Interviuri
Brad Wardell, fondator și director general al Clairvoyance AI – Seria de interviuri

Puncte cheieWardell susține că direcționarea lucrărilor între hardware-ul local și cel din cloud…
Vezi mai mult
- Wardell susține că direcționarea lucrărilor între hardware-ul local și cel din cloud contează mai mult decât dimensiunea brută a modelului.
- Clairvoyance stochează memoriile agenților într-un graf, astfel încât actualizările să se propage și să rămână actuale.
- Wardell prezice că 90 până la 95% din munca AI va rula local în termen de 18 luni.
Brad Wardell este fondatorul și directorul general al Clairvoyance AI, precum și fondatorul și directorul general al Stardock. De peste trei decenii, dezvoltă software pentru desktop și jocuri de strategie, printre care se numără Fences și Galactic Civilizations. Experiența sa în dezvoltarea jocurilor, gestionarea resurselor creative și raportarea de zi cu zi în afaceri i-a stârnit interesul pentru agenții IA cu memorie persistentă, care pot lucra direct cu fișiere și aplicații locale.
Clairvoyance AI dezvoltă un spațiu de lucru cu membri ai personalului IA cu identitate proprie, sarcini permanente și memorie, care conectează fișierele locale și instrumentele de dezvoltare cu serviciile cloud și modelele care rulează pe hardware-ul utilizatorului. Incubată la Stardock, platforma susține fluxuri de lucru care generează note, rapoarte și alte materiale reutilizabile. În acest interviu, Wardell vorbește despre felul în care dezvoltarea jocurilor a influențat produsul, despre rolul modelelor locale în activitatea de zi cu zi și despre controalele de direcționare, memorie și permisiuni necesare pentru ca agenții să fie utili.
De peste trei decenii, dezvoltați software pentru desktop și jocuri de strategie la Stardock, printre care se numără Fences și Galactic Civilizations. Ce problemă din propria afacere v-a determinat să creați Clairvoyance AI și când v-ați dat seama că ar putea deveni o companie de sine stătătoare?
Adevărata problemă a fost Ara: History Untold, pe care Stardock a ajutat Microsoft și Oxide Games să-l finalizeze. Se pierdea foarte mult timp doar cu transferarea resurselor creative în joc. Textele erau furnizate ca fișiere .DOCX, care trebuiau convertite manual, cu multă migală, în XML sau CSV. Resursele 3D trebuiau integrate cu grijă în motorul nostru de joc. O singură modificare de echilibrare presupunea intervenții în zeci de fișiere diferite. Localizarea presupunea asocierea manuală a șirurilor traduse cu cheile corespunzătoare din fișierele potrivite. Clairvoyance AI a făcut ca toate acestea să se desfășoare fără probleme și ne-a permis să lansăm jocul la timp.
Spre sfârșitul anului 2025, am dezbătut intern dacă să-l facem public sau nu. Era un avantaj competitiv real, ca și cum am fi avut cu un an înainte un superset al unui produs precum OpenClaw. Ceea ce ne-a făcut să ne orientăm spre lansarea publică a fost să vedem cum prietenii și colegii își pierdeau locurile de muncă din cauza automatizării prin IA, deși le-ar fi putut păstra dacă ar fi avut instrumente mai bune. Atunci am știut că vrem să punem Clairvoyance AI la dispoziția publicului.
Ați susținut că multe instrumente pentru agenți IA trădează lipsa de experiență în lansarea de software pentru consumatori. Ce greșeli întâlniți cel mai des și ce lecții din propria carieră ar trebui să aplice dezvoltatorii de IA?
Cel mai clar indiciu este terminologia. Dacă nu cunoști deja termenii, precum „glif” pentru mica pictogramă de pe un buton, ești într-un dezavantaj real când vorbești cu o IA, fiindcă aceasta a fost antrenată pe texte scrise de oameni care cunosc deja jargonul. Majoritatea echipelor care dezvoltă aceste instrumente sunt foarte inteligente, dar și foarte tinere, iar acest lucru se vede în deciziile privind ușurința de utilizare. Un exemplu grăitor este funcția adăugată de Anthropic, care permitea tragerea textului dintr-o sesiune de terminal în alta și care a strâns milioane de vizualizări. Noi avem agenți cărora le poți da de lucru automat, menționându-i cu @ și numele, fără să fie nevoie să tragi nimic. În cazul lor, utilizatorul trebuie să facă treaba pe care ar trebui s-o facă IA.
Lecția învățată în 30 de ani de lansare a software-ului pentru desktop este că trebuie să folosești cu adevărat produsul la care lucrezi, în fiecare zi și cu termene-limită reale, înainte să-l vadă cineva din afara companiei. Multe produse IA par să fi fost create de oameni care nu au fost nevoiți să-și petreacă timpul lucrând în propriul software.
Spuneți că următoarea etapă a IA ține de direcționare: decizia privind ce rulează pe un dispozitiv, într-o rețea locală sau în cloud. Ne puteți prezenta un flux de lucru concret și explica cum ar trebui luate aceste decizii?
Direcționarea nu mai este, de fapt, o decizie individuală; devine o decizie la nivelul companiei. Suntem pe cale să lansăm o funcție numită Hivemind, care face acest lucru concret. Majoritatea companiilor au deja numeroase mașini performante care stau nefolosite în fiecare noapte. Hivemind le permite să pună la comun GPU-urile acestor mașini inactive, astfel încât oricine din echipă să poată rula sarcini de IA pe ele, în loc să trimită datele în cloud. Dacă urmăriți zeci de mii de expedieri de-a lungul unui lanț de aprovizionare sau verificați unde s-au dus banii unei companii, nu aveți nevoie de un model cloud de ultimă generație. Aveți nevoie de suficientă putere de calcul, iar majoritatea companiilor au deja această capacitate disponibilă după programul de lucru.
La nivel individual, se aplică aceeași logică, doar la scară mai mică. În fiecare noapte, rulez pe un model local, nu pe unul din cloud, tablouri de bord, rapoarte de blocare, analize de sentiment și date privind vânzările. Înainte, rulam aceleași sarcini prin Claude, iar costul era de aproximativ 100 $ pe lună în tokeni. Acum, acestea rulează gratuit peste noapte pe hardware-ul pe care îl dețin deja, iar dimineața citesc rezultatele.
Așadar, decizia reală nu este „local sau cloud”, ci „trebuie să se întâmple acest lucru în timp ce cineva se uită la ecran și are compania deja hardware-ul necesar pentru a-l realiza fără să plătească pentru fiecare token?”.
Considerați că o parte semnificativă din activitățile obișnuite realizate cu agenți IA poate rula deja pe hardware local. Cu ce sarcini ați demonstrat acest lucru, pe ce hardware și cum măsurați succesul dincolo de capacitatea unui model de a produce un răspuns plauzibil?
Am avut mult succes folosind inteligența artificială locală pentru a adăuga metadate fișierelor noastre. La fel ca multe companii, avem terabytes de date în rețeaua noastră. Stardock dezvoltă atât software, cât și jocuri, iar în domeniul jocurilor avem zeci de ani de resurse artistice 3D și 2D, videoclipuri, materiale de lucru și altele.
În companie avem multe plăci video destul de performante de la AMD și NVIDIA. Am constatat că modelele cu 8B–12B de parametri sunt mai mult decât suficiente pentru tot ce avem nevoie și pot rula chiar și pe hardware relativ vechi. În prezent, avem un laptop cu Qualcomm Snapdragon X2 care desfășoară o parte din această activitate în fundal, seara.
Inteligența artificială locală este foarte bună la a parcurge încet aceste fișiere, a le verifica și a le adăuga metadate, astfel încât să putem căuta și găsi rapid ceva atunci când avem nevoie. Așa am descoperit că avem 16 modele 3D diferite de lupi. Of.
Ce ar trebui să determine trecerea de la un model local mai mic la un model cloud mai capabil? Cum vă dați seama că modelul local întâmpină dificultăți înainte să facă o greșeală cu consecințe importante?
În prezent, orice sarcină care presupune o judecată deschisă ar trebui, probabil, să fie transferată în cloud. Modelele de ultimă generație au rezolvat în mare măsură problema halucinațiilor. Când treceți la modele mai mici, locale, halucinațiile reapar. Prin urmare, pentru modelele locale trebuie, de regulă, să menținem numeroase măsuri de protecție.
Clairvoyance organizează agenții ca pe membri ai personalului cu inteligență artificială, cu memorie persistentă și sarcini permanente. Ce ați învățat despre păstrarea contextului util în timp, fără a permite acumularea de instrucțiuni învechite, presupuneri greșite sau amintiri contradictorii?
În culise, Clairvoyance își stochează amintirile într-o structură de tip graf, astfel încât, atunci când se actualizează un element, actualizarea se propagă de obicei recursiv și la alte noduri. Astfel, amintirile rămân organizate și actualizate.
Provocarea a fost să împiedicăm recursia infinită, iar pentru asta a fost nevoie de multă încercare și eroare în ultimii doi ani.
Accesul agenților la fișiere, aplicații și instrumente de dezvoltare îi face mai utili, dar mărește și consecințele greșelilor. Cum structurați permisiunile, aprobările umane și recuperarea atunci când un agent întreprinde o acțiune greșită?
Singurul lucru concret pe care îl avem este Protecția fișierelor: Clairvoyance poate împiedica agenții să șteargă directoare, iar această protecție este aplicată la nivelul aplicației, nu prin cârlige pe care un agent le-ar putea ocoli.
Când un flux de lucru combină execuția locală cu inferența în cloud, expresia „prioritar locală” poate avea sensuri diferite. Ce informații părăsesc dispozitivul utilizatorului și cum pot utilizatorii să înțeleagă și să controleze această limită?
Securitatea cloudului urmărește să-i țină pe ceilalți la distanță. Ea nu răspunde la întrebarea dacă furnizorul modelului ar trebui să aibă acces la secretele companiei dumneavoastră. Clairvoyance este concepută astfel încât să acorde prioritate procesării locale: notițele, proiectele și memoria personalului se află pe propriul dispozitiv. Dumneavoastră decideți ce ajunge la un model din cloud, pentru fiecare membru al personalului în parte, nu printr-o setare generală. Dacă rulați un model local, nu este nevoie ca nimic să părăsească hardware-ul dumneavoastră. Aflăm acest lucru direct de la clienți din mediul enterprise, nemulțumiți că trebuie să încarce fluxuri de lucru confidențiale întregi în Anthropic sau OpenAI doar pentru a-și face treaba.
Clairvoyance are peste 40.000 de utilizatori. Ce ați învățat din felul în care oamenii folosesc efectiv Clairvoyance și puteți da un exemplu măsurabil de flux de lucru recurent care a oferit valoare susținută?
Rata de retenție depinde în mare măsură de cantitatea de date pe care utilizatorul o generează în timpul sesiunilor.
Majoritatea utilizatorilor de inteligență artificială nu au ajuns încă în punctul în care să folosească datele generate de IA pentru a construi mai departe pe baza lor. Majoritatea încă gândesc în termeni de solicitări. Utilizatorii care rămân cu Clairvoyance sunt cei care generează multe documente justificative și rapoarte, care devin apoi baza activităților ulterioare.
Privind spre următorul an, ce evoluții ar extinde cel mai mult volumul de muncă pe care agenții îl pot gestiona în mod fiabil la nivel local? Ce ar trebui să se întâmple pentru a vă reconsidera opinia că direcționarea sarcinilor contează mai mult decât dimensiunea modelului?
Cred că, în următoarele 18 luni, 90–95% din activitatea bazată pe inteligența artificială se va desfășura local, iar poate 5% va necesita cloudul pentru sarcinile de ultimă generație. Motivul principal este că, deocamdată, aproape nimic nu este delegat inteligenței artificiale: chiar și sarcini banale, precum trierea CV-urilor în funcție de localitate sau verificarea orei de expediere a unei livrări, sunt încă făcute manual, deși un model 4B poate face deja acest lucru pe un laptop. Acest lucru va fi posibil prin resurse de calcul partajate de tip Hivemind (care permit GPU-urilor neutilizate ale unei companii să fie folosite de toți cei din domeniul respectiv) și printr-o direcționare suficient de bună încât nimeni să nu mai trebuiască să știe ce este un model 4B sau un Opus.
Vă mulțumim pentru interviul excelent. Cititorii care doresc să încerce o aplicație desktop pentru gestionarea agenților IA cu memorie persistentă pe computerele lor pot accesa Clairvoyance AI.












