Интервью
Брэд Уорделл, основатель и генеральный директор Clairvoyance AI — серия интервью

Ключевые моментыУорделл утверждает, что маршрутизация работы между локальным и облачным оборудованием…
Показать больше
- Уорделл утверждает, что маршрутизация работы между локальным и облачным оборудованием важнее, чем необработанный размер модели.
- Clairvoyance хранит воспоминания агента в графе, чтобы обновления распространялись и оставались актуальными.
- Уорделл предсказывает, что 90–95% работы ИИ будет выполняться локально в течение 18 месяцев.
Брэд Уорделл — основатель и генеральный директор Clairvoyance AI, а также основатель и генеральный директор Stardock. Более трёх десятилетий он разрабатывает настольное программное обеспечение и стратегические игры, в том числе такие продукты, как Fences и Galactic Civilizations. Работа над конвейерами разработки игр, творческими материалами и повседневной деловой отчётностью пробудила у него интерес к постоянно действующим ИИ-агентам, способным напрямую работать с локальными файлами и приложениями.
Clairvoyance AI разрабатывает рабочее пространство с именными ИИ-сотрудниками, которым можно поручать постоянные задачи и которые обладают памятью. Оно объединяет локальные файлы и инструменты разработки с облачными сервисами и моделями, работающими на оборудовании самого пользователя. Проект вырос в рамках Stardock и поддерживает рабочие процессы, в результате которых создаются заметки, отчёты и другие материалы для повторного использования. В этом интервью Уорделл рассказывает, как разработка игр повлияла на продукт, какое место локальные модели занимают в повседневной работе, а также какие средства маршрутизации, памяти и управления разрешениями необходимы, чтобы агенты были полезны.
Вы более трёх десятилетий разрабатываете в Stardock настольное программное обеспечение и стратегические игры, в том числе такие продукты, как Fences и Galactic Civilizations. Какая проблема в вашей компании побудила вас создать Clairvoyance AI и когда вы поняли, что этот проект может стать самостоятельной компанией?
Главной проблемой стала игра Ara: History Untold, завершить разработку которой Stardock помогала Microsoft и Oxide Games. Огромное количество времени уходило просто на то, чтобы переносить в игру творческие материалы. Тексты поступали в виде файлов .DOCX, которые приходилось кропотливо вручную преобразовывать в XML или CSV. Трёхмерные материалы нужно было аккуратно импортировать в наш движок. Одно изменение игрового баланса означало, что требовалось внести правки в дюжину разных файлов. При локализации переведённые строки вручную сопоставляли с нужными ключами в соответствующих файлах. Clairvoyance AI избавила нас от всех этих сложностей и позволила выпустить игру в срок.
К концу 2025 года внутри компании шли споры о том, стоит ли вообще выпускать продукт для широкой публики. Он давал реальное конкурентное преимущество — словно у вас на год раньше других появилась расширенная версия чего-то вроде OpenClaw. Решение открыть продукт для всех подтолкнуло принять то, что наши друзья и коллеги теряли работу из-за автоматизации с помощью ИИ, хотя могли бы её сохранить, будь у них инструменты получше. Тогда мы поняли, что хотим открыть Clairvoyance AI для широкой публики.
Вы утверждали, что многие инструменты для ИИ-агентов выдают отсутствие опыта выпуска потребительского программного обеспечения. Какие ошибки встречаются чаще всего и какие уроки из вашей карьеры стоит взять на вооружение разработчикам ИИ?
Ярче всего это проявляется в терминологии. Если вы не знаете специальных слов — например, «глиф» обозначает маленькое графическое изображение на кнопке, — вам будет очень сложно общаться с ИИ: его обучали на материалах, созданных людьми, которые уже знают этот профессиональный жаргон. Большинство команд, разрабатывающих такие инструменты, очень умны, но при этом очень молоды, и это заметно по решениям, связанным с удобством использования. Хороший пример — функция, которую добавила Anthropic: возможность перетаскивать текст из одного сеанса терминала в другой. Она собрала миллионы просмотров. А у нас уже давно есть агенты, которым достаточно написать @ и имя, чтобы автоматически передать им задачу, — ничего перетаскивать не нужно. В решении Anthropic пользователь сам выполняет работу, которую должен делать ИИ.
Урок, который я вынес за 30 лет выпуска настольного программного обеспечения: прежде чем показывать продукт кому-либо за пределами компании, нужно самому пользоваться им каждый день, работая с реальными сроками. Многие ИИ-продукты создают люди, которым, похоже, не приходилось постоянно работать в собственном программном обеспечении.
Вы описываете следующий этап развития ИИ как задачу маршрутизации: нужно решать, что будет выполняться на устройстве, в локальной сети или в облаке. Можете рассказать о реальном рабочем процессе и объяснить, как следует принимать такие решения?
Теперь маршрутизация — уже не столько индивидуальное решение, сколько решение на уровне компании. Скоро мы выпустим функцию Hivemind, которая наглядно воплощает этот подход. У большинства крупных компаний уже есть немало мощных компьютеров, простаивающих каждую ночь. Hivemind позволяет объединить простаивающие графические процессоры компьютеров компании, чтобы любой сотрудник команды мог запускать на них задачи ИИ, а не отправлять их в облако. Если нужно отслеживать десятки тысяч грузовых отправлений по всей цепочке поставок или проверять, куда ушли деньги компании, передовая облачная модель не нужна. Нужны достаточные вычислительные мощности, а у большинства компаний они уже есть и простаивают после рабочего дня.
На индивидуальном уровне действует тот же принцип, только в меньшем масштабе. Каждую ночь я запускаю на локальной модели панели мониторинга, отчёты о сбоях и настроениях пользователей, а также анализ данных о продажах, вместо того чтобы использовать облачную модель. Раньше я выполнял ту же работу с помощью Claude, и токены обходились примерно в 100 долларов в месяц. Теперь задачи бесплатно выполняются ночью на оборудовании, которое у меня уже есть, а утром я читаю результаты.
Так что на деле вопрос не в том, что выбрать — локальную модель или облако. Вопрос в том, нужно ли выполнить задачу, пока кто-то смотрит на экран, и есть ли у компании оборудование, позволяющее сделать это без оплаты за каждый токен.
Вы считаете, что значительную часть повседневных задач с участием ИИ-агентов уже можно выполнять на локальном оборудовании. На каких задачах вы это продемонстрировали, какое оборудование использовали и как оцениваете успех — помимо того, насколько правдоподобен ответ модели?
Нам удалось добиться больших успехов, используя локальный ИИ для добавления метаданных к нашим файлам. Как и у многих компаний, в нашей сети хранятся терабайты данных. Stardock разрабатывает и программное обеспечение, и игры, а в игровой сфере у нас накопились десятилетия 3D- и 2D-графики, видео, рабочих материалов и прочего.
В нашей компании довольно много хороших видеокарт AMD и NVIDIA. Мы выяснили, что моделей с 8–12 млрд параметров более чем достаточно для всех наших задач, и они работают даже на относительно старом оборудовании. Сейчас ноутбук с Qualcomm Snapdragon X2 выполняет часть этой работы в фоновом режиме по вечерам.
Локальный ИИ отлично справляется с тем, что постепенно обрабатывает и проверяет эти файлы, добавляя к ним метаданные. Поэтому, когда нам нужно что-то найти, достаточно выполнить поиск — и нужное быстро найдётся. Так мы обнаружили, что у нас есть 16 разных 3D-моделей волков. Эх.
В каких случаях следует переключаться с небольшой локальной модели на более мощную облачную? Как понять, что локальная модель испытывает трудности, прежде чем она допустит серьёзную ошибку?
Пока что всё, что требует суждений без заранее заданных рамок, вероятно, стоит поручать облачной модели. Передовые модели в значительной мере решили проблему галлюцинаций. Но при переходе к более компактным локальным моделям галлюцинации возвращаются. Поэтому локальным моделям обычно приходится задавать множество ограничений и предохранителей.
В Clairvoyance агенты организованы как сотрудники на базе ИИ, у которых есть постоянная память и текущие задания. Что вы узнали о том, как сохранять полезный контекст с течением времени и не допускать накопления устаревших инструкций, ошибочных предположений и противоречивых воспоминаний?
В основе Clairvoyance лежит графовая структура хранения памяти: когда обновляется один элемент, это обычно запускает рекурсивное обновление других узлов. Так память остаётся упорядоченной и актуальной.
Сложность заключалась в том, чтобы предотвратить бесконечную рекурсию. На это ушло немало проб и ошибок за последние пару лет.
Доступ к файлам, приложениям и инструментам разработки делает агентов полезнее, но одновременно повышает цену их ошибок. Как вы выстраиваете систему разрешений и подтверждений со стороны человека, а также восстановление после неверных действий агента?
Единственная конкретная мера, о которой мы можем рассказать, — File Protection: Clairvoyance может блокировать агентам возможность удалять каталоги. Защита реализована на уровне приложения, а не с помощью перехватчиков, которые агент мог бы обойти.
Если рабочий процесс сочетает локальное выполнение с облачными вычислениями, понятие «локальный подход в первую очередь» может трактоваться по-разному. Какие данные покидают компьютер пользователя и как пользователи могут понять, где проходит эта граница, и управлять ею?
Безопасность облачных сервисов заключается в том, чтобы не допустить доступа посторонних. Но она не отвечает на вопрос, должен ли поставщик модели вообще получать доступ к секретам вашей компании. Clairvoyance изначально ориентирован на локальную работу: ваши заметки, проекты и память сотрудников хранятся на вашем компьютере. Решение о том, какие данные передавать облачной модели, принимает сам пользователь — отдельно для каждого сотрудника, а не одним общим переключателем. Если запустить локальную модель, данные вообще не придётся передавать за пределы вашего оборудования. Мы слышим об этом непосредственно от корпоративных клиентов, которых раздражает необходимость загружать в Anthropic или OpenAI целые конфиденциальные рабочие процессы, просто чтобы выполнить свою работу.
У Clairvoyance более 40 000 пользователей. Что вы узнали о том, как люди на самом деле используют Clairvoyance? Можете ли вы привести измеримый пример регулярно выполняемого рабочего процесса, в котором сервис стабильно приносит пользу?
Уровень удержания пользователей во многом зависит от объёма данных, которые они создают в ходе своих сессий.
Большинство пользователей ИИ ещё не перешли к следующему этапу: они пока не используют данные, созданные ИИ, как основу для дальнейшей работы. Большинство по-прежнему мыслит категориями промптов. Clairvoyance продолжают пользоваться те, кто создаёт много материалов и отчётов, которые затем становятся основой для дальнейшей работы.
Если заглянуть на год вперёд, какие изменения позволят агентам надёжно выполнять больше задач локально? Что должно произойти, чтобы вы пересмотрели мнение о том, что маршрутизация важнее размера модели?
Думаю, в течение 18 месяцев 90–95% задач с ИИ будут выполняться локально, и, возможно, только для 5% понадобится облако — для работы с передовыми моделями. Главным образом потому, что ИИ пока почти ничего не поручают: даже простые задачи, например отбор резюме по местоположению или проверка сроков доставки, всё ещё выполняются вручную, хотя модель с 4 млрд параметров уже способна справиться с ними на ноутбуке. Этому будут способствовать объединённые вычислительные ресурсы по принципу Hivemind — когда неиспользуемые графические процессоры компании становятся доступны всем в её домене, — а также достаточно эффективная маршрутизация, чтобы никому не приходилось разбираться, что такое модель с 4 млрд параметров или Opus.
Спасибо за интересное интервью! Читателям, которые хотят попробовать настольное приложение для управления постоянно работающими ИИ-агентами на своих компьютерах, стоит посетить Clairvoyance AI.












