Entrevistas

Brad Wardell, fundador e CEO da Clairvoyance AI – Série de entrevistas

Antoine Tardif
Adicione Unite.AI às suas fontes preferidas no Google
Brad Wardell, Founder and CEO of Clairvoyance AI
Pontos-chaveWardell argumenta que encaminhar o trabalho entre hardware local e na nuvem importa…
Ver mais
  • Wardell argumenta que encaminhar o trabalho entre hardware local e na nuvem importa mais do que o tamanho bruto do modelo.
  • Clairvoyance armazena as memórias dos agentes em um grafo para que as atualizações se propaguem e permaneçam atuais.
  • Wardell prevê que 90 a 95% do trabalho de IA será executado localmente em 18 meses.

Brad Wardell é fundador e CEO da Clairvoyance AI e fundador e CEO da Stardock. Há mais de três décadas, ele desenvolve softwares para desktop e jogos de estratégia, incluindo produtos como Fences e Galactic Civilizations. Seu trabalho com pipelines de desenvolvimento de jogos, recursos criativos e relatórios empresariais do dia a dia despertou seu interesse por agentes de IA persistentes, capazes de trabalhar diretamente com arquivos e aplicativos locais.

Clairvoyance AI desenvolve um ambiente de trabalho para profissionais de IA identificados por nome, com tarefas contínuas e memória, que conecta arquivos locais e ferramentas de desenvolvimento a serviços na nuvem e a modelos executados no hardware do próprio usuário. Incubada na Stardock, a empresa oferece suporte a fluxos de trabalho que geram anotações, relatórios e outros materiais reutilizáveis. Nesta entrevista, Wardell fala sobre como o desenvolvimento de jogos influenciou o produto, o papel dos modelos locais no trabalho diário e os controles de roteamento, memória e permissões necessários para tornar os agentes úteis.

Você passou mais de três décadas desenvolvendo softwares para desktop e jogos de estratégia na Stardock, incluindo produtos como Fences e Galactic Civilizations. Que problema dentro da sua própria empresa levou você a criar a Clairvoyance AI, e quando percebeu que ela poderia se tornar uma empresa independente?

O principal ponto de pressão foi Ara: History Untold, cuja finalização pela Microsoft e pela Oxide Games contou com a ajuda da Stardock. Gastávamos muito tempo apenas transferindo recursos criativos para o jogo. Os textos chegavam em arquivos .DOCX, que precisavam ser convertidos manualmente para XML ou CSV, num processo meticuloso. Os recursos 3D tinham de ser cuidadosamente integrados à nossa engine. Uma única alteração de balanceamento exigia mexer em uma dúzia de arquivos diferentes. A localização exigia associar manualmente as strings traduzidas às chaves corretas nos arquivos certos. A Clairvoyance AI tornou tudo isso simples e nos permitiu lançar o jogo no prazo.

No fim de 2025, debatemos internamente se deveríamos torná-la pública. Ela era uma verdadeira vantagem competitiva, como ter, com um ano de antecedência, uma solução que abrangia tudo o que algo como OpenClaw oferecia. O que nos levou a decidir torná-la pública foi ver amigos e colegas perderem o emprego para a automação por IA — empregos que poderiam ter mantido se tivessem ferramentas melhores. Naquele momento, soubemos que queríamos disponibilizar a Clairvoyance AI ao público.

Você afirmou que muitas ferramentas de agentes de IA revelam falta de experiência no lançamento de softwares para o consumidor. Que erros você vê com mais frequência e que lições da sua carreira os desenvolvedores de IA deveriam aplicar?

O maior indício está na terminologia. Se você não conhece de antemão palavras como “glifo”, que designa o pequeno elemento gráfico de um botão, fica em grande desvantagem ao conversar com uma IA, porque ela foi treinada com base em pessoas que já conhecem esse jargão. A maioria das equipes que desenvolvem essas ferramentas é muito inteligente, mas também muito jovem, e isso transparece nas escolhas de usabilidade. Um bom exemplo foi quando a Anthropic adicionou a possibilidade de arrastar texto de uma sessão do terminal para outra: isso teve milhões de visualizações. Já temos agentes para os quais basta usar @ e o nome para encaminhar tarefas automaticamente, sem arrastar nada. A solução deles exige que o usuário faça o trabalho que a IA deveria fazer.

A lição de 30 anos lançando softwares para desktop é que você precisa usar de fato o produto que está desenvolvendo, todos os dias e com prazos reais, antes que alguém de fora da empresa possa vê-lo. Muitos produtos de IA parecem ter sido criados por pessoas que nunca tiveram de conviver com o próprio software.

Você descreve a próxima fase da IA como um problema de roteamento: decidir o que é executado em um dispositivo, na rede local ou na nuvem. Você poderia nos explicar um fluxo de trabalho real e como essas decisões devem ser tomadas?

O roteamento já não é bem uma decisão individual; está se tornando uma decisão da empresa. Estamos prestes a lançar um recurso chamado Hivemind, que torna isso concreto. A maioria das empresas já possui muitas máquinas capazes que ficam ociosas todas as noites. O Hivemind permite que a empresa reúna as GPUs ociosas de seus próprios computadores para que qualquer pessoa da equipe possa usá-las em tarefas de IA, em vez de enviá-las para a nuvem. Se você está monitorando dezenas de milhares de remessas em uma cadeia de suprimentos ou auditando o destino do dinheiro de uma empresa, não precisa de um modelo de ponta na nuvem. Precisa de capacidade computacional suficiente, e a maioria das empresas já tem essa capacidade sem uso fora do horário de trabalho.

No nível individual, a mesma lógica se aplica, só que em menor escala. Todas as noites, executo painéis, relatórios de falhas, relatórios de sentimento e dados de vendas em um modelo local, em vez de usar um modelo na nuvem. Antes, eu executava essas mesmas tarefas no Claude, o que custava cerca de US$ 100 por mês em tokens. Agora, elas são executadas gratuitamente durante a noite no hardware que já possuo, e leio os resultados pela manhã.

Portanto, a decisão real não é “local ou nuvem”, mas sim: “isso precisa ser feito enquanto alguém está olhando para a tela, e a empresa já tem o hardware necessário para executar a tarefa sem pagar por token?”.

Você acredita que uma parcela substancial do trabalho cotidiano com agentes já pode ser realizada em hardware local. Com quais tarefas você demonstrou isso, em que hardware e como mede o sucesso para além de verificar se o modelo produz uma resposta plausível?

Tivemos muito sucesso usando IA local para adicionar metadados aos nossos arquivos. Como muitas empresas, temos terabytes de dados na nossa rede. A Stardock desenvolve software e jogos e, na área de jogos, há décadas de recursos artísticos em 3D e 2D, vídeos, materiais de trabalho etc.

Na empresa, temos muitas placas de vídeo razoavelmente boas da AMD e da NVIDIA. Descobrimos que modelos com 8B a 12B parâmetros são mais do que suficientes para fazer tudo de que precisamos e podem rodar até mesmo em hardware relativamente antigo. No momento, temos um laptop com Qualcomm Snapdragon X2 realizando parte desse trabalho em segundo plano durante a noite.

A IA local é muito boa para processar e revisar esses arquivos aos poucos e adicionar metadados, para que, quando precisarmos encontrar algo, possamos pesquisar e localizar o que procuramos rapidamente. Foi assim que descobrimos que temos 16 modelos 3D diferentes de lobos. Suspiro.

O que deve levar à transferência de uma tarefa de um modelo local menor para um modelo de nuvem mais capaz? Como vocês detectam que o modelo local está com dificuldades antes que cometa um erro com consequências importantes?

No momento, tudo o que exige discernimento aberto provavelmente deve ser enviado à nuvem. Em grande parte, os modelos de ponta já resolveram o problema das alucinações. Quando se passa para modelos menores (locais), as alucinações voltam. Por isso, nos modelos locais, geralmente precisamos manter muitas salvaguardas.

A Clairvoyance organiza agentes como membros da equipe de IA, com memória persistente e tarefas contínuas. O que vocês aprenderam sobre como preservar contexto útil ao longo do tempo sem permitir o acúmulo de instruções desatualizadas, suposições incorretas ou memórias conflitantes?

Nos bastidores, a Clairvoyance armazena suas memórias em uma estrutura de grafo. Assim, quando algo é atualizado, isso costuma acionar recursivamente atualizações em outros nós. Isso ajuda a manter as memórias organizadas e atualizadas.

O desafio tem sido evitar a recursão infinita, o que exigiu muita tentativa e erro nos últimos dois anos.

Dar aos agentes acesso a arquivos, aplicativos e ferramentas de desenvolvimento os torna mais úteis, mas também aumenta as consequências dos erros. Como vocês estruturam as permissões, as aprovações humanas e a recuperação quando um agente executa uma ação errada?

O único recurso concreto que temos é o File Protection: a Clairvoyance pode impedir que os agentes apaguem diretórios, com essa proteção aplicada no nível do aplicativo, e não por meio de hooks que um agente poderia contornar.

Quando um fluxo de trabalho combina execução local com inferência na nuvem, “local primeiro” pode significar coisas diferentes. Que informações saem da máquina do usuário e como os usuários podem entender e controlar esse limite?

A segurança na nuvem consiste em impedir o acesso de outras pessoas. Ela não responde à questão de saber se o provedor do modelo deveria ter acesso aos segredos da sua empresa. A Clairvoyance foi projetada para priorizar o uso local: suas anotações, seus projetos e a memória da equipe ficam na sua própria máquina. Cabe a você decidir o que vai para um modelo na nuvem, membro da equipe por membro da equipe; não é uma configuração geral. Se você executar um modelo local, nada precisará sair do seu hardware. Estamos ouvindo isso diretamente de clientes corporativos, frustrados por terem de enviar fluxos de trabalho confidenciais inteiros para a Anthropic ou a OpenAI só para conseguir trabalhar.

A Clairvoyance tem mais de 40.000 usuários. O que vocês aprenderam sobre como as pessoas realmente usam a Clairvoyance? Poderiam compartilhar um exemplo mensurável de um fluxo de trabalho recorrente que tenha gerado valor contínuo?

A taxa de retenção depende muito da quantidade de dados que o usuário gera durante suas sessões.

A maioria dos usuários de IA ainda não chegou ao ponto de aproveitar os dados gerados pela IA para desenvolver novos trabalhos a partir deles. A maioria ainda pensa em termos de prompts. Os usuários que continuam com a Clairvoyance são aqueles que geram muitos anexos e relatórios, que, por sua vez, servem de base para trabalhos posteriores.

Olhando para o próximo ano, que avanços ampliariam mais a variedade de tarefas que os agentes conseguem realizar localmente com confiabilidade? O que teria de acontecer para vocês reconsiderarem a ideia de que o roteamento importa mais do que o tamanho do modelo?

Acho que, dentro de 18 meses, de 90% a 95% do trabalho de IA será realizado localmente, e talvez 5% precise da nuvem para tarefas de ponta. Isso se deve, principalmente, ao fato de que quase nada ainda é delegado à IA: até tarefas triviais, como filtrar currículos por localização ou verificar o horário de entrega de remessas, continuam sendo feitas manualmente, embora um modelo 4B já consiga realizar essas tarefas em um laptop. O que ampliará esse uso são a computação compartilhada no estilo Hivemind (que permite que as GPUs subutilizadas de uma empresa atendam a todos no domínio) e um roteamento suficientemente bom para que ninguém precise saber o que é um modelo 4B ou um Opus.

Obrigado pela ótima entrevista. Os leitores que quiserem experimentar um aplicativo para computador que gerencia agentes de IA com memória persistente em seus computadores podem acessar Clairvoyance AI.

Antoine é um líder visionário e sócio fundador da Unite.AI, movido por uma paixão inabalável por moldar e promover o futuro da IA e da robótica. Empreendedor que já fundou várias empresas, acredita que a IA transformará a sociedade tanto quanto a eletricidade e costuma falar com entusiasmo sobre o potencial das tecnologias disruptivas e da inteligência artificial geral (AGI).

Como futurista, dedica-se a explorar como essas inovações moldarão o nosso mundo. Além disso, é fundador da Securities.io, uma plataforma voltada ao investimento em tecnologias de ponta que estão redefinindo o futuro e transformando setores inteiros.