インタビュー
Clairvoyance AI創業者兼CEO、Brad Wardell氏に聞く―インタビューシリーズ

要点ワーデルは、ローカルハードウェアとクラウドハードウェアの間で作業を振り分けることが、モデルの生のサイズよりも重要だと主張している。
もっと見る
- ワーデルは、ローカルハードウェアとクラウドハードウェアの間で作業を振り分けることが、モデルの生のサイズよりも重要だと主張している。
- クレアボヤンスはエージェントの記憶をグラフに保存するため、更新が伝播して最新の状態に保たれる。
- ワーデルは、AI作業の90〜95%が18か月以内にローカルで実行されるようになると予測している。
Brad Wardell氏は、Clairvoyance AIの創業者兼CEOであり、Stardockの創業者兼CEOでもあります。FencesやGalactic Civilizationsなどの製品を含め、デスクトップソフトウェアやストラテジーゲームの開発に30年以上携わってきました。ゲーム開発のパイプラインやクリエイティブアセット、日々の業務報告に取り組んできた経験が、ローカルファイルやアプリケーションと直接連携できる、継続的に稼働するAIエージェントへの関心につながりました。
Clairvoyance AIは、名前を持つAIスタッフに継続的な担当業務と記憶を与えるワークスペースを開発しています。ローカルファイルや開発ツールを、クラウドサービスやユーザー自身のハードウェアで動作するモデルと連携させます。Stardockでの社内育成を経て、再利用可能なメモやレポートなどの成果物を作成するワークフローに対応しています。このインタビューではWardell氏が、ゲーム開発が製品にどのような影響を与えたのか、ローカルモデルが日々の業務でどのような役割を果たすのか、そしてエージェントを実用的なものにするために必要なルーティング、記憶、権限管理について語ります。
Stardockで30年以上にわたり、FencesやGalactic Civilizationsなどの製品を含むデスクトップソフトウェアやストラテジーゲームを開発してきました。ご自身の事業のどのような課題がClairvoyance AIの開発につながり、いつ、独立した会社になり得ると気づいたのでしょうか?
StardockがMicrosoftおよびOxide Gamesとともに完成を支援した『Ara: History Untold』が、実際の大きな課題でした。クリエイティブアセットをゲームに組み込むだけで、膨大な時間がかかっていました。文章は.DOCXファイルで届き、XMLまたはCSVに手作業で丹念に変換する必要がありました。3Dアセットも、慎重にエンジンへ取り込まなければなりませんでした。バランスを一つ変更するだけで、十数個ものファイルに手を入れる必要がありました。ローカライズでは、翻訳済みの文字列を適切なファイル内の正しいキーに、手作業で対応づけていました。Clairvoyance AIによって、こうした作業がすべて苦にならなくなり、予定どおりにリリースできました。
2025年後半には、そもそも一般公開すべきかどうか、社内で議論していました。これは大きな競争優位性で、たとえばOpenClawのようなものを、1年早く、しかもその上位版として持っているようなものでした。一般公開に踏み切るきっかけとなったのは、より良いツールがあれば仕事を失わずに済んだはずの友人や同僚が、AIによる自動化で職を失うのを目の当たりにしたことです。その時点で、Clairvoyance AIを一般に公開したいと考えるようになりました。
多くのAIエージェントツールには、消費者向けソフトウェアをリリースした経験の不足が表れていると指摘されています。よく見られる間違いは何でしょうか。また、ご自身のキャリアから得たどのような教訓を、AI開発者は生かすべきでしょうか?
最も顕著に表れるのは、専門用語の扱いです。たとえば、ボタン上の小さな図形を指す「グリフ」のような言葉を知らないと、AIとやり取りするうえで大きな不利になります。AIは、すでにそうした専門用語を知っている人たちのデータで学習しているからです。こうしたツールを開発しているチームの多くは非常に優秀ですが、経験が浅く、そのことが使いやすさに関する判断に表れています。好例は、Anthropicがあるターミナルセッションから別のセッションへテキストをドラッグできる機能を追加したところ、何百万回も閲覧されたことです。私たちは、名前の前に@を付けて呼び出すだけで、自動的に作業を引き継げるエージェントを以前から提供しています。何かをドラッグする必要はありません。Anthropicの機能では、AIが行うべき作業をユーザー自身がしなければなりません。
デスクトップソフトウェアを30年間リリースしてきた経験から得た教訓は、社外に公開する前に、現実の締め切りがある状況で、作っているものを毎日実際に使わなければならないということです。多くのAI製品からは、開発者自身が自分たちのソフトウェアを使い続ける必要に迫られたことがないような印象を受けます。
AIの次の段階は、デバイス上、ローカルネットワーク上、クラウド上のどこで処理を実行するかを決めるルーティングの問題だとおっしゃっています。実際のワークフローを例に、こうした判断をどのように行うべきか説明していただけますか?
ルーティングはもはや個人が決める問題ではなく、企業全体で決めるものになりつつあります。この点を具体化する「Hivemind」という機能を、まもなくリリースする予定です。ほとんどの企業は、毎晩稼働せずにいる高性能なマシンをすでに多数保有しています。Hivemindを使えば、社内のそうした遊休GPUを企業内でプールし、チームの誰もがクラウドに送る代わりに、それらのGPUでAI処理を実行できます。サプライチェーン全体で数万件の出荷を追跡したり、企業資金の使途を監査したりするのに、最先端のクラウドモデルは必要ありません。必要なのは十分な計算能力であり、ほとんどの企業は営業時間外に使われていない計算資源をすでに持っています。
個人の場合も、規模は小さくなりますが、同じ考え方が当てはまります。私はダッシュボード、クラッシュレポート、センチメントレポート、販売データを毎晩、クラウドモデルではなくローカルモデルで処理しています。以前は同じ作業をClaudeで実行しており、トークン料金が月に約100ドルかかっていました。今では、すでに所有しているハードウェアで夜間に無料で処理し、朝に結果を確認しています。
つまり、実際に判断すべきなのは「ローカルかクラウドか」ではありません。「誰かが画面を見ている間に処理する必要があるのか」、そして「トークンごとの料金を払わずに実行できるハードウェアを、会社がすでに持っているのか」です。
日常的なエージェント型の作業のかなりの部分は、すでにローカルハードウェアで実行できるとお考えです。どのような作業を、どのハードウェアで実証してきましたか。また、モデルがもっともらしい回答を生成するかどうか以外に、成功をどのように測定していますか?
ローカルAIを使ってファイルにメタデータを追加する取り組みでは、大きな成果が出ています。多くの企業と同じく、当社のネットワークにも数テラバイトのデータがあります。Stardockはソフトウェアとゲームの両方を開発しており、ゲーム関連では、数十年分にわたる3D・2Dのアート素材や動画、制作物などがあります。
社内には、AMDやNVIDIAの比較的高性能なビデオカードが多数あります。必要な作業は8B〜12Bパラメーターのモデルで十分にこなせることが分かっており、そうしたモデルなら比較的古いハードウェアでも動作します。現在は、Qualcomm Snapdragon X2搭載のノートパソコンで、夜間にこうした作業の一部をバックグラウンドで実行しています。
ローカルAIは、こうしたファイルを時間をかけて順に処理・確認し、メタデータを追加するのが得意です。そのおかげで、必要なものを検索してすぐに見つけられます。たとえば、オオカミの3Dモデルが16種類もあることが分かりました。やれやれ。
より小型のローカルモデルから、より高性能なクラウドモデルへ切り替えるべきなのは、どのような場合でしょうか。また、ローカルモデルが重大な誤りを犯す前に、処理に苦戦していることをどう検知しますか?
現時点では、答えが定まっていない判断を要するものは、おそらくクラウドに任せるべきです。最先端モデルでは、ハルシネーションの問題はおおむね解決されています。より小型の(ローカル)モデルを使うと、ハルシネーションが再び起こります。そのため、ローカルモデルには多くのガードレールを設ける必要があります。
Clairvoyanceでは、エージェントを、継続的な記憶と進行中の任務を持つAIスタッフとして組織化しています。古くなった指示や誤った前提、矛盾する記憶が蓄積しないようにしながら、有用な文脈を長期にわたって保つにはどうすればよいか、どのようなことが分かりましたか?
Clairvoyanceは内部で、記憶をグラフ構造に保存しています。そのため、ある情報が更新されると、ほかのノードにも連鎖的に更新が及ぶ傾向があります。これにより、記憶を整理された最新の状態に保ちやすくなります。
課題は無限再帰を防ぐことであり、そのためにここ数年、多くの試行錯誤を重ねてきました。
エージェントにファイル、アプリケーション、開発ツールへのアクセスを認めると、より有用になる一方で、誤りがもたらす影響も大きくなります。エージェントが誤った操作をした場合に備え、権限や人間による承認、復旧をどのように設計していますか?
具体的な対策の一つがFile Protectionです。エージェントがディレクトリを削除するのをClairvoyanceがブロックできます。エージェントが回避できるフックを使うのではなく、アプリのレベルで強制されます。
ローカルでの実行とクラウドでの推論を組み合わせるワークフローでは、「ローカル優先」の意味がさまざまに異なることがあります。ユーザーのマシンから外部に送られる情報は何ですか。また、その境界をユーザーが理解し、管理するにはどうすればよいでしょうか?
クラウドセキュリティは、ほかの人がアクセスできないようにすることです。しかし、そもそもモデルの提供元に自社の機密情報を預けるべきかどうかには答えていません。Clairvoyanceは設計上、ローカル優先です。メモやプロジェクト、スタッフの記憶はユーザー自身のマシンに保存されます。クラウドモデルに何を送るかはユーザーが決められ、全スタッフに一律に適用される設定ではなく、スタッフごとに指定できます。ローカルモデルを実行すれば、ハードウェアの外に情報を一切出す必要はありません。業務を行うためだけに機密性の高いワークフロー全体をAnthropicやOpenAIにアップロードすることに不満を抱く企業顧客の声を、私たちは直接聞いています。
Clairvoyanceのユーザー数は40,000人を超えています。人々が実際にClairvoyanceをどう使っているかを見て、どのようなことが分かりましたか。また、継続的な価値をもたらしている定期的なワークフローについて、測定可能な事例を挙げていただけますか?
継続率は、ユーザーがセッションを通じて生成するデータ量に大きく左右されます。
AIのユーザーの大半は、AIが生成したデータをもとにさらに作業を積み重ねる段階には、まだ達していません。多くのユーザーは今も、プロンプトを中心に考えています。Clairvoyanceを使い続けるのは、大量の展示資料やレポートを作成し、それらをその後の作業の土台として活用するユーザーです。
今後1年を見据えたとき、エージェントがローカルで確実に処理できる作業を大きく広げるのは、どのような進展でしょうか。また、モデルの規模よりも振り分けが重要だという見方を改めるには、何が起きる必要がありますか?
今後18か月以内に、AIの作業の90〜95%がローカルで行われるようになり、最先端の作業のためにクラウドが必要となるのは、おそらく5%程度だと思います。その主な理由は、現時点ではAIに委ねられている作業がほとんどないことです。履歴書の所在地を確認して選別したり、出荷時期を確認したりするような単純な作業でさえ、今も手作業で行われていますが、4Bモデルならすでにノートパソコン上で処理できます。この状況を変えるのは、Hivemindのように計算資源をプールする仕組み(企業内で使われていないGPUを、同じドメイン内の全員が利用できるようにすること)と、4BモデルやOpusが何なのかを誰も知る必要がないほど、適切なモデルへの振り分けが十分に進歩することです。
素晴らしいインタビューをありがとうございました。コンピューター上で継続的に動作するAIエージェントを管理するデスクトップアプリを試してみたい読者は、Clairvoyance AIをご覧ください。












