Intervjuer
Brad Wardell, grundare och vd för Clairvoyance AI – intervjuserie

Viktiga punkterWardell hävdar att det är viktigare att dirigera arbete mellan lokal och molnbaserad…
Visa mer
- Wardell hävdar att det är viktigare att dirigera arbete mellan lokal och molnbaserad hårdvara än att enbart fokusera på modellens råa storlek.
- Clairvoyance lagrar agenters minnen i en graf så att uppdateringar sprids och förblir aktuella.
- Wardell förutspår att 90 till 95 % av AI-arbetet kommer att köras lokalt inom 18 månader.
Brad Wardell är grundare och vd för Clairvoyance AI samt grundare och vd för Stardock. I mer än tre decennier har han utvecklat skrivbordsprogram och strategispel, däribland produkter som Fences och Galactic Civilizations. Hans arbete med utvecklingsprocesser för spel, kreativt material och löpande affärsrapportering väckte hans intresse för uthålliga AI-agenter som kan arbeta direkt med lokala filer och program.
Clairvoyance AI utvecklar en arbetsyta för namngivna AI-medarbetare med löpande uppdrag och minne, som kopplar samman lokala filer och utvecklingsverktyg med molntjänster och modeller som körs på användarens egen hårdvara. Produkten utvecklades som ett internt projekt på Stardock och stöder arbetsflöden som skapar återanvändbara anteckningar, rapporter och andra artefakter. I den här intervjun berättar Wardell om hur spelutveckling har påverkat produkten, vilken roll lokala modeller spelar i det dagliga arbetet och vilka kontroller för routning, minne och behörigheter som krävs för att agenter ska vara användbara.
Du har ägnat mer än tre decennier åt att utveckla skrivbordsprogram och strategispel på Stardock, däribland produkter som Fences och Galactic Civilizations. Vilket problem i den egna verksamheten fick dig att utveckla Clairvoyance AI, och när insåg du att det kunde bli ett eget företag?
Den verkliga utmaningen var Ara: History Untold, som Stardock hjälpte Microsoft och Oxide Games att färdigställa. En enorm mängd tid gick åt till att bara föra in kreativt material i spelet. Textmaterialet levererades som .DOCX-filer, som mödosamt måste konverteras manuellt till XML eller CSV. 3D-material måste föras in i vår motor med stor omsorg. En enda ändring av spelbalansen innebar att ett dussin olika filer behövde ändras. Lokaliseringen krävde att översatta textsträngar manuellt kopplades till rätt nycklar i rätt filer. Clairvoyance AI gjorde allt detta enkelt och gjorde det möjligt för oss att leverera spelet i tid.
I slutet av 2025 diskuterade vi internt om vi över huvud taget skulle göra produkten tillgänglig för allmänheten. Den var en verklig konkurrensfördel, ungefär som att ha en mer omfattande version av något i stil med OpenClaw ett år i förväg. Det som fick oss att överväga att lansera den offentligt var att se vänner och kollegor förlora sina jobb till AI-automatisering – jobb de hade kunnat behålla om de haft bättre verktyg. Då visste vi att vi ville göra Clairvoyance AI tillgängligt för allmänheten.
Du har hävdat att många AI-agentverktyg avslöjar bristande erfarenhet av att lansera konsumentprogram. Vilka misstag ser du oftast, och vilka lärdomar från din egen karriär bör AI-utvecklare ta till sig?
Det tydligaste tecknet är terminologin. Om du inte redan känner till orden, som ”glyf” för den lilla grafiska symbolen på en knapp, hamnar du i ett klart underläge när du pratar med en AI, eftersom den har tränats på material från människor som redan kan fackspråket. Många av teamen som utvecklar de här verktygen är mycket smarta, men också mycket unga, och det märks i deras val kring användbarhet. Ett bra exempel är när Anthropic lade till möjligheten att dra text från en terminalsession till en annan; det fick miljontals visningar. Vi har haft agenter som man bara kan tagga med @ och namn för att automatiskt lämna över arbete till dem, utan att dra något. Deras lösning kräver att användaren utför det arbete som AI:n borde göra.
Lärdomen från 30 år av att lansera skrivbordsprogram är att man faktiskt måste använda det man utvecklar varje dag, med verkliga tidsfrister, innan någon utanför företaget får se det. Många AI-produkter känns som om de har utvecklats av människor som aldrig har behövt leva med sin egen programvara.
Du beskriver nästa fas inom AI som ett routningsproblem: att avgöra vad som ska köras på en enhet, över ett lokalt nätverk eller i molnet. Kan du gå igenom ett verkligt arbetsflöde och förklara hur man bör fatta de besluten?
Routning är inte längre egentligen ett individuellt beslut, utan håller på att bli en fråga för hela företaget. Vi ska snart lansera en funktion som heter Hivemind, som gör detta konkret. De flesta stora företag äger redan gott om kraftfulla datorer som står oanvända varje natt. Med Hivemind kan ett företag samla de lediga GPU:erna från sina egna datorer, så att alla i teamet kan köra AI-arbete på dem i stället för att skicka det till molnet. Om du följer tiotusentals försändelser genom en leveranskedja eller granskar vart företagets pengar har tagit vägen behöver du inte en avancerad molnmodell. Du behöver tillräcklig beräkningskapacitet, och de flesta företag har redan sådan kapacitet som står oanvänd efter arbetstid.
Samma princip gäller på individnivå, fast i mindre skala. Varje natt kör jag instrumentpaneler, kraschrapporter, sentimentrapporter och försäljningsdata på en lokal modell i stället för en molnbaserad. Tidigare körde jag samma arbetsbelastning via Claude, vilket kostade omkring 100 dollar i månaden i token. Nu körs den kostnadsfritt över natten på hårdvara jag redan äger, och jag läser resultaten på morgonen.
Den verkliga frågan är alltså inte ”lokalt eller i molnet”, utan ”måste det här göras medan någon sitter och tittar på skärmen, och har företaget redan hårdvaran som behövs för att göra det utan att betala per token?”.
Du menar att en betydande del av vardagliga arbetsuppgifter som utförs av AI-agenter redan kan köras på lokal hårdvara. Vilka uppgifter har du visat detta med, på vilken hårdvara och hur mäter du framgång utöver om en modell ger ett svar som verkar rimligt?
Vi har haft stor framgång med att använda lokal AI för att lägga till metadata i våra filer. Precis som många andra företag har vi flera petabyte data i vårt nätverk. Stardock utvecklar både programvara och spel, och på spelsidan finns det årtionden av 3D- och 2D-grafik, videor, arbetsmaterial och annat.
På företaget har vi många ganska bra grafikkort från AMD och NVIDIA. Vi har upptäckt att modeller med 8B till 12B parametrar räcker mer än väl för allt vi behöver göra, och de fungerar även på relativt gammal maskinvara. Just nu utför en bärbar dator med Qualcomm Snapdragon X2 en del av det här arbetet i bakgrunden på kvällarna.
Lokal AI är riktigt bra på att långsamt gå igenom och granska de här filerna och lägga till metadata, så att man snabbt kan söka efter och hitta det man behöver. På så sätt upptäckte vi att vi har 16 olika 3D-modeller av vargar. Suck.
Vad bör utlösa en övergång från en mindre lokal modell till en mer kapabel molnmodell? Hur upptäcker ni att den lokala modellen har svårt att hantera uppgiften innan den begår ett misstag med allvarliga följder?
Just nu bör allt som kräver öppet omdöme förmodligen hanteras i molnet. De mest avancerade modellerna har i stort sett löst problemet med hallucinationer. När man går över till mindre, lokala modeller kommer hallucinationerna tillbaka. Därför behöver vi vanligtvis sätta upp många skyddsräcken kring lokala modeller.
Clairvoyance organiserar agenter som AI-medarbetare med bestående minne och löpande uppgifter. Vad har ni lärt er om hur man bevarar användbar kontext över tid utan att låta inaktuella instruktioner, felaktiga antaganden eller motstridiga minnen byggas upp?
I bakgrunden lagrar Clairvoyance sina minnen i en grafstruktur, så när något uppdateras utlöser det ofta uppdateringar av andra noder rekursivt. Det bidrar till att hålla minnena organiserade och aktuella.
Utmaningen har varit att förhindra oändlig rekursion, och det har krävt mycket försök och misstag under de senaste åren.
Att ge agenter tillgång till filer, program och utvecklingsverktyg gör dem mer användbara, men ökar också konsekvenserna av misstag. Hur utformar ni behörigheter, mänskliga godkännanden och återställning när en agent vidtar fel åtgärd?
Den enda konkreta åtgärd vi har är File Protection: Clairvoyance kan hindra agenter från att radera kataloger. Detta upprätthålls på programnivå, inte genom krokar som en agent skulle kunna kringgå.
När ett arbetsflöde kombinerar lokal körning med molnbaserad inferens kan ”lokalt först” betyda olika saker. Vilken information lämnar användarens dator, och hur kan användarna förstå och kontrollera den gränsen?
Molnsäkerhet handlar om att hålla andra människor ute. Den besvarar inte frågan om modellleverantören över huvud taget bör ha tillgång till företagets hemligheter. Clairvoyance är utformat med lokalt först som utgångspunkt: dina anteckningar, projekt och medarbetarnas minnen finns på din egen dator. Du avgör själv vad som skickas till en molnmodell, för varje medarbetare separat – det är ingen generell inställning. Kör du en lokal modell behöver ingenting lämna din maskinvara. Vi hör det här direkt från företagskunder som är frustrerade över att behöva ladda upp hela konfidentiella arbetsflöden till Anthropic eller OpenAI bara för att få arbetet gjort.
Clairvoyance har över 40 000 användare. Vad har ni lärt er av hur människor faktiskt använder Clairvoyance, och kan ni ge ett mätbart exempel på ett återkommande arbetsflöde där tjänsten har skapat bestående värde?
Andelen användare som stannar kvar beror i hög grad på hur mycket data användaren genererar under sina sessioner.
De flesta som använder AI har ännu inte riktigt kommit till den punkt där de använder data som AI:n genererar som grund för vidare arbete. De flesta tänker fortfarande i termer av promptar. De som stannar kvar hos Clairvoyance är de som skapar många underlag och rapporter, vilka i sin tur blir grunden för fortsatt arbete.
Om vi blickar ett år framåt, vilken utveckling skulle framför allt utöka det arbete som agenter på ett tillförlitligt sätt kan hantera lokalt? Vad skulle behöva hända för att ni skulle ompröva er uppfattning att dirigering spelar större roll än modellstorlek?
Jag tror att 90 till 95 % av AI-arbetet kommer att utföras lokalt inom 18 månader, medan kanske 5 % behöver molnet för de mest avancerade uppgifterna. Det beror främst på att nästan ingenting ännu överlåts åt AI. Till och med enkla uppgifter, som att granska meritförteckningar för att kontrollera var kandidater bor eller att kontrollera leveranstider, utförs fortfarande manuellt, trots att en 4B-modell redan kan göra det på en bärbar dator. Det här kan utvecklas genom samlad datorkraft i stil med Hivemind, där ett företags underutnyttjade GPU:er kan användas av alla i organisationens domän, och genom att dirigeringen blir tillräckligt bra för att ingen ska behöva veta vad en 4B-modell eller en Opus ens är.
Tack för en fantastisk intervju. Läsare som vill prova en datorapp för att hantera bestående AI-agenter på sina datorer kan besöka Clairvoyance AI.












