Interviews

Brad Wardell, oprichter en CEO van Clairvoyance AI – interviewserie

Antoine Tardif
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Brad Wardell, Founder and CEO of Clairvoyance AI
Belangrijkste puntenWardell stelt dat het routeren van werk tussen lokale en cloudhardware belangrijker is…
Meer weergeven
  • Wardell stelt dat het routeren van werk tussen lokale en cloudhardware belangrijker is dan de ruwe modelgrootte.
  • Clairvoyance slaat agentherinneringen op in een graaf, zodat updates zich verspreiden en actueel blijven.
  • Wardell voorspelt dat 90 tot 95% van het AI-werk binnen 18 maanden lokaal zal draaien.

Brad Wardell is oprichter en CEO van Clairvoyance AI en oprichter en CEO van Stardock. Hij bouwt al meer dan drie decennia desktopsoftware en strategiespellen, waaronder producten als Fences en Galactic Civilizations. Zijn werk aan ontwikkeltrajecten voor games, creatieve middelen en dagelijkse bedrijfsrapportages heeft zijn belangstelling gewekt voor permanente AI-agenten die rechtstreeks met lokale bestanden en toepassingen kunnen werken.

Clairvoyance AI ontwikkelt een werkruimte voor AI-medewerkers met een eigen naam, doorlopende opdrachten en geheugen, die lokale bestanden en ontwikkeltools verbindt met clouddiensten en modellen die op de eigen hardware van een gebruiker draaien. Het product is bij Stardock ontwikkeld en ondersteunt workflows die herbruikbare notities, rapporten en andere bestanden opleveren. In dit interview bespreekt Wardell hoe gameontwikkeling het product heeft beïnvloed, welke rol lokale modellen spelen in het dagelijks werk en welke voorzieningen voor routering, geheugen en toegangsrechten nodig zijn om agenten nuttig te maken.

Je bouwt al meer dan drie decennia desktopsoftware en strategiespellen bij Stardock, waaronder producten als Fences en Galactic Civilizations. Welk probleem binnen je eigen bedrijf bracht je ertoe Clairvoyance AI te ontwikkelen, en wanneer besefte je dat het een zelfstandig bedrijf kon worden?

Het grootste knelpunt was Ara: History Untold, dat Stardock samen met Microsoft en Oxide Games heeft helpen afronden. Er ging enorm veel tijd zitten in het overzetten van creatieve middelen naar de game. Teksten werden aangeleverd als .DOCX-bestanden, die we moeizaam met de hand moesten omzetten naar XML of CSV. 3D-middelen moesten zorgvuldig in onze engine worden geïmporteerd. Eén enkele wijziging in de spelbalans betekende dat we een dozijn verschillende bestanden moesten aanpassen. Voor de lokalisatie moesten we vertaalde teksten met de hand aan de juiste sleutels in de juiste bestanden koppelen. Clairvoyance AI maakte dat allemaal moeiteloos en zorgde ervoor dat we de game op tijd konden uitbrengen.

Eind 2025 discussieerden we intern nog over de vraag of we het product überhaupt openbaar moesten maken. Het was een echt concurrentievoordeel, alsof we een jaar eerder al een uitgebreidere versie van iets als OpenClaw in handen hadden. We besloten het openbaar te maken toen we zagen dat vrienden en collega’s door AI-automatisering hun baan verloren, terwijl ze die hadden kunnen behouden als ze betere tools hadden gehad. Op dat moment wisten we dat we Clairvoyance AI voor het publiek beschikbaar wilden maken.

Je hebt gezegd dat veel AI-agenttools blijk geven van een gebrek aan ervaring met het uitbrengen van consumentensoftware. Welke fouten zie je het vaakst, en welke lessen uit je eigen loopbaan zouden AI-ontwikkelaars moeten toepassen?

Het duidelijkste teken is het jargon. Als je de termen niet kent, zoals ‘glyph’ voor het kleine pictogram op een knop, sta je in gesprekken met een AI meteen op achterstand, omdat die is getraind op mensen die het jargon al kennen. De meeste teams die deze tools bouwen, zijn erg slim maar ook erg jong, en dat zie je terug in hun keuzes op het gebied van gebruiksgemak. Een goed voorbeeld is dat Anthropic de mogelijkheid toevoegde om tekst van de ene terminalsessie naar de andere te slepen; dat leverde miljoenen weergaven op. Wij hadden al agenten aan wie je werk automatisch kunt overdragen door ze simpelweg met @ en hun naam te noemen, zonder iets te hoeven slepen. Bij hun oplossing moet de gebruiker het werk doen dat de AI zou moeten doen.

De les uit 30 jaar ervaring met het uitbrengen van desktopsoftware is dat je het product dat je bouwt zelf echt moet gebruiken, elke dag en met echte deadlines, voordat iemand buiten het bedrijf het te zien krijgt. Veel AI-producten voelen alsof ze zijn gebouwd door mensen die niet dagelijks met hun eigen software hebben hoeven werken.

Je beschrijft de volgende fase van AI als een routeringsvraagstuk: bepalen wat op een apparaat draait, via een lokaal netwerk wordt uitgevoerd of in de cloud plaatsvindt. Kun je ons meenemen in een echte workflow en uitleggen hoe je die keuzes maakt?

Routering is niet langer echt een individuele beslissing; het wordt steeds meer een beslissing op bedrijfsniveau. We staan op het punt een functie met de naam Hivemind uit te brengen, die dit concreet maakt. De meeste bedrijven beschikken al over allerlei krachtige machines die elke nacht ongebruikt blijven. Met Hivemind kan een bedrijf de ongebruikte GPU’s in zijn eigen machines samenvoegen, zodat iedereen in het team er AI-taken op kan uitvoeren in plaats van die naar de cloud te sturen. Als je tienduizenden zendingen in een toeleveringsketen volgt of controleert waar het geld van een bedrijf naartoe is gegaan, heb je daarvoor geen geavanceerd cloudmodel nodig. Je hebt voldoende rekenkracht nodig, en de meeste bedrijven hebben die al, ongebruikt buiten kantooruren.

Op individueel niveau geldt dezelfde logica, alleen op kleinere schaal. Elke nacht draai ik dashboards, crashrapporten, sentimentrapporten en verkoopgegevens op een lokaal model in plaats van een cloudmodel. Vroeger draaide ik diezelfde workload via Claude, wat me ongeveer $100 per maand aan tokens kostte. Nu wordt die ’s nachts gratis verwerkt op hardware die ik al bezit, en lees ik de resultaten ’s ochtends.

De echte vraag is dus niet ‘lokaal of in de cloud?’, maar ‘moet dit gebeuren terwijl iemand naar het scherm kijkt, en heeft het bedrijf de hardware al in huis om het uit te voeren zonder per token te betalen?’

Je denkt dat een aanzienlijk deel van het dagelijkse werk met AI-agenten al op lokale hardware kan worden uitgevoerd. Voor welke taken heb je dit aangetoond, op welke hardware, en hoe meet je succes behalve aan de vraag of een model een aannemelijk antwoord geeft?

We hebben veel succes geboekt met het gebruik van lokale AI om metadata aan onze bestanden toe te voegen. Net als veel andere bedrijven hebben we terabytes aan data op ons netwerk staan. Stardock ontwikkelt zowel software als games. Voor die games beschikken we over tientallen jaren aan 3D- en 2D-kunstbestanden, video’s, werkproducten enzovoort.

Binnen ons bedrijf hebben we heel wat behoorlijk goede videokaarten van AMD en NVIDIA. We hebben gemerkt dat modellen met 8B tot 12B parameters ruim voldoende zijn voor alles wat we nodig hebben, en zelfs op relatief oudere hardware draaien. Op dit moment voert een laptop met een Qualcomm Snapdragon X2 een deel van dit werk ’s avonds op de achtergrond uit.

Lokale AI is heel geschikt om deze bestanden rustig door te nemen en te beoordelen, en er metadata aan toe te voegen. Zo kun je iets snel zoeken en terugvinden wanneer je het nodig hebt. Zo ontdekten we dat we 16 verschillende 3D-modellen van wolven hebben. Zucht.

Wanneer moet een kleiner lokaal model worden opgeschaald naar een krachtiger cloudmodel? Hoe merk je dat het lokale model moeite heeft voordat het een fout maakt met grote gevolgen?

Op dit moment kun je alles waarvoor een open oordeel nodig is waarschijnlijk beter in de cloud laten uitvoeren. De toonaangevende modellen hebben hallucinaties grotendeels opgelost. Bij kleinere (lokale) modellen keren hallucinaties terug. Daarom moeten we lokale modellen doorgaans met flink wat veiligheidsmaatregelen omringen.

Clairvoyance organiseert agents als AI-medewerkers met een blijvend geheugen en doorlopende opdrachten. Wat heb je geleerd over het behoud van nuttige context in de loop der tijd, zonder dat verouderde instructies, onjuiste aannames of tegenstrijdige herinneringen zich opstapelen?

Achter de schermen slaat Clairvoyance zijn herinneringen op in een graafstructuur. Wanneer er iets wordt bijgewerkt, leidt dat doorgaans tot recursieve updates van andere knooppunten. Zo blijven de herinneringen goed geordend en actueel.

De uitdaging was om oneindige recursie te voorkomen. Dat heeft de afgelopen paar jaar heel wat uitproberen en bijstellen gekost.

Agents worden nuttiger wanneer ze toegang krijgen tot bestanden, applicaties en ontwikkeltools, maar fouten kunnen dan ook grotere gevolgen hebben. Hoe regel je machtigingen, goedkeuring door mensen en herstel wanneer een agent de verkeerde actie uitvoert?

Het concrete voorbeeld dat we kunnen noemen, is Bestandsbeveiliging: Clairvoyance kan voorkomen dat agents mappenstructuren wissen. Dit wordt op applicatieniveau afgedwongen, niet met hooks die een agent zou kunnen omzeilen.

Wanneer een workflow lokale uitvoering combineert met inferentie in de cloud, kan ‘lokaal eerst’ verschillende dingen betekenen. Welke informatie verlaat de computer van de gebruiker, en hoe kunnen gebruikers die grens begrijpen en zelf bepalen?

Cloudbeveiliging draait om het buiten de deur houden van anderen. Maar daarmee is nog niet gezegd of de aanbieder van het model de bedrijfsgeheimen van je bedrijf überhaupt in handen zou moeten hebben. Clairvoyance is van meet af aan ontworpen met lokaal gebruik als uitgangspunt: je aantekeningen, projecten en het geheugen van je medewerkers staan op je eigen computer. Of er iets naar een cloudmodel gaat, bepaal je zelf, per medewerker en niet via één algemene instelling. Gebruik een lokaal model en er hoeft helemaal niets van je hardware af. We horen dit rechtstreeks van zakelijke klanten, die het frustrerend vinden dat ze complete vertrouwelijke workflows naar Anthropic of OpenAI moeten uploaden om hun werk gedaan te krijgen.

Clairvoyance heeft meer dan 40.000 gebruikers. Wat heb je geleerd van de manier waarop mensen Clairvoyance daadwerkelijk gebruiken, en kun je een meetbaar voorbeeld geven van een terugkerende workflow die blijvend waarde heeft opgeleverd?

Het retentiepercentage hangt sterk af van de hoeveelheid data die een gebruiker tijdens zijn sessies genereert.

De meeste AI-gebruikers zijn nog niet op het punt gekomen waarop ze de door AI gegenereerde data gebruiken als basis voor verder werk. De meeste gebruikers denken nog steeds in termen van prompts. De gebruikers die Clairvoyance blijven gebruiken, zijn degenen die veel Bewijsstukken en rapporten genereren, die op hun beurt de basis vormen voor vervolgwerk.

Als je een jaar vooruitkijkt, welke ontwikkelingen zouden het werk dat agents betrouwbaar lokaal kunnen uitvoeren het meest uitbreiden? Wat zou er moeten gebeuren om je ervan te overtuigen dat routering minder belangrijk is dan de omvang van het model?

Ik denk dat binnen 18 maanden 90 tot 95% van het AI-werk lokaal zal plaatsvinden, en dat misschien 5% de cloud nodig heeft voor werk waarvoor de meest geavanceerde modellen nodig zijn. Dat komt vooral doordat er nog bijna niets aan AI wordt uitbesteed. Zelfs simpele taken, zoals cv’s controleren op locatie of de timing van zendingen nagaan, worden nog met de hand gedaan, terwijl een 4B-model dat al op een laptop kan. Dit kan veranderen door rekenkracht op de Hivemind-manier te bundelen (zodat de ongebruikte GPU’s van een bedrijf voor iedereen binnen het domein beschikbaar zijn) en door routering zo goed te maken dat niemand meer hoeft te weten wat een 4B-model of een Opus is.

Bedankt voor het fijne interview. Lezers die een desktopapp willen uitproberen voor het beheren van blijvende AI-agents op hun computers, kunnen terecht bij Clairvoyance AI.

Antoine is een visionaire leider en medeoprichter van Unite.AI, gedreven door een onwankelbare passie om de toekomst van AI en robotica vorm te geven en vooruit te helpen. Als serieondernemer gelooft hij dat AI de samenleving net zo ingrijpend zal veranderen als elektriciteit. Hij spreekt vaak enthousiast over het potentieel van baanbrekende technologieën en artificiële algemene intelligentie (AGI).

Als futurist onderzoekt hij hoe deze innovaties onze wereld zullen vormgeven. Daarnaast is hij oprichter van Securities.io, een platform dat zich richt op investeringen in geavanceerde technologieën die de toekomst opnieuw definiëren en hele sectoren veranderen.