Entrevistas

Brad Wardell, fundador y director ejecutivo de Clairvoyance AI – Serie de entrevistas

Antoine Tardif
Añade Unite.AI a tus fuentes preferidas en Google
Brad Wardell, Founder and CEO of Clairvoyance AI
Puntos claveWardell sostiene que enrutar el trabajo entre hardware local y en la nube importa más…
Ver más
  • Wardell sostiene que enrutar el trabajo entre hardware local y en la nube importa más que el tamaño bruto del modelo.
  • Clairvoyance almacena las memorias de los agentes en un grafo para que las actualizaciones se propaguen y se mantengan actualizadas.
  • Wardell predice que del 90 al 95% del trabajo de IA se ejecutará localmente en un plazo de 18 meses.

Brad Wardell es fundador y director ejecutivo de Clairvoyance AI, además de fundador y director ejecutivo de Stardock. Lleva más de tres décadas desarrollando software de escritorio y juegos de estrategia, incluidos productos como Fences y Galactic Civilizations. Su trabajo en los procesos de desarrollo de videojuegos, los recursos creativos y los informes empresariales cotidianos despertó su interés por los agentes de IA persistentes que pueden trabajar directamente con archivos y aplicaciones locales.

Clairvoyance AI desarrolla un espacio de trabajo para personal de IA con nombre propio, tareas continuas y memoria, que conecta archivos locales y herramientas de desarrollo con servicios en la nube y modelos que se ejecutan en el hardware del usuario. Incubado en Stardock, permite flujos de trabajo que generan notas, informes y otros recursos reutilizables. En esta entrevista, Wardell habla de cómo el desarrollo de videojuegos influyó en el producto, del papel de los modelos locales en el trabajo diario y de los controles de enrutamiento, memoria y permisos necesarios para que los agentes sean útiles.

Lleva más de tres décadas desarrollando software de escritorio y juegos de estrategia en Stardock, incluidos productos como Fences y Galactic Civilizations. ¿Qué problema de su propia empresa lo llevó a crear Clairvoyance AI y cuándo se dio cuenta de que podía convertirse en una empresa independiente?

El verdadero punto crítico fue Ara: History Untold, que Stardock ayudó a Microsoft y Oxide Games a terminar. Se estaba dedicando muchísimo tiempo simplemente a incorporar recursos creativos al juego. Los textos llegaban como archivos .DOCX que había que convertir laboriosamente a mano en XML o CSV. Los recursos 3D debían incorporarse cuidadosamente a nuestro motor. Un solo cambio de equilibrio obligaba a modificar una docena de archivos distintos. La localización exigía vincular manualmente las cadenas traducidas con las claves correctas en los archivos correspondientes. Clairvoyance AI hizo que todo eso fuera sencillo y nos permitió lanzar el juego a tiempo.

A finales de 2025, debatíamos internamente si hacerlo público. Era una verdadera ventaja competitiva, como disponer con un año de antelación de un conjunto de funciones más amplio que el de algo como OpenClaw. Lo que nos impulsó a hacerlo público fue ver cómo amigos y colegas perdían empleos por la automatización con IA, empleos que podrían haber conservado si hubieran tenido mejores herramientas. En ese momento, supimos que queríamos abrir Clairvoyance AI al público.

Ha sostenido que muchas herramientas de agentes de IA revelan una falta de experiencia en el lanzamiento de software de consumo. ¿Qué errores ve con más frecuencia y qué lecciones de su propia trayectoria deberían aplicar quienes desarrollan IA?

La señal más clara está en la terminología. Si no conoce de antemano palabras como «glifo», que designa el pequeño elemento gráfico de un botón, se encuentra en una situación de clara desventaja al hablar con una IA, porque esta se ha entrenado con personas que ya conocen la jerga. La mayoría de los equipos que desarrollan estas herramientas son muy inteligentes, pero también muy jóvenes, y eso se nota en sus decisiones sobre usabilidad. Un buen ejemplo es cuando Anthropic añadió la posibilidad de arrastrar texto de una sesión de terminal a otra; eso obtuvo millones de visualizaciones. Nosotros ya teníamos agentes a los que basta con mencionar por su nombre usando @ para delegarles tareas automáticamente, sin arrastrar nada. La herramienta de Anthropic obliga al usuario a hacer el trabajo que debería hacer la IA.

La lección de 30 años de desarrollo y lanzamiento de software de escritorio es que hay que usar de verdad lo que se está creando, todos los días y con plazos reales, antes de que lo vea nadie ajeno a la empresa. Muchos productos de IA parecen obra de personas que nunca han tenido que depender de su propio software en el día a día.

Cree que la próxima etapa de la IA plantea un problema de enrutamiento: decidir qué se ejecuta en un dispositivo, en una red local o en la nube. ¿Podría explicarnos un flujo de trabajo real y cómo deberían tomarse esas decisiones?

El enrutamiento ya no es una decisión individual; se está convirtiendo en una decisión empresarial. Estamos a punto de lanzar una función llamada Hivemind que lo concreta. La mayoría de las grandes empresas ya tienen muchas máquinas capaces que permanecen inactivas todas las noches. Hivemind permite que una empresa agrupe las GPU inactivas de sus propias máquinas para que cualquier integrante del equipo pueda realizar tareas de IA en ellas, en vez de enviarlas a la nube. Si se hace un seguimiento de decenas de miles de envíos en una cadena de suministro, o se audita en qué se gastó el dinero de una empresa, no hace falta un modelo de vanguardia en la nube. Basta con tener suficiente capacidad de cómputo, y la mayoría de las empresas ya dispone de ella sin usar fuera del horario laboral.

A nivel individual, se aplica la misma lógica, pero a menor escala. Cada noche ejecuto paneles de control, informes de fallos, informes de opinión y datos de ventas con un modelo local en lugar de uno en la nube. Antes ejecutaba esa misma carga de trabajo con Claude y me costaba unos 100 dólares al mes en tokens. Ahora se ejecuta gratis durante la noche en hardware que ya tengo, y leo los resultados por la mañana.

Así que la decisión real no es «local o en la nube», sino «¿es necesario que esto ocurra mientras alguien está mirando la pantalla, y ya tiene la empresa el hardware para hacerlo sin pagar por token?»

Cree que una parte sustancial del trabajo cotidiano con agentes ya puede ejecutarse en hardware local. ¿Con qué tareas lo ha demostrado, en qué hardware y cómo mide el éxito más allá de que un modelo produzca una respuesta verosímil?

Hemos obtenido muy buenos resultados al usar IA local para añadir metadatos a nuestros archivos. Como muchas empresas, tenemos terabytes de datos en nuestra red. Stardock desarrolla tanto software como videojuegos y, en el ámbito de los videojuegos, hay décadas de recursos artísticos en 3D y 2D, videos, productos de trabajo, etc.

En toda la empresa tenemos bastantes tarjetas gráficas bastante buenas de AMD y NVIDIA. Hemos comprobado que los modelos de entre 8B y 12B parámetros son más que suficientes para hacer todo lo que necesitamos, y pueden ejecutarse incluso en equipos relativamente antiguos. Ahora mismo, tenemos una laptop con Qualcomm Snapdragon X2 que realiza parte de este trabajo en segundo plano durante la noche.

La IA local es muy buena para procesar y revisar estos archivos poco a poco y añadirles metadatos, de modo que, cuando necesitamos encontrar algo, podemos buscarlo y localizarlo rápidamente. Así descubrimos que tenemos 16 modelos 3D distintos de lobos. En fin.

¿Qué debería motivar que se pase de un modelo local más pequeño a un modelo más capaz en la nube? ¿Cómo detectan que el modelo local tiene dificultades antes de que cometa un error con consecuencias importantes?

Ahora mismo, probablemente habría que recurrir a la nube para cualquier tarea que requiera criterio abierto. En gran medida, los modelos de vanguardia han resuelto el problema de las alucinaciones. Cuando se pasa a modelos más pequeños (locales), las alucinaciones vuelven. Por eso, con los modelos locales solemos tener que imponerles muchas medidas de protección.

Clairvoyance organiza a los agentes como personal de IA con memoria persistente y tareas continuas. ¿Qué han aprendido sobre cómo conservar contexto útil a lo largo del tiempo sin permitir que se acumulen instrucciones desactualizadas, suposiciones incorrectas o recuerdos contradictorios?

Por dentro, Clairvoyance almacena sus recuerdos en una estructura de grafo, de modo que, cuando se actualiza un elemento, esto suele activar actualizaciones recursivas en otros nodos. Esto ayuda a mantener los recuerdos organizados y al día.

El desafío ha sido evitar la recursión infinita, y para ello han hecho falta muchas pruebas y errores durante los últimos dos años.

Dar a los agentes acceso a archivos, aplicaciones y herramientas de desarrollo los hace más útiles, pero también aumenta las consecuencias de sus errores. ¿Cómo estructuran los permisos, las aprobaciones humanas y la recuperación cuando un agente realiza una acción equivocada?

La única medida concreta que tenemos es File Protection: Clairvoyance puede impedir que los agentes eliminen directorios; esta protección se aplica en el nivel de la aplicación, en lugar de mediante hooks que un agente podría eludir.

Cuando un flujo de trabajo combina la ejecución local con la inferencia en la nube, «local primero» puede significar distintas cosas. ¿Qué información sale del equipo del usuario y cómo pueden los usuarios comprender y controlar ese límite?

La seguridad en la nube consiste en impedir el acceso de otras personas. No responde a la pregunta de si el proveedor del modelo debería tener acceso a los secretos de su empresa desde el principio. Clairvoyance está diseñado para priorizar el uso local: sus notas, proyectos y la memoria de su personal permanecen en su propio equipo. Usted decide qué se envía a un modelo en la nube, para cada miembro del personal; no es una configuración general. Si ejecuta un modelo local, no es necesario que nada salga de su equipo. Esto nos lo cuentan directamente nuestros clientes empresariales, que están frustrados por tener que subir flujos de trabajo confidenciales completos a Anthropic u OpenAI solo para poder trabajar.

Clairvoyance tiene más de 40,000 usuarios. ¿Qué han aprendido sobre el uso que las personas hacen realmente de Clairvoyance y pueden compartir un ejemplo cuantificable de un flujo de trabajo recurrente que haya aportado valor sostenido?

La tasa de retención depende en gran medida de la cantidad de datos que el usuario genera durante sus sesiones.

La mayoría de los usuarios de IA aún no ha llegado al punto de aprovechar los datos que genera la IA para seguir trabajando a partir de ellos. La mayoría todavía piensa en términos de instrucciones. Quienes siguen usando Clairvoyance son los que generan muchos documentos de exposición e informes, que a su vez sirven de base para seguir trabajando.

De cara al próximo año, ¿qué avances ampliarían más el tipo de trabajo que los agentes pueden realizar de forma fiable en equipos locales? ¿Qué tendría que ocurrir para que reconsideraran su opinión de que la asignación de tareas importa más que el tamaño del modelo?

Creo que, en 18 meses, entre el 90 y el 95% del trabajo de IA se realizará localmente, y quizá un 5% necesitará la nube para tareas de vanguardia. Esto se debe, sobre todo, a que todavía casi no se delega nada a la IA: incluso tareas triviales, como filtrar currículums según la ubicación o comprobar los horarios de los envíos, siguen haciéndose a mano, y un modelo 4B ya puede hacerlas en una laptop. Esto se ampliará gracias a la computación compartida al estilo Hivemind (que permite que las GPU infrautilizadas de una empresa estén disponibles para todos en el dominio) y a que la asignación de tareas llegue a ser tan eficaz que nadie tenga que saber siquiera qué es un modelo 4B o un Opus.

Gracias por esta excelente entrevista. Los lectores que quieran probar una aplicación de escritorio para gestionar agentes de IA persistentes en sus computadoras pueden visitar Clairvoyance AI.

Antoine es un líder visionario y socio fundador de Unite.AI, impulsado por una pasión inquebrantable por dar forma e impulsar el futuro de la IA y la robótica. Como emprendedor que ha fundado varias empresas, cree que la IA transformará la sociedad tanto como la electricidad y suele hablar con entusiasmo del potencial de las tecnologías disruptivas y de la inteligencia artificial general (AGI).

Como futurista, se dedica a explorar cómo estas innovaciones darán forma a nuestro mundo. Además, es el fundador de Securities.io, una plataforma centrada en invertir en tecnologías de vanguardia que están redefiniendo el futuro y transformando sectores enteros.