Entretiens

Brad Wardell, fondateur et PDG de Clairvoyance AI – Série d’entretiens

Antoine Tardif
Ajouter Unite.AI à vos sources préférées sur Google
Brad Wardell, Founder and CEO of Clairvoyance AI
Points clésWardell soutient que le routage du travail entre le matériel local et le cloud importe…
Voir plus
  • Wardell soutient que le routage du travail entre le matériel local et le cloud importe plus que la taille brute du modèle.
  • Clairvoyance stocke les mémoires des agents dans un graphe afin que les mises à jour se propagent et restent à jour.
  • Wardell prédit que 90 à 95 % du travail d'IA s'exécutera localement d'ici 18 mois.

Brad Wardell est le fondateur et PDG de Clairvoyance AI, ainsi que le fondateur et PDG de Stardock. Depuis plus de trois décennies, il crée des logiciels de bureau et des jeux de stratégie, notamment des produits comme Fences et Galactic Civilizations. Son expérience des chaînes de production de jeux, des ressources créatives et des rapports d’activité quotidiens a suscité son intérêt pour des agents IA persistants, capables de travailler directement avec des fichiers et des applications locaux.

Clairvoyance AI développe un espace de travail destiné à des collaborateurs IA nommés, auxquels sont confiées des missions continues et qui disposent d’une mémoire. Il relie les fichiers locaux et les outils de développement aux services cloud et aux modèles exécutés sur le propre matériel de l’utilisateur. Incubé chez Stardock, le produit prend en charge des processus qui produisent des notes, des rapports et d’autres éléments réutilisables. Dans cet entretien, Wardell explique comment le développement de jeux a influencé le produit, quelle place les modèles locaux occupent dans le travail quotidien, et quels mécanismes d’acheminement, de mémoire et de gestion des autorisations sont nécessaires pour rendre les agents utiles.

Vous créez depuis plus de trois décennies des logiciels de bureau et des jeux de stratégie chez Stardock, notamment des produits comme Fences et Galactic Civilizations. Quel problème rencontré au sein de votre propre entreprise vous a incité à créer Clairvoyance AI, et à quel moment avez-vous compris que le projet pouvait devenir une entreprise à part entière ?

Le principal point de friction était Ara: History Untold, que Stardock a aidé Microsoft et Oxide Games à terminer. Nous consacrions énormément de temps à simplement intégrer les ressources créatives dans le jeu. Les textes nous parvenaient sous forme de fichiers .DOCX qu’il fallait convertir manuellement, avec un soin minutieux, en XML ou en CSV. Il fallait intégrer soigneusement les ressources 3D dans notre moteur. Une seule modification d’équilibrage impliquait de toucher à une douzaine de fichiers différents. Pour la localisation, il fallait faire correspondre manuellement les chaînes traduites aux bonnes clés dans les bons fichiers. Clairvoyance AI a rendu tout cela beaucoup plus simple et nous a permis de livrer le jeu dans les délais.

À la fin de 2025, nous avons débattu en interne de l’opportunité de le rendre public. Il nous conférait un véritable avantage concurrentiel, comme si nous disposions, avec un an d’avance, d’une version plus complète d’un outil comme OpenClaw. Ce qui nous a poussés à le rendre public, c’est de voir des amis et des collègues perdre leur emploi à cause de l’automatisation par l’IA, alors qu’ils auraient pu le conserver s’ils avaient eu de meilleurs outils. À ce moment-là, nous savions que nous voulions ouvrir Clairvoyance AI au public.

Vous avez soutenu que de nombreux outils d’agents IA révèlent un manque d’expérience dans la commercialisation de logiciels grand public. Quelles erreurs voyez-vous le plus souvent, et quelles leçons tirées de votre propre carrière les développeurs d’IA devraient-ils appliquer ?

Le signe le plus révélateur, c’est la terminologie. Si vous ne connaissez pas déjà certains termes, comme « glyphe » pour désigner le petit élément graphique sur un bouton, vous êtes vraiment désavantagé lorsque vous discutez avec une IA, car elle a été entraînée à partir de contenus produits par des personnes qui maîtrisent déjà le jargon. La plupart des équipes qui développent ces outils sont très intelligentes, mais très jeunes, et cela se voit dans leurs choix en matière d’ergonomie. Un bon exemple : quand Anthropic a ajouté la possibilité de faire glisser du texte d’une session de terminal à une autre, cette fonctionnalité a été vue des millions de fois. Nous avions déjà des agents auxquels il suffisait d’adresser une mention @ suivie de leur nom pour leur déléguer automatiquement du travail, sans rien faire glisser. Leur solution oblige l’utilisateur à faire le travail que l’IA devrait faire.

La leçon que l’on tire de 30 ans de commercialisation de logiciels de bureau, c’est qu’il faut vraiment utiliser le produit que l’on développe, tous les jours et avec de vraies échéances, avant que quiconque en dehors de l’entreprise puisse le voir. Beaucoup de produits d’IA donnent l’impression d’avoir été créés par des gens qui n’ont jamais eu à utiliser leurs propres logiciels au quotidien.

Vous décrivez la prochaine étape de l’IA comme un problème d’acheminement : déterminer ce qui s’exécute sur un appareil, sur un réseau local ou dans le cloud. Pourriez-vous nous présenter un processus de travail concret et expliquer comment prendre ces décisions ?

L’acheminement n’est plus vraiment une décision individuelle : elle se prend de plus en plus à l’échelle de l’entreprise. Nous allons bientôt lancer une fonctionnalité appelée Hivemind, qui concrétise cette idée. La plupart des grandes entreprises possèdent déjà de nombreuses machines performantes qui restent inactives chaque nuit. Hivemind permet à une entreprise de mettre en commun les GPU inutilisés de ses propres machines afin que chaque membre de l’équipe puisse y exécuter des tâches d’IA au lieu de les envoyer dans le cloud. Si vous suivez des dizaines de milliers d’expéditions dans une chaîne d’approvisionnement ou vérifiez où est passé l’argent d’une entreprise, vous n’avez pas besoin d’un modèle de pointe dans le cloud. Il vous faut une puissance de calcul suffisante, et la plupart des entreprises en ont déjà à disposition, inutilisée en dehors des heures de travail.

À l’échelle individuelle, la même logique s’applique, simplement à plus petite échelle. Chaque nuit, j’exécute des tableaux de bord, des rapports de plantage, des rapports d’analyse du sentiment et des données de vente sur un modèle local plutôt que dans le cloud. Avant, je traitais ces mêmes tâches avec Claude, ce qui me coûtait environ 100 $ par mois en jetons. Maintenant, elles s’exécutent gratuitement pendant la nuit sur du matériel que je possède déjà, et je consulte les résultats le matin.

La véritable question n’est donc pas « local ou cloud », mais plutôt : « Cela doit-il se faire pendant que quelqu’un est devant son écran, et l’entreprise possède-t-elle déjà le matériel nécessaire pour le faire sans payer à chaque jeton ? »

Vous estimez qu’une part importante du travail agentique quotidien peut déjà être effectuée sur du matériel local. Pour quelles tâches l’avez-vous démontré, avec quel matériel, et comment mesurez-vous la réussite au-delà de la capacité d’un modèle à produire une réponse plausible ?

Nous avons obtenu d’excellents résultats en utilisant l’IA locale pour ajouter des métadonnées à nos fichiers. Comme beaucoup d’entreprises, nous avons plusieurs téraoctets de données sur notre réseau. Stardock développe à la fois des logiciels et des jeux ; pour ces derniers, nous disposons de plusieurs décennies d’éléments graphiques 2D et 3D, de vidéos, de fichiers de travail, etc.

L’entreprise possède de nombreuses cartes graphiques assez performantes d’AMD et de NVIDIA. Nous avons constaté que des modèles de 8B à 12B de paramètres suffisent largement à tout ce dont nous avons besoin, et qu’ils fonctionnent même sur du matériel relativement ancien. En ce moment, un ordinateur portable équipé d’un Qualcomm Snapdragon X2 effectue une partie de ces tâches en arrière-plan le soir.

L’IA locale est particulièrement efficace pour examiner ces fichiers lentement, les passer en revue et leur ajouter des métadonnées. Ainsi, quand nous cherchons quelque chose, nous pouvons le retrouver rapidement. Nous avons donc découvert que nous possédions 16 modèles 3D de loups différents. Soupir.

Qu’est-ce qui devrait déclencher le passage d’un modèle local plus petit à un modèle inféré dans le cloud et plus performant ? Comment détectez-vous qu’un modèle local est en difficulté avant qu’il ne commette une erreur aux conséquences importantes ?

Pour l’instant, tout ce qui nécessite un jugement ouvert devrait probablement être confié au cloud. Les modèles de pointe ont en grande partie résolu le problème des hallucinations. Avec des modèles plus petits (locaux), les hallucinations réapparaissent. Il faut donc généralement leur imposer de nombreuses mesures de protection.

Clairvoyance organise les agents en équipes de collaborateurs IA dotés d’une mémoire persistante et de missions continues. Qu’avez-vous appris sur la manière de préserver un contexte utile au fil du temps sans laisser s’accumuler des instructions obsolètes, des suppositions erronées ou des souvenirs contradictoires ?

En coulisses, Clairvoyance stocke ses souvenirs sous forme de graphe. Ainsi, lorsqu’un élément est mis à jour, cela déclenche généralement la mise à jour récursive d’autres nœuds. Cela permet de garder les souvenirs organisés et à jour.

Le défi a été d’empêcher toute récursion infinie, ce qui nous a demandé beaucoup d’essais et d’erreurs au cours des deux dernières années.

Donner aux agents accès aux fichiers, aux applications et aux outils de développement les rend plus utiles, mais accroît aussi les conséquences de leurs erreurs. Comment définissez-vous les autorisations, les validations humaines et les procédures de récupération lorsqu’un agent effectue la mauvaise action ?

Le seul point concret dont nous disposons est la protection des fichiers : Clairvoyance peut empêcher les agents d’effacer des répertoires. Cette protection est appliquée au niveau de l’application, et non au moyen de hooks qu’un agent pourrait contourner.

Lorsqu’un flux de travail combine exécution locale et inférence dans le cloud, l’expression « local d’abord » peut avoir différentes significations. Quelles informations quittent l’ordinateur de l’utilisateur, et comment celui-ci peut-il comprendre et contrôler cette limite ?

La sécurité du cloud consiste à empêcher les autres d’y accéder. Elle ne répond pas à la question de savoir si le fournisseur du modèle devrait avoir accès aux secrets de votre entreprise. Clairvoyance privilégie le fonctionnement local dès sa conception : vos notes, vos projets et la mémoire de votre équipe restent sur votre propre ordinateur. C’est vous qui décidez ce qui est envoyé à un modèle dans le cloud, pour chaque membre de l’équipe, plutôt que d’appliquer un réglage général. Si vous exécutez un modèle local, rien ne doit quitter votre matériel. Des clients grands comptes nous disent directement qu’ils sont frustrés de devoir téléverser des flux de travail confidentiels entiers vers Anthropic ou OpenAI pour simplement pouvoir travailler.

Clairvoyance compte plus de 40 000 utilisateurs. Qu’avez-vous appris de la façon dont les gens utilisent réellement Clairvoyance, et pouvez-vous donner un exemple mesurable d’un flux de travail récurrent qui a apporté une valeur durable ?

Le taux de fidélisation dépend fortement de la quantité de données que l’utilisateur génère au cours de ses sessions.

La plupart des utilisateurs de l’IA n’ont pas vraiment franchi le cap qui consiste à reprendre les données générées par l’IA pour les développer. La plupart pensent encore en termes de requêtes. Les utilisateurs qui restent sur Clairvoyance sont ceux qui produisent beaucoup de pièces et de rapports, lesquels servent ensuite de base à d’autres travaux.

Si vous vous projetez à un an, quelles évolutions permettraient aux agents de prendre en charge de façon fiable davantage de tâches en local ? Que faudrait-il pour que vous reconsidériez votre opinion selon laquelle l’acheminement des tâches compte davantage que la taille du modèle ?

Je pense que d’ici 18 mois, 90 à 95 % du travail effectué par l’IA sera réalisé en local, et que peut-être 5 % nécessitera le cloud pour les tâches exigeant des modèles de pointe. Cela s’explique surtout par le fait que presque rien n’est encore délégué à l’IA : même des tâches simples, comme trier des CV selon la localisation ou vérifier les délais d’expédition, sont toujours effectuées manuellement, alors qu’un modèle de 4B peut déjà s’en charger sur un ordinateur portable. Ce qui pourrait faire évoluer la situation, c’est le calcul mutualisé de type Hivemind — qui permettrait aux GPU sous-utilisés d’une entreprise de servir tous les utilisateurs du domaine — ainsi qu’un acheminement suffisamment efficace pour que personne n’ait besoin de savoir ce qu’est un modèle de 4B ou un Opus.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent essayer une application de bureau permettant de gérer des agents d’IA persistants sur leurs ordinateurs peuvent se rendre sur Clairvoyance AI.

Antoine est un dirigeant visionnaire et associé fondateur d’Unite.AI, animé par une passion inébranlable pour façonner et promouvoir l’avenir de l’IA et de la robotique. Entrepreneur ayant créé plusieurs entreprises, il estime que l’IA transformera la société autant que l’électricité et parle souvent avec enthousiasme du potentiel des technologies de rupture et de l’intelligence artificielle générale (AGI).

En tant que prospectiviste, il se consacre à l’étude de la manière dont ces innovations façonneront notre monde. Il est également le fondateur de Securities.io, une plateforme consacrée à l’investissement dans les technologies de pointe qui redéfinissent l’avenir et transforment des secteurs entiers.