vi ser et år frem, hvilke fremskridt vil så især udvide det arbejde, som agenter pålideligt kan håndtere lokalt? Hvad skulle der til, før du ændrede din opfattelse af, at intelligent fordeling af opgaver betyder mere end modellens størrelse?

Jeg tror, at 90 til 95 % af AI-arbejdet vil foregå lokalt inden for 18 måneder, mens måske 5 % vil kræve skyen til opgaver, der kræver de mest avancerede modeller. Det skyldes især, at næsten intet endnu uddelegeres til AI. Selv trivielle opgaver som at sortere CV’er efter geografisk placering eller kontrollere leveringstidspunkter udføres stadig manuelt, selvom en 4B-model allerede kan klare det på en bærbar computer. Det, der vil udvide mulighederne, er puljet regnekraft i Hivemind-stil (så en virksomheds uudnyttede GPU’er kan betjene alle på virksomhedens domæne) og så god opgavefordeling, at ingen behøver at vide, hvad en 4B-model eller en Opus overhovedet er.

Tak for et godt interview. Læsere, der gerne vil prøve en desktopapp til at administrere vedvarende AI-agenter på tværs af deres computere, kan besøge Clairvoyance AI.

Antoine er en visionær leder og stiftende partner i Unite.AI, drevet af en urokkelig passion for at forme og fremme fremtiden for AI og robotteknologi. Som serieiværksætter mener han, at AI vil forandre samfundet lige så grundlæggende som elektriciteten, og han taler ofte begejstret om potentialet i banebrydende teknologier og kunstig generel intelligens (AGI).

Som fremtidsforsker er han optaget af at undersøge, hvordan disse innovationer vil forme vores verden. Han er desuden grundlægger af Securities.io, en platform med fokus på investering i avancerede teknologier, der omdefinerer fremtiden og omformer hele brancher.