Haastattelut
Brad Wardell, Clairvoyance AI:n perustaja ja toimitusjohtaja – haastattelusarja

Keskeiset kohdatWardell väittää, että työn reitittäminen paikallisen ja pilvilaitteiston välillä on…
Näytä lisää
- Wardell väittää, että työn reitittäminen paikallisen ja pilvilaitteiston välillä on tärkeämpää kuin mallin raakakoko.
- Clairvoyance tallentaa agenttien muistot graafiin, jotta päivitykset leviävät ja pysyvät ajantasaisina.
- Wardell ennustaa, että 90–95 % tekoälytyöstä ajetaan paikallisesti 18 kuukauden kuluessa.
Brad Wardell on Clairvoyance AI:n perustaja ja toimitusjohtaja sekä Stardockin perustaja ja toimitusjohtaja. Hän on kehittänyt työpöytäohjelmistoja ja strategiapelejä yli kolmen vuosikymmenen ajan. Niihin kuuluvat esimerkiksi Fences ja Galactic Civilizations. Pelinkehitysprosessien, luovien sisältöjen ja päivittäisen yritysraportoinnin parissa tehty työ herätti hänen kiinnostuksensa jatkuvasti toimiviin tekoälyagentteihin, jotka voivat käsitellä suoraan paikallisia tiedostoja ja sovelluksia.
Clairvoyance AI kehittää työtilaa nimetyille tekoälytyöntekijöille, joilla on jatkuvia tehtäviä ja muisti. Se yhdistää paikalliset tiedostot ja kehitystyökalut pilvipalveluihin sekä käyttäjän omalla laitteistolla toimiviin malleihin. Stardockin hautomossa kehitetty ratkaisu tukee työnkulkuja, joissa syntyy uudelleenkäytettäviä muistiinpanoja, raportteja ja muita tuotoksia. Tässä haastattelussa Wardell kertoo, miten pelinkehitys vaikutti tuotteeseen, miten paikallisia malleja voidaan hyödyntää päivittäisessä työssä sekä millaisia reititys-, muisti- ja käyttöoikeuksien hallintatoimintoja tarvitaan, jotta agenteista on hyötyä.
Olet kehittänyt Stardockilla työpöytäohjelmistoja ja strategiapelejä yli kolmen vuosikymmenen ajan. Tuotteisiin kuuluvat esimerkiksi Fences ja Galactic Civilizations. Mikä oman yrityksesi ongelma sai sinut kehittämään Clairvoyance AI:n, ja milloin ymmärsit, että siitä voisi tulla itsenäinen yritys?
Suurin kipukohta oli Ara: History Untold, jonka Stardock auttoi Microsoftia ja Oxide Gamesia saattamaan valmiiksi. Pelkkään luovien sisältöjen siirtämiseen peliin kului valtavasti aikaa. Tekstit toimitettiin .DOCX-tiedostoina, jotka piti muuntaa käsin työläästi XML- tai CSV-muotoon. 3D-sisällöt piti tuoda huolellisesti pelimoottoriimme. Yksikin pelitasapainon muutos tarkoitti, että piti muokata tusinaa eri tiedostoa. Lokalisoinnissa käännetyt merkkijonot piti yhdistää käsin oikeisiin avaimiin oikeissa tiedostoissa. Clairvoyance AI teki tästä kaikesta vaivatonta ja auttoi meitä saamaan pelin valmiiksi ajoissa.
Vuoden 2025 loppupuolella keskustelimme sisäisesti siitä, pitäisikö tuote ylipäätään tuoda julkisuuteen. Se oli todellinen kilpailuetu – kuin meillä olisi ollut vuotta muita aiemmin käytössämme OpenClaw’n kaltaisen ratkaisun laajempi versio. Julkistamispäätökseen vaikutti se, että näimme ystävien ja kollegoiden menettävän työpaikkansa tekoälyautomaation vuoksi, vaikka he olisivat voineet säilyttää työnsä parempien työkalujen avulla. Siinä vaiheessa tiesimme haluavamme avata Clairvoyance AI:n yleisön käyttöön.
Olet sanonut, että monet tekoälyagenttityökalut paljastavat kehittäjiensä kokemattomuuden kuluttajaohjelmistojen julkaisemisessa. Millaisia virheitä näet useimmin, ja mitä tekoälykehittäjien pitäisi oppia omalta uraltasi?
Suurin paljastava merkki on terminologia. Jos et tunne ennestään termejä, kuten painikkeen pientä grafiikkaa tarkoittavaa ”glyfiä”, olet tekoälyn kanssa keskustellessasi selvästi heikommassa asemassa, koska se on koulutettu ihmisillä, jotka jo tuntevat alan sanaston. Useimmat näitä työkaluja kehittävät tiimit ovat hyvin älykkäitä mutta hyvin nuoria, ja se näkyy käytettävyyteen liittyvissä ratkaisuissa. Hyvä esimerkki on Anthropic, joka lisäsi mahdollisuuden vetää tekstiä pääteistunnosta toiseen; ominaisuus keräsi miljoonia näyttökertoja. Meillä on ollut agentteja, joille voi vain antaa työn nimellä mainitsemalla ne @-merkillä, jolloin työ siirtyy niille automaattisesti. Mitään ei tarvitse vetää. Anthropicin ratkaisussa käyttäjän on tehtävä työ, joka tekoälyn pitäisi tehdä.
Työpöytäohjelmistojen julkaisemisesta saadun 30 vuoden kokemuksen opetus on, että kehittämääsi tuotetta pitää itse käyttää joka päivä ja oikeiden määräaikojen puitteissa, ennen kuin kukaan yrityksen ulkopuolinen näkee sen. Monet tekoälytuotteet tuntuvat siltä, että ne on kehittänyt joku, jonka ei ole koskaan tarvinnut elää oman ohjelmistonsa varassa.
Olet kuvaillut tekoälyn seuraavaa vaihetta reititysongelmaksi: on päätettävä, mitä suoritetaan laitteella, paikallisverkossa ja pilvessä. Voisitko käydä läpi todellisen työnkulun ja selittää, miten nämä päätökset pitäisi tehdä?
Reititys ei enää oikeastaan ole yksittäisen käyttäjän päätös, vaan siitä on tulossa yritystason kysymys. Aiomme julkaista pian Hivemind-nimisen ominaisuuden, joka konkretisoi tämän. Useimmilla suuryrityksillä on jo runsaasti tehokkaita koneita, jotka ovat öisin käyttämättöminä. Hivemindin avulla yritys voi yhdistää omien koneidensa käyttämättömät GPU:t niin, että kuka tahansa tiimin jäsen voi suorittaa niillä tekoälytehtäviä pilveen lähettämisen sijaan. Jos seuraat kymmeniätuhansia toimituksia toimitusketjussa tai tarkastat, mihin yrityksen rahat ovat menneet, et tarvitse siihen huipputason pilvimallia. Tarvitset riittävästi laskentatehoa, ja useimmilla yrityksillä on sitä jo valmiiksi käyttämättömänä työajan ulkopuolella.
Sama ajatus pätee yksittäisen käyttäjän tasolla, vain pienemmässä mittakaavassa. Suoritan joka yö paikallisella mallilla pilvimallin sijaan koontinäyttöjen, kaatumisraporttien, mielipideraporttien ja myyntitietojen käsittelyä. Aiemmin suoritin saman työkuorman Claudella, ja se maksoi tokeneina noin 100 dollaria kuukaudessa. Nyt työ hoituu yön aikana ilmaiseksi laitteistolla, jonka omistan jo, ja luen tulokset aamulla.
Todellinen kysymys ei siis ole ”paikallinen vai pilvi”, vaan ”pitääkö tämä tehdä silloin, kun joku tuijottaa näyttöä, ja onko yrityksellä jo laitteisto, jolla sen voi tehdä maksamatta tokeneista”.
Uskot, että merkittävä osa tekoälyagenttien päivittäisestä työstä voidaan jo suorittaa paikallisella laitteistolla. Millaisissa tehtävissä olet osoittanut tämän, millaisella laitteistolla ja miten onnistumista pitäisi arvioida sen lisäksi, tuottaako malli uskottavalta kuulostavan vastauksen?
Paikallisen tekoälyn avulla tiedostojemme metatietojen lisääminen on onnistunut meiltä erittäin hyvin. Kuten monilla yrityksillä, meilläkin on verkossamme teratavuittain dataa. Stardock kehittää sekä ohjelmistoja että pelejä, ja pelipuolella meillä on vuosikymmenten ajalta 3D- ja 2D-taideaineistoja, videoita, työn tuloksia ja muuta vastaavaa.
Yrityksessämme on paljon varsin hyviä AMD:n ja NVIDIAn näytönohjaimia. Olemme havainneet, että 8B–12B-parametriset mallit riittävät mainiosti kaikkeen tarvitsemaamme, ja ne toimivat jopa melko vanhalla laitteistolla. Tällä hetkellä meillä on Qualcomm Snapdragon X2 -kannettava, joka tekee osan tästä työstä taustalla iltaisin.
Paikallinen tekoäly on todella hyvä käymään näitä tiedostoja hitaasti läpi ja tarkastelemaan niitä sekä lisäämään niihin metatietoja. Kun meidän on löydettävä jotakin, voimme siis hakea sitä ja löytää sen nopeasti. Näin saimme selville, että meillä on 16 erilaista susien 3D-mallia. Huoh.
Mikä saa siirtämään tehtävän pienemmältä paikalliselta mallilta kyvykkäämmälle pilvimallille? Miten havaitsette paikallisen mallin vaikeudet ennen kuin se tekee merkittävän virheen?
Tällä hetkellä kaikki sellainen, joka vaatii avointa harkintaa, pitäisi luultavasti siirtää pilveen. Kehittyneimmät mallit ovat ratkaisseet hallusinoinnin ongelman pitkälti. Pienempiin (paikallisiin) malleihin siirryttäessä hallusinointi palaa. Siksi paikallisten mallien kohdalla niille on yleensä asetettava paljon suojarajoja.
Clairvoyance järjestää agentit tekoälytyöntekijöiksi, joilla on pysyvä muisti ja jatkuvia tehtäviä. Mitä olette oppineet siitä, miten hyödyllinen konteksti säilytetään ajan mittaan niin, etteivät vanhentuneet ohjeet, virheelliset oletukset tai ristiriitaiset muistot pääse kertymään?
Pinnan alla Clairvoyance tallentaa muistinsa graafirakenteeseen, joten yhden asian päivittyminen käynnistää yleensä päivityksiä myös muissa solmuissa rekursiivisesti. Tämä auttaa pitämään muistot järjestyksessä ja ajan tasalla.
Haasteena on ollut estää ääretön rekursio, ja sen ratkaiseminen on vaatinut paljon kokeilua ja erehdyksiä parin viime vuoden aikana.
Agentit ovat hyödyllisempiä, kun ne pääsevät käsiksi tiedostoihin, sovelluksiin ja kehitystyökaluihin, mutta samalla virheiden seuraukset voivat olla vakavampia. Miten järjestätte käyttöoikeudet, ihmisen hyväksynnän ja palautumisen tilanteessa, jossa agentti tekee väärän toimenpiteen?
Yksi konkreettinen ratkaisu on File Protection: Clairvoyance voi estää agentteja poistamasta hakemistoja. Esto toteutetaan sovellustasolla eikä koukuilla, jotka agentti voisi kiertää.
Kun työnkulussa yhdistyvät paikallinen suoritus ja pilvipohjainen päättely, ”paikallisuus ensin” voi tarkoittaa eri asioita. Mitä tietoja poistuu käyttäjän koneelta, ja miten käyttäjät voivat ymmärtää ja hallita tätä rajaa?
Pilvitietoturvassa on kyse siitä, että muut pidetään ulkopuolella. Se ei vastaa siihen, pitäisikö mallin tarjoajalla ylipäätään olla yrityksesi salaisuuksia. Clairvoyance on suunniteltu paikallisuus edellä: muistiinpanosi, projektisi ja henkilöstön muisti ovat omalla koneellasi. Päätät itse, mitä lähetetään pilvimallille, ja päätös tehdään kunkin työntekijän osalta erikseen eikä yleisenä asetuksena. Jos käytät paikallista mallia, mitään ei tarvitse lähettää laitteistosi ulkopuolelle. Kuulemme tämän suoraan yritysasiakkailta, joita turhauttaa se, että heidän on ladattava kokonaisia luottamuksellisia työnkulkuja Anthropiciin tai OpenAIhin saadakseen työnsä tehtyä.
Clairvoyancella on yli 40 000 käyttäjää. Mitä olette oppineet siitä, miten ihmiset todella käyttävät Clairvoyancea, ja voitteko kertoa mitattavan esimerkin toistuvasta työnkulusta, jossa se on tuottanut pitkäaikaista hyötyä?
Käyttäjien pysyvyys riippuu suuresti siitä, kuinka paljon dataa he tuottavat istunnoissaan.
Useimmat tekoälyn käyttäjät eivät ole vielä päässeet siihen vaiheeseen, että he hyödyntäisivät tekoälyn tuottamaa dataa jatkotyön pohjana. Useimmat ajattelevat edelleen kehotteiden kautta. Clairvoyancen käyttäjiksi jäävät ne, jotka tuottavat paljon näyttöaineistoja ja raportteja, joista muodostuu puolestaan perusta jatkotyölle.
Kun katsotte vuoden päähän, millainen kehitys laajentaisi eniten niiden tehtävien joukkoa, jotka agentit pystyvät hoitamaan luotettavasti paikallisesti? Mitä pitäisi tapahtua, jotta muuttaisitte käsitystänne siitä, että mallin kokoa tärkeämpää on tehtävien reititys?
Uskon, että 18 kuukauden kuluessa 90–95 % tekoälytyöstä tehdään paikallisesti ja ehkä 5 % vaatii pilveä huipputason tehtävissä. Tämä johtuu pääasiassa siitä, että tekoälylle delegoidaan vielä tuskin mitään: jopa yksinkertaiset tehtävät, kuten ansioluetteloiden seulominen sijainnin perusteella tai lähetysten aikataulujen tarkistaminen, hoidetaan yhä käsin, vaikka 4B-malli pystyy jo tekemään ne kannettavalla tietokoneella. Tätä kehitystä vauhdittavat Hivemind-tyyppinen yhdistetty laskentateho (jolloin yrityksen vajaakäytössä olevat näytönohjaimet palvelevat kaikkia toimialueella) sekä riittävän hyvä reititys, jonka ansiosta kenenkään ei tarvitse tietää, mikä 4B-malli tai Opus edes on.
Kiitos hienosta haastattelusta! Lukijoiden, jotka haluavat kokeilla työpöytäsovellusta pysyvien tekoälyagenttien hallintaan eri tietokoneillaan, kannattaa tutustua palveluun Clairvoyance AI.












