Interviews

Brad Wardell, Gründer und CEO von Clairvoyance AI – Interviewreihe

Antoine Tardif
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Brad Wardell, Founder and CEO of Clairvoyance AI
Wichtige PunkteWardell argumentiert, dass die Verteilung der Arbeit zwischen lokaler und…
Mehr anzeigen
  • Wardell argumentiert, dass die Verteilung der Arbeit zwischen lokaler und Cloud-Hardware wichtiger ist als die reine Modellgröße.
  • Clairvoyance speichert Agentenerinnerungen in einem Graphen, sodass Aktualisierungen sich verbreiten und aktuell bleiben.
  • Wardell sagt voraus, dass 90 bis 95 % der KI-Arbeit innerhalb von 18 Monaten lokal ausgeführt werden.

Brad Wardell ist Gründer und CEO von Clairvoyance AI sowie Gründer und CEO von Stardock. Seit mehr als drei Jahrzehnten entwickelt er Desktopsoftware und Strategiespiele, darunter Produkte wie Fences und Galactic Civilizations. Seine Arbeit an Entwicklungsabläufen für Spiele, kreativen Inhalten und alltäglichen Geschäftsberichten weckte sein Interesse an dauerhaft verfügbaren KI-Agenten, die direkt mit lokalen Dateien und Anwendungen arbeiten können.

Clairvoyance AI entwickelt eine Arbeitsumgebung für namentlich benannte KI-Mitarbeiter mit fortlaufenden Aufgaben und Gedächtnis. Sie verbindet lokale Dateien und Entwicklungswerkzeuge mit Cloud-Diensten und Modellen, die auf der Hardware der Nutzer laufen. Bei Stardock inkubiert, unterstützt das Produkt Arbeitsabläufe, bei denen wiederverwendbare Notizen, Berichte und andere Ergebnisse entstehen. In diesem Interview spricht Wardell darüber, wie die Spieleentwicklung das Produkt geprägt hat, welche Rolle lokale Modelle im Arbeitsalltag spielen und welche Steuerungsmöglichkeiten für Weiterleitung, Gedächtnis und Berechtigungen nötig sind, damit Agenten nützlich sind.

Sie entwickeln seit mehr als drei Jahrzehnten bei Stardock Desktopsoftware und Strategiespiele, darunter Produkte wie Fences und Galactic Civilizations. Welches Problem in Ihrem eigenen Unternehmen hat Sie dazu veranlasst, Clairvoyance AI zu entwickeln, und wann wurde Ihnen klar, dass daraus ein eigenständiges Unternehmen werden könnte?

Der entscheidende Engpass war Ara: History Untold, dessen Fertigstellung Stardock Microsoft und Oxide Games ermöglichte. Allein dafür, kreative Inhalte ins Spiel zu übertragen, ging enorm viel Zeit drauf. Texte kamen als .DOCX-Dateien, die mühsam von Hand in XML oder CSV umgewandelt werden mussten. 3D-Objekte mussten sorgfältig in unsere Engine integriert werden. Eine einzige Änderung an der Spielbalance bedeutete, ein Dutzend verschiedener Dateien anzupassen. Bei der Lokalisierung mussten übersetzte Zeichenfolgen von Hand den richtigen Schlüsseln in den richtigen Dateien zugeordnet werden. Clairvoyance AI nahm all dem den Aufwand ab und ermöglichte uns eine pünktliche Veröffentlichung.

Gegen Ende des Jahres 2025 diskutierten wir intern, ob wir das Produkt überhaupt öffentlich zugänglich machen sollten. Es war ein echter Wettbewerbsvorteil – als hätte man bereits ein Jahr früher eine umfassendere Variante von etwas wie OpenClaw zur Verfügung. Ausschlaggebend für die Veröffentlichung war, dass wir mitansehen mussten, wie Freunde und Kollegen durch KI-Automatisierung ihre Arbeitsplätze verloren, die sie mit besseren Werkzeugen hätten behalten können. Da war uns klar, dass wir Clairvoyance AI der Öffentlichkeit zugänglich machen wollten.

Sie haben gesagt, dass viele Werkzeuge für KI-Agenten mangelnde Erfahrung mit der Veröffentlichung von Software für Endverbraucher erkennen lassen. Welche Fehler sehen Sie am häufigsten, und welche Lehren aus Ihrer eigenen Laufbahn sollten KI-Entwickler beherzigen?

Das deutlichste Anzeichen ist die verwendete Terminologie. Wenn man die Begriffe nicht bereits kennt – etwa „Glyph“ für das kleine grafische Symbol auf einer Schaltfläche –, ist man im Gespräch mit einer KI klar im Nachteil, denn sie wurde mit Texten von Menschen trainiert, die diese Fachsprache bereits beherrschen. Die meisten Teams, die solche Werkzeuge entwickeln, sind sehr klug, aber auch sehr jung, und das zeigt sich bei Entscheidungen zur Benutzerfreundlichkeit. Ein gutes Beispiel: Als Anthropic die Möglichkeit einführte, Text aus einer Terminalsitzung in eine andere zu ziehen, wurde das millionenfach angesehen. Wir hatten Agenten, denen man einfach per @-Erwähnung ihres Namens Aufgaben automatisch übergeben kann, ohne irgendetwas ziehen zu müssen. Bei Anthropic muss der Nutzer die Arbeit erledigen, die eigentlich die KI übernehmen sollte.

Die Lehre aus 30 Jahren, in denen ich Desktopsoftware auf den Markt gebracht habe: Man muss das eigene Produkt tatsächlich jeden Tag selbst nutzen – mit echten Terminvorgaben –, bevor es jemand außerhalb des Unternehmens zu Gesicht bekommt. Viele KI-Produkte wirken, als wären sie von Menschen entwickelt worden, die nicht mit ihrer eigenen Software im Alltag arbeiten mussten.

Sie beschreiben die nächste Phase der KI als ein Routing-Problem: die Entscheidung darüber, was auf einem Gerät, im lokalen Netzwerk oder in der Cloud ausgeführt wird. Können Sie uns anhand eines konkreten Arbeitsablaufs erläutern, wie solche Entscheidungen getroffen werden sollten?

Die Weiterleitung ist längst keine individuelle Entscheidung mehr, sondern wird zunehmend auf Unternehmensebene getroffen. Wir werden in Kürze eine Funktion namens Hivemind veröffentlichen, die das konkret ermöglicht. Die meisten Unternehmen verfügen bereits über zahlreiche leistungsfähige Rechner, die jede Nacht ungenutzt bleiben. Mit Hivemind kann ein Unternehmen die ungenutzten GPUs seiner eigenen Rechner zusammenlegen, sodass alle im Team darauf KI-Aufgaben ausführen können, statt sie an die Cloud zu senden. Wenn man Zehntausende Lieferungen entlang einer Lieferkette nachverfolgt oder prüft, wohin das Geld eines Unternehmens geflossen ist, braucht man dafür kein Spitzenmodell aus der Cloud. Man braucht genügend Rechenleistung – und die meisten Unternehmen haben sie bereits, nutzen sie aber außerhalb der Geschäftszeiten nicht.

Auf individueller Ebene gilt dieselbe Logik, nur in kleinerem Maßstab. Ich lasse jede Nacht Dashboards, Absturzberichte, Stimmungsberichte und Verkaufsdaten mit einem lokalen Modell statt einem Cloud-Modell auswerten. Früher habe ich dieselbe Arbeitslast über Claude laufen lassen; das kostete mich etwa 100 US-Dollar pro Monat an Tokenkosten. Jetzt läuft sie über Nacht kostenlos auf Hardware, die ich bereits besitze, und morgens lese ich die Ergebnisse.

Die eigentliche Frage lautet also nicht „lokal oder Cloud?“, sondern: „Muss die Aufgabe erledigt werden, während jemand vor dem Bildschirm sitzt, und verfügt das Unternehmen bereits über die Hardware, um sie ohne Gebühren pro Token auszuführen?“

Sie sind der Ansicht, dass ein erheblicher Teil der alltäglichen Arbeit mit KI-Agenten bereits auf lokaler Hardware ausgeführt werden kann. Bei welchen Aufgaben haben Sie das nachgewiesen, auf welcher Hardware und woran messen Sie den Erfolg – abgesehen davon, ob ein Modell eine plausibel klingende Antwort liefert?

Mit lokaler KI haben wir große Erfolge dabei erzielt, unseren Dateien Metadaten hinzuzufügen. Wie viele Unternehmen verfügen wir in unserem Netzwerk über Terabytes an Daten. Stardock entwickelt sowohl Software als auch Spiele. Im Spielebereich gibt es jahrzehntelang angesammelte 3D- und 2D-Grafikressourcen, Videos, Arbeitsergebnisse und vieles mehr.

Im Unternehmen haben wir zahlreiche recht leistungsfähige Grafikkarten von AMD und NVIDIA. Wir haben festgestellt, dass Modelle mit 8B bis 12B Parametern für alles, was wir brauchen, mehr als ausreichen und sogar auf vergleichsweise älterer Hardware laufen. Zurzeit erledigt ein Laptop mit Qualcomm Snapdragon X2 einen Teil dieser Arbeit abends im Hintergrund.

Lokale KI eignet sich hervorragend dazu, diese Dateien nach und nach zu durchforsten, zu überprüfen und mit Metadaten zu versehen. So können wir etwas schnell suchen und finden, wenn wir es brauchen. Dabei haben wir entdeckt, dass wir 16 verschiedene 3D-Wolfsmodelle haben. Seufz.

Wann sollte von einem kleineren lokalen Modell auf ein leistungsfähigeres Cloud-Modell hochgestuft werden? Wie erkennen Sie, dass das lokale Modell Schwierigkeiten hat, bevor es einen folgenreichen Fehler macht?

Alles, was offene Urteilsfähigkeit erfordert, sollte derzeit wahrscheinlich in die Cloud verlagert werden. Die Frontier-Modelle haben Halluzinationen weitgehend gelöst. Bei kleineren (lokalen) Modellen treten Halluzinationen wieder auf. Deshalb müssen wir lokale Modelle in der Regel mit zahlreichen Schutzvorkehrungen versehen.

Clairvoyance organisiert Agenten als KI-Mitarbeitende mit dauerhaftem Gedächtnis und fortlaufenden Aufgaben. Was haben Sie darüber gelernt, wie sich nützlicher Kontext langfristig bewahren lässt, ohne dass sich veraltete Anweisungen, falsche Annahmen oder widersprüchliche Erinnerungen ansammeln?

Im Hintergrund speichert Clairvoyance seine Erinnerungen in einer Graphstruktur. Wird etwas aktualisiert, löst das in der Regel rekursiv Aktualisierungen anderer Knoten aus. So bleiben die Erinnerungen geordnet und auf dem neuesten Stand.

Die Herausforderung bestand darin, eine Endlosrekursion zu verhindern. Dafür waren in den letzten paar Jahren viele Versuche und Irrtümer nötig.

Der Zugriff auf Dateien, Anwendungen und Entwicklungstools macht Agenten nützlicher, erhöht aber auch die Folgen von Fehlern. Wie regeln Sie Berechtigungen und menschliche Freigaben, und wie lässt sich ein Fehler beheben, wenn ein Agent eine falsche Aktion ausführt?

Ein konkretes Beispiel ist der Dateischutz: Clairvoyance kann Agenten daran hindern, Verzeichnisse zu löschen. Diese Funktion wird auf Anwendungsebene durchgesetzt und nicht über Hooks, die ein Agent umgehen könnte.

Wenn ein Arbeitsablauf lokale Ausführung mit Schlussfolgerungen in der Cloud verbindet, kann „local-first“ Verschiedenes bedeuten. Welche Informationen verlassen den Rechner der Nutzerinnen und Nutzer, und wie können sie diese Grenze nachvollziehen und kontrollieren?

Bei Cloud-Sicherheit geht es darum, andere fernzuhalten. Sie beantwortet nicht die Frage, ob der Modellanbieter die Geheimnisse Ihres Unternehmens überhaupt kennen sollte. Clairvoyance ist von Grund auf auf lokale Nutzung ausgelegt: Ihre Notizen, Projekte und das Gedächtnis Ihrer Mitarbeitenden bleiben auf Ihrem eigenen Rechner. Sie entscheiden für jede Mitarbeiterin und jeden Mitarbeiter einzeln, was an ein Cloud-Modell übermittelt wird – es gibt keine pauschale Einstellung. Wenn Sie ein lokales Modell ausführen, muss überhaupt nichts Ihre Hardware verlassen. Das hören wir direkt von Unternehmenskunden, die frustriert darüber sind, dass sie ganze vertrauliche Arbeitsabläufe bei Anthropic oder OpenAI hochladen müssen, nur um ihre Arbeit zu erledigen.

Clairvoyance hat mehr als 40.000 Nutzerinnen und Nutzer. Was haben Sie darüber gelernt, wie Menschen Clairvoyance tatsächlich verwenden, und können Sie ein messbares Beispiel für einen wiederkehrenden Arbeitsablauf nennen, bei dem die Anwendung dauerhaft einen Mehrwert geschaffen hat?

Die Kundenbindungsrate hängt stark davon ab, wie viele Daten Nutzerinnen und Nutzer während ihrer Sitzungen erzeugen.

Die meisten KI-Nutzerinnen und -Nutzer haben noch nicht wirklich den Punkt erreicht, an dem sie die von der KI erzeugten Daten nutzen, um darauf aufzubauen. Die meisten denken nach wie vor in Form von Prompts. Bei Clairvoyance bleiben diejenigen, die zahlreiche Materialsammlungen und Berichte erstellen, die wiederum als Grundlage für weitere Arbeit dienen.

Welche Entwicklungen könnten im kommenden Jahr den Umfang der Arbeit, die Agenten zuverlässig lokal erledigen können, am stärksten erweitern? Was müsste geschehen, damit Sie Ihre Ansicht überdenken, dass die Weiterleitung wichtiger ist als die Modellgröße?

Ich denke, dass innerhalb von 18 Monaten 90 bis 95 % der KI-Arbeit lokal erledigt werden, während vielleicht 5 % für Frontier-Aufgaben die Cloud benötigen. Das liegt vor allem daran, dass der KI bislang kaum etwas übertragen wird: Selbst einfache Aufgaben wie die Vorauswahl von Lebensläufen nach Wohnort oder die Prüfung von Lieferzeiten werden noch von Hand erledigt, obwohl ein 4B-Modell das bereits auf einem Laptop bewältigen kann. Voranbringen werden das gebündelte Rechnen nach dem Hivemind-Prinzip (bei dem ungenutzte GPUs eines Unternehmens allen innerhalb der Domain zur Verfügung stehen) und eine so gute Weiterleitung, dass niemand wissen muss, was ein 4B-Modell oder ein Opus überhaupt ist.

Vielen Dank für das großartige Interview. Leserinnen und Leser, die eine Desktop-App zur Verwaltung dauerhaft verfügbarer KI-Agenten auf ihren Computern ausprobieren möchten, sollten Clairvoyance AI besuchen.

Antoine ist eine visionäre Führungspersönlichkeit und Gründungspartner von Unite.AI. Ihn treibt eine unerschütterliche Leidenschaft an, die Zukunft von KI und Robotik zu gestalten und voranzubringen. Als Serienunternehmer ist er überzeugt, dass KI die Gesellschaft ebenso grundlegend verändern wird wie die Elektrizität. Er spricht häufig begeistert über das Potenzial bahnbrechender Technologien und künstlicher allgemeiner Intelligenz (AGI).

Als Futurist widmet er sich der Frage, wie diese Innovationen unsere Welt prägen werden. Darüber hinaus ist er Gründer von Securities.io, einer Plattform mit Schwerpunkt auf Investitionen in Spitzentechnologien, die die Zukunft neu definieren und ganze Branchen umgestalten.