Intervjuer

Brad Wardell, grunnlegger og daglig leder i Clairvoyance AI – intervjuserie

Antoine Tardif
Legg til Unite.AI blant dine foretrukne kilder på Google
Brad Wardell, Founder and CEO of Clairvoyance AI
Viktige punkterWardell hevder at ruting av arbeid mellom lokal og skybasert maskinvare er viktigere…
Vis mer
  • Wardell hevder at ruting av arbeid mellom lokal og skybasert maskinvare er viktigere enn rå modellstørrelse.
  • Clairvoyance lagrer agentminner i en graf slik at oppdateringer forplanter seg og forblir oppdaterte.
  • Wardell forutser at 90 til 95 % av AI-arbeid vil kjøre lokalt innen 18 måneder.

Brad Wardell er grunnlegger og daglig leder i Clairvoyance AI og grunnlegger og daglig leder i Stardock. I over tre tiår har han utviklet programvare for datamaskiner og strategispill, blant annet produkter som Fences og Galactic Civilizations. Arbeidet med utviklingsprosesser for spill, kreativt innhold og den daglige rapporteringen i bedrifter har formet interessen hans for vedvarende AI-agenter som kan jobbe direkte med lokale filer og applikasjoner.

Clairvoyance AI utvikler et arbeidsområde for navngitte AI-medarbeidere med løpende oppgaver og hukommelse, som kobler sammen lokale filer og utviklingsverktøy med skytjenester og modeller som kjører på brukerens egen maskinvare. Produktet ble utviklet som et internt prosjekt hos Stardock og støtter arbeidsflyter som produserer gjenbrukbare notater, rapporter og andre resultater. I dette intervjuet snakker Wardell om hvordan spillutvikling har påvirket produktet, hvilken plass lokale modeller har i det daglige arbeidet, og hvilke kontroller for ruting, hukommelse og tillatelser som trengs for å gjøre agentene nyttige.

Du har brukt over tre tiår på å utvikle programvare for datamaskiner og strategispill hos Stardock, blant annet produkter som Fences og Galactic Civilizations. Hvilket problem i din egen virksomhet fikk deg til å utvikle Clairvoyance AI, og når innså du at det kunne bli et eget selskap?

Det virkelige problemet var Ara: History Untold, som Stardock hjalp Microsoft og Oxide Games med å ferdigstille. Det gikk med svært mye tid bare til å få kreativt innhold inn i spillet. Tekstene kom som .DOCX-filer, som måtte konverteres omhyggelig for hånd til XML eller CSV. 3D-ressurser måtte føres nøye inn i spillmotoren vår. Én enkelt justering av spillbalansen innebar å endre et dusin ulike filer. Lokalisering innebar at oversatte tekststrenger måtte kobles manuelt til de riktige nøklene i de riktige filene. Clairvoyance AI gjorde alt dette enkelt og gjorde at vi kunne lansere spillet i tide.

Mot slutten av 2025 diskuterte vi internt om vi i det hele tatt skulle gjøre det tilgjengelig for offentligheten. Det var et reelt konkurransefortrinn, som å ha en mer omfattende variant av noe à la OpenClaw ett år før alle andre. Det som fikk oss til å gå inn for å lansere offentlig, var at vi så venner og kolleger miste jobben på grunn av AI-automatisering, selv om de kunne ha beholdt den hvis de hadde hatt bedre verktøy. Da visste vi at vi ville gjøre Clairvoyance AI tilgjengelig for offentligheten.

Du har hevdet at mange verktøy for AI-agenter avslører manglende erfaring med å lansere forbrukerprogramvare. Hvilke feil ser du oftest, og hvilke lærdommer fra din egen karriere bør AI-utviklere ta med seg?

Det tydeligste tegnet er terminologien. Hvis du ikke allerede kjenner ordene, som «glyph» om det lille grafiske symbolet på en knapp, er du dårlig stilt når du skal snakke med en AI, fordi den er trent på folk som allerede kan fagspråket. De fleste teamene som utvikler disse verktøyene, består av svært smarte, men svært unge folk, og det merkes i valgene de tar for brukervennligheten. Et godt eksempel er da Anthropic la til muligheten til å dra tekst fra én terminaløkt til en annen; det fikk millioner av visninger. Vi har hatt agenter som du bare kan nevne med @ etterfulgt av navnet for å overlate arbeid automatisk, uten å dra noe som helst. Løsningen deres krever at brukeren gjør jobben som AI-en burde gjøre.

Lærdommen fra 30 år med å lansere programvare for datamaskiner er at du faktisk må bruke det du utvikler, hver dag og med reelle tidsfrister, før noen utenfor selskapet får se det. Mange AI-produkter virker som om de er utviklet av folk som ikke selv har måttet leve med programvaren sin i hverdagen.

Du beskriver den neste fasen av AI som et rutingsproblem: å avgjøre hva som skal kjøres på en enhet, på tvers av et lokalt nettverk eller i skyen. Kan du gå gjennom en konkret arbeidsflyt og forklare hvordan disse valgene bør tas?

Ruting er ikke lenger egentlig en individuell beslutning; den blir i økende grad en beslutning på virksomhetsnivå. Vi skal snart lansere en funksjon som heter Hivemind, som konkretiserer dette. De fleste større virksomheter har allerede mange kraftige maskiner som står ubrukt hver natt. Hivemind gjør det mulig for en virksomhet å samle de ledige GPU-ene på egne maskiner i en felles ressurs, slik at alle i teamet kan bruke dem til AI-oppgaver i stedet for å sende oppgavene til skyen. Hvis du holder oversikt over titusenvis av forsendelser i en forsyningskjede eller kontrollerer hvor et selskaps penger har blitt av, trenger du ikke en avansert skymodell. Du trenger nok regnekraft, og de fleste virksomheter har allerede slik kapasitet stående ubrukt etter arbeidstid.

På individnivå gjelder den samme logikken, bare i mindre skala. Hver natt kjører jeg dashbord, krasjrapporter, rapporter om kundesentiment og salgsdata på en lokal modell i stedet for en skymodell. Tidligere kjørte jeg de samme oppgavene gjennom Claude, og det kostet rundt 100 dollar i måneden i tokenkostnader. Nå kjører de gratis over natten på maskinvare jeg allerede eier, og jeg leser resultatene om morgenen.

Det egentlige spørsmålet er altså ikke «lokalt eller i skyen», men «må dette gjøres mens noen sitter og ser på skjermen, og har virksomheten allerede maskinvaren som trengs for å gjøre det uten å betale per token?»

Du mener at en betydelig andel av det daglige arbeidet som utføres av AI-agenter, allerede kan kjøres på lokal maskinvare. Hvilke oppgaver har du vist dette for, på hvilken maskinvare, og hvordan måler du om det fungerer, utover å vurdere om en modell gir et sannsynlig svar?

Vi har hatt stor suksess med å bruke lokal KI til å legge til metadata i filene våre. Som mange andre selskaper har vi flere terabyte med data på nettverket vårt. Stardock utvikler både programvare og spill, og på spillsiden har vi flere tiår med 3D- og 2D-kunstressurser, videoer, arbeidsprodukter og lignende.

Rundt omkring i selskapet har vi mange ganske gode grafikkort fra AMD og NVIDIA. Vi har funnet ut at modeller med 8–12 milliarder parametere er mer enn gode nok til å gjøre alt vi trenger, og de kan kjøres selv på relativt gammel maskinvare. Akkurat nå bruker vi en bærbar PC med Qualcomm Snapdragon X2 til å utføre noe av dette arbeidet i bakgrunnen om kvelden.

Lokal KI er svært godt egnet til å gå langsomt gjennom disse filene, undersøke dem og legge til metadata, slik at du raskt kan søke etter og finne det du trenger. Vi oppdaget dermed at vi har 16 forskjellige 3D-modeller av ulver. Sukk.

Hva bør utløse en overgang fra en mindre lokal modell til en mer kapabel skymodell? Hvordan oppdager dere at den lokale modellen sliter, før den gjør en feil med alvorlige konsekvenser?

Akkurat nå bør alt som krever åpent skjønn, sannsynligvis håndteres i skyen. De mest avanserte modellene har i stor grad løst problemet med hallusinasjoner. Når man går over til mindre, lokale modeller, kommer hallusinasjonene tilbake. Derfor må vi som regel legge inn mange sikkerhetsmekanismer rundt lokale modeller.

Clairvoyance organiserer agenter som KI-ansatte med vedvarende hukommelse og løpende oppgaver. Hva har dere lært om å bevare nyttig kontekst over tid uten at utdaterte instruksjoner, feilaktige antakelser eller motstridende minner hoper seg opp?

I bakgrunnen lagrer Clairvoyance minnene sine i en grafstruktur. Når noe oppdateres, utløser det derfor ofte en kjede av oppdateringer av andre noder. Dette bidrar til å holde minnene organiserte og oppdaterte.

Utfordringen har vært å forhindre uendelig rekursjon, og det har krevd mye prøving og feiling de siste par årene.

Agenter blir mer nyttige når de får tilgang til filer, applikasjoner og utviklingsverktøy, men feil kan også få større konsekvenser. Hvordan organiserer dere tillatelser, godkjenning fra mennesker og gjenoppretting hvis en agent utfører feil handling?

Det konkrete tiltaket vi har, er filbeskyttelse: Clairvoyance kan hindre agenter i å slette kataloger, og dette håndheves på appnivå, ikke gjennom kroker som en agent kan omgå.

Når en arbeidsflyt kombinerer lokal kjøring med inferens i skyen, kan «lokalt først» bety forskjellige ting. Hvilken informasjon forlater brukerens maskin, og hvordan kan brukerne forstå og kontrollere denne grensen?

Skysikkerhet handler om å holde andre ute. Den sier ikke noe om hvorvidt modelltilbyderen i utgangspunktet bør ha tilgang til selskapets hemmeligheter. Clairvoyance er utviklet med lokal behandling først: notatene, prosjektene og minnet til de ansatte lagres på deres egne maskiner. Det er opp til dere hva som sendes til en skymodell, og avgjørelsen tas for hver enkelt ansatt, ikke gjennom én innstilling som gjelder alle. Kjører man en lokal modell, trenger ingenting å forlate maskinvaren. Vi hører dette direkte fra bedriftskundene våre, som er frustrerte over å måtte laste opp hele konfidensielle arbeidsflyter til Anthropic eller OpenAI bare for å få gjort jobben.

Clairvoyance har over 40 000 brukere. Hva har dere lært av hvordan folk faktisk bruker Clairvoyance, og kan du nevne et målbart eksempel på en gjentakende arbeidsflyt som har gitt vedvarende verdi?

Hvor mange brukere som blir værende, avhenger i stor grad av hvor mye data brukeren genererer gjennom øktene sine.

De fleste som bruker KI, har ennå ikke kommet dit at de bruker dataene KI genererer, som grunnlag for videre arbeid. De fleste tenker fortsatt i form av spørsmål og instruksjoner. De som fortsetter å bruke Clairvoyance, er brukerne som genererer mange bilag og rapporter, som deretter danner grunnlaget for videre arbeid.

Hvis vi ser ett år fram i tid, hvilken utvikling vil i størst grad utvide hva agenter kan håndtere pålitelig lokalt? Hva måtte skje for at du skulle revurdere synet ditt på at ruting er viktigere enn modellstørrelse?

Jeg tror at 90–95 % av KI-arbeidet vil foregå lokalt innen 18 måneder, og at kanskje 5 % vil kreve skyen for å håndtere de mest avanserte oppgavene. Det skyldes først og fremst at nesten ingenting delegeres til KI ennå. Selv enkle oppgaver, som å sile ut CV-er etter bosted eller kontrollere når en forsendelse skal komme, utføres fortsatt manuelt, selv om en 4B-modell allerede kan gjøre dette på en bærbar PC. Det som vil utvide bruken, er delt datakraft av Hivemind-typen, der et selskaps lite brukte GPU-er kan brukes av alle på domenet, og at rutingen blir så god at ingen trenger å vite hva en 4B-modell eller en Opus er.

Takk for et flott intervju. Lesere som vil prøve en skrivebordsapp for å administrere vedvarende KI-agenter på tvers av datamaskinene sine, kan besøke Clairvoyance AI.

Antoine er en visjonær leder og medgrunnlegger i Unite.AI, drevet av en urokkelig lidenskap for å forme og fremme fremtiden for AI og robotikk. Som seriegründer mener han at AI vil forandre samfunnet like grunnleggende som elektrisiteten, og han snakker ofte begeistret om potensialet i banebrytende teknologier og kunstig generell intelligens (AGI).

Som futurist er han opptatt av å utforske hvordan disse innovasjonene vil forme verden. Han er også grunnlegger av Securities.io, en plattform som fokuserer på investeringer i avanserte teknologier som omdefinerer fremtiden og omformer hele bransjer.