Interviste

Brad Wardell, fondatore e CEO di Clairvoyance AI – Intervista

Antoine Tardif
Aggiungi Unite.AI alle tue fonti preferite su Google
Brad Wardell, Founder and CEO of Clairvoyance AI
Punti chiaveWardell sostiene che instradare il lavoro tra hardware locale e cloud sia più…
Vedi di più
  • Wardell sostiene che instradare il lavoro tra hardware locale e cloud sia più importante della dimensione grezza del modello.
  • Clairvoyance memorizza le memorie degli agenti in un grafo, così gli aggiornamenti si propagano e restano attuali.
  • Wardell prevede che il 90-95% del lavoro di IA sarà eseguito localmente entro 18 mesi.

Brad Wardell è fondatore e CEO di Clairvoyance AI, nonché fondatore e CEO di Stardock. Da oltre tre decenni sviluppa software per desktop e giochi strategici, tra cui prodotti come Fences e Galactic Civilizations. Il suo lavoro sulle pipeline di sviluppo dei giochi, sugli asset creativi e sulla reportistica aziendale quotidiana ha suscitato il suo interesse per agenti IA persistenti, in grado di lavorare direttamente con file e applicazioni locali.

Clairvoyance AI sviluppa uno spazio di lavoro per collaboratori IA identificati per nome, con incarichi continuativi e memoria, che collega file e strumenti di sviluppo locali a servizi cloud e modelli eseguiti sull’hardware dell’utente. Nata all’interno di Stardock, supporta flussi di lavoro che producono appunti, rapporti e altri materiali riutilizzabili. In questa intervista, Wardell spiega come lo sviluppo di giochi abbia influenzato il prodotto, quale ruolo abbiano i modelli locali nel lavoro quotidiano e quali controlli di instradamento, memoria e autorizzazione servano per rendere utili gli agenti.

Da oltre tre decenni sviluppa software per desktop e giochi strategici in Stardock, tra cui prodotti come Fences e Galactic Civilizations. Quale problema all’interno della sua azienda l’ha spinta a creare Clairvoyance AI e quando ha capito che poteva diventare un’azienda a sé?

Il problema più urgente era Ara: History Untold, che Stardock ha aiutato Microsoft e Oxide Games a completare. Si impiegava moltissimo tempo soltanto per trasferire gli asset creativi nel gioco. I testi arrivavano in file .DOCX, che dovevano essere convertiti manualmente, con grande fatica, in XML o CSV. Gli asset 3D dovevano essere importati con attenzione nel nostro motore. Una singola modifica al bilanciamento richiedeva di intervenire su una dozzina di file diversi. Per la localizzazione bisognava abbinare manualmente le stringhe tradotte alle chiavi corrette nei file giusti. Clairvoyance AI ha reso tutto questo semplice e ci ha permesso di pubblicare il gioco nei tempi previsti.

Verso la fine del 2025, abbiamo discusso internamente se renderlo pubblico. Rappresentava un vero vantaggio competitivo, come avere un superset di qualcosa come OpenClaw con un anno di anticipo. A spingerci verso la pubblicazione è stato vedere amici e colleghi perdere il lavoro a causa dell’automazione basata sull’IA, un lavoro che avrebbero potuto conservare se avessero avuto strumenti migliori. A quel punto, abbiamo capito di voler rendere Clairvoyance AI accessibile al pubblico.

Ha sostenuto che molti strumenti per agenti IA rivelano una scarsa esperienza nel portare sul mercato software per i consumatori. Quali errori vede più spesso e quali lezioni della sua carriera dovrebbero mettere in pratica gli sviluppatori di IA?

Il segnale più evidente è il lessico. Se non si conoscono già termini come «glifo», che indica la piccola icona su un pulsante, si è davvero svantaggiati quando si parla con un’IA, perché è stata addestrata su testi scritti da persone che conoscono già il gergo. Molti team che sviluppano questi strumenti sono molto brillanti, ma anche molto giovani, e questo si nota nelle scelte relative all’usabilità. Un buon esempio è la funzione aggiunta da Anthropic per trascinare il testo da una sessione del terminale a un’altra: ha ottenuto milioni di visualizzazioni. Noi avevamo già agenti a cui basta assegnare un’attività con una menzione @ seguita dal nome perché se ne occupino automaticamente: non occorre trascinare nulla. La loro soluzione costringe l’utente a fare il lavoro che dovrebbe svolgere l’IA.

La lezione di 30 anni di sviluppo e distribuzione di software per desktop è che bisogna usare davvero ciò che si sta creando, ogni giorno e con scadenze reali, prima che lo veda qualcuno al di fuori dell’azienda. Molti prodotti di IA sembrano realizzati da persone che non hanno mai dovuto affidarsi quotidianamente al proprio software.

Descrive la prossima fase dell’IA come un problema di instradamento: decidere cosa eseguire su un dispositivo, all’interno di una rete locale o nel cloud. Può illustrarci un flusso di lavoro reale e spiegare come andrebbero prese queste decisioni?

L’instradamento non è più una decisione individuale: sta diventando una decisione aziendale. Stiamo per lanciare una funzione chiamata Hivemind, che lo dimostra concretamente. La maggior parte delle grandi aziende possiede già numerose macchine potenti che restano inattive ogni notte. Hivemind consente a un’azienda di mettere in comune le GPU inutilizzate delle proprie macchine, così che chiunque nel team possa usarle per attività di IA invece di inviarle al cloud. Se si devono monitorare decine di migliaia di spedizioni lungo una catena di approvvigionamento o verificare come un’azienda ha speso il proprio denaro, non serve un modello cloud di frontiera. Serve una potenza di calcolo sufficiente, che la maggior parte delle aziende ha già, ma lascia inutilizzata fuori dall’orario di lavoro.

A livello individuale vale lo stesso principio, ma su scala ridotta. Ogni notte elaboro dashboard, rapporti sugli arresti anomali, rapporti sul sentiment e dati di vendita con un modello locale anziché uno cloud. Prima sottoponevo lo stesso carico di lavoro a Claude e spendevo circa 100 $ al mese in token. Ora viene elaborato gratuitamente durante la notte, sull’hardware che già possiedo, e al mattino leggo i risultati.

Quindi la vera domanda non è «locale o cloud?», ma «è necessario svolgere questa attività mentre qualcuno è davanti allo schermo e l’azienda dispone già dell’hardware per farlo senza pagare in base ai token?»

Ritiene che una parte consistente delle attività quotidiane svolte dagli agenti possa già essere eseguita su hardware locale. Con quali attività lo ha dimostrato, su quale hardware e come misura il successo, oltre a valutare se un modello fornisce una risposta plausibile?

Abbiamo ottenuto ottimi risultati usando l’IA in locale per aggiungere metadati ai nostri file. Come molte aziende, abbiamo terabyte di dati sulla nostra rete. Stardock sviluppa sia software sia videogiochi e, per quanto riguarda questi ultimi, dispone di decenni di risorse artistiche 3D e 2D, video, materiali di lavoro e così via.

In azienda abbiamo parecchie schede video piuttosto valide di AMD e NVIDIA. Abbiamo constatato che modelli da 8B a 12B di parametri sono più che sufficienti per fare tutto ciò di cui abbiamo bisogno e possono funzionare anche su hardware relativamente datato. Al momento, un portatile con Qualcomm Snapdragon X2 svolge parte di questo lavoro in background durante la sera.

L’IA locale è davvero brava a esaminare questi file con calma e ad aggiungervi metadati, così, quando dobbiamo trovare qualcosa, possiamo cercarlo e trovarlo rapidamente. Così abbiamo scoperto di avere 16 diversi modelli 3D di lupi. Uff.

Che cosa dovrebbe far passare da un modello locale più piccolo a un modello cloud più potente? Come si fa a capire che il modello locale è in difficoltà prima che commetta un errore dalle conseguenze rilevanti?

Al momento, tutto ciò che richiede un giudizio aperto dovrebbe probabilmente essere affidato al cloud. I modelli di frontiera hanno in gran parte risolto il problema delle allucinazioni. Con i modelli più piccoli (locali), le allucinazioni ricompaiono. Perciò, con i modelli locali, di solito dobbiamo imporre molte misure di sicurezza.

Clairvoyance organizza gli agenti come membri dello staff IA, dotati di memoria persistente e incarichi continuativi. Che cosa avete imparato su come conservare nel tempo un contesto utile, evitando che si accumulino istruzioni obsolete, supposizioni errate o ricordi in conflitto?

Dietro le quinte, Clairvoyance archivia i propri ricordi in una struttura a grafo, così, quando un elemento viene aggiornato, di solito vengono aggiornati ricorsivamente anche altri nodi. Questo aiuta a mantenere i ricordi organizzati e aggiornati.

La difficoltà è stata evitare la ricorsione infinita, e per riuscirci negli ultimi due anni abbiamo dovuto procedere per tentativi.

Consentire agli agenti di accedere a file, applicazioni e strumenti di sviluppo li rende più utili, ma aumenta anche le conseguenze degli errori. Come definite le autorizzazioni, le approvazioni umane e le procedure di ripristino quando un agente compie l’azione sbagliata?

L’unico punto concreto che possiamo citare è File Protection: Clairvoyance può impedire agli agenti di cancellare intere directory, applicando il blocco a livello di app anziché tramite hook che un agente potrebbe aggirare.

Quando un flusso di lavoro combina l’esecuzione locale con l’inferenza nel cloud, «local-first» può avere significati diversi. Quali informazioni lasciano il computer dell’utente e come possono gli utenti capire e controllare questo confine?

La sicurezza del cloud consiste nel tenere fuori gli altri. Non chiarisce se il fornitore del modello debba avere accesso ai segreti della tua azienda. Clairvoyance è progettato per privilegiare l’uso locale: le tue note, i tuoi progetti e la memoria del tuo staff restano sul tuo computer. Decidi tu che cosa inviare a un modello cloud, membro dello staff per membro dello staff, anziché applicare un’impostazione generale. Se esegui un modello locale, non è necessario che nulla lasci il tuo hardware. Ce lo stanno dicendo direttamente i clienti aziendali, frustrati dal dover caricare interi flussi di lavoro riservati su Anthropic o OpenAI solo per portare a termine il lavoro.

Clairvoyance ha oltre 40.000 utenti. Che cosa avete imparato osservando come le persone usano davvero Clairvoyance? Potete condividere un esempio misurabile di un flusso di lavoro ricorrente che abbia generato valore costante?

Il tasso di fidelizzazione dipende molto dalla quantità di dati che l’utente genera durante le proprie sessioni.

La maggior parte degli utenti dell’IA non ha ancora superato la soglia che li porterebbe a usare i dati generati dall’IA come base per svilupparci altro. La maggior parte continua a ragionare in termini di prompt. Gli utenti che restano con Clairvoyance sono quelli che generano molti documenti e report, che a loro volta costituiscono la base per ulteriori attività.

Guardando al prossimo anno, quali sviluppi amplierebbero maggiormente il lavoro che gli agenti possono svolgere in modo affidabile in locale? Che cosa dovrebbe accadere perché rivedeste la vostra convinzione che conta più l’instradamento delle richieste che la dimensione del modello?

Penso che entro 18 mesi il 90-95% del lavoro svolto con l’IA avverrà in locale, mentre forse il 5% richiederà il cloud per attività che necessitano di modelli di frontiera. Questo soprattutto perché, per ora, non stiamo ancora delegando quasi nulla all’IA: persino compiti banali, come selezionare i curriculum in base alla località o verificare i tempi di spedizione, vengono ancora svolti a mano, e un modello da 4B è già in grado di occuparsene su un portatile. A rendere possibile questo cambiamento saranno il calcolo distribuito in stile Hivemind (che permetterà alle GPU inutilizzate di un’azienda di essere messe a disposizione di tutti gli utenti del dominio) e un instradamento abbastanza efficace da fare in modo che nessuno debba sapere che cosa siano un modello da 4B o un Opus.

Grazie per la splendida intervista. I lettori che desiderano provare un’app desktop per gestire agenti IA con memoria persistente sui propri computer possono visitare Clairvoyance AI.

Antoine è un leader visionario e socio fondatore di Unite.AI, animato da una passione incrollabile per plasmare e promuovere il futuro dell’IA e della robotica. Imprenditore che ha fondato diverse aziende, ritiene che l’IA trasformerà la società quanto l’elettricità e parla spesso con entusiasmo del potenziale delle tecnologie dirompenti e dell’intelligenza artificiale generale (AGI).

In qualità di futurologo, si dedica a esplorare come queste innovazioni plasmeranno il nostro mondo. È inoltre il fondatore di Securities.io, una piattaforma incentrata sugli investimenti in tecnologie all’avanguardia che stanno ridefinendo il futuro e trasformando interi settori.