Інтерв’ю
Бред Ворделл, засновник і генеральний директор Clairvoyance AI — інтерв’ю

Ключові моментиВорделл стверджує, що маршрутизація роботи між локальним і хмарним обладнанням…
Показати більше
- Ворделл стверджує, що маршрутизація роботи між локальним і хмарним обладнанням важливіша за необроблений розмір моделі.
- Clairvoyance зберігає спогади агентів у графі, щоб оновлення поширювалися й залишалися актуальними.
- Ворделл прогнозує, що 90–95% роботи ШІ виконуватиметься локально протягом 18 місяців.
Бред Ворделл — засновник і генеральний директор Clairvoyance AI, а також засновник і генеральний директор Stardock. Понад три десятиліття він створює програмне забезпечення для настільних комп’ютерів і стратегічні ігри, зокрема такі продукти, як Fences і Galactic Civilizations. Його робота над конвеєрами розробки ігор, творчими ресурсами та повсякденною бізнес-звітністю зацікавила його перспективою постійно діючих ШІ-агентів, здатних безпосередньо працювати з локальними файлами й застосунками.
Clairvoyance AI розробляє робочий простір для ШІ-співробітників із власними іменами, постійними завданнями та пам’яттю, який поєднує локальні файли й інструменти розробки з хмарними сервісами та моделями, що працюють на пристроях користувачів. Проєкт зародився в Stardock і підтримує робочі процеси, у результаті яких створюються нотатки, звіти та інші матеріали, придатні для повторного використання. У цьому інтерв’ю Ворделл розповідає, як досвід розробки ігор вплинув на продукт, яке місце локальні моделі посідають у повсякденній роботі та які засоби керування маршрутизацією, пам’яттю й дозволами потрібні, щоб агенти були корисними.
Ви понад три десятиліття створюєте в Stardock програмне забезпечення для настільних комп’ютерів і стратегічні ігри, зокрема такі продукти, як Fences і Galactic Civilizations. Яка проблема у вашому власному бізнесі спонукала вас створити Clairvoyance AI і коли ви зрозуміли, що цей проєкт може стати самостійною компанією?
Справжньою проблемою стала гра Ara: History Untold, завершити роботу над якою Stardock допомагала Microsoft і Oxide Games. Величезна кількість часу йшла лише на перенесення творчих ресурсів до гри. Тексти надходили у файлах .DOCX, які доводилося копітко вручну перетворювати на XML або CSV. 3D-ресурси потрібно було ретельно переносити до нашого рушія. Одна зміна балансу означала, що треба було внести правки в десяток різних файлів. Локалізація вимагала вручну зіставляти перекладені рядки з відповідними ключами у потрібних файлах. Clairvoyance AI зробила все це простим і дала нам змогу випустити гру вчасно.
Наприкінці 2025 року ми всередині компанії обговорювали, чи варто взагалі робити продукт публічним. Він давав нам справжню конкурентну перевагу — це було схоже на доступ до розширеної версії чогось на кшталт OpenClaw на рік раніше за інших. До рішення відкрити продукт широкому загалу нас підштовхнуло те, що ми бачили, як друзі й колеги втрачали роботу через автоматизацію за допомогою ШІ, хоча могли б її зберегти, якби мали кращі інструменти. Тоді ми й вирішили, що хочемо відкрити Clairvoyance AI для широкого загалу.
Ви стверджували, що багато інструментів для ШІ-агентів демонструють брак досвіду випуску споживчого програмного забезпечення. Яких помилок ви бачите найчастіше і які уроки з власної кар’єри варто засвоїти розробникам ШІ?
Найбільше про брак досвіду свідчить термінологія. Якщо ви не знаєте таких слів, як «гліф» — невелике графічне зображення на кнопці, — вам буде дуже складно спілкуватися з ШІ, адже його навчили на даних людей, які вже знають цей професійний жаргон. Більшість команд, що створюють ці інструменти, складаються з дуже розумних, але ще зовсім молодих людей, і це помітно в рішеннях щодо зручності користування. Показовий приклад: коли Anthropic додала можливість перетягувати текст з одного сеансу термінала в інший, ця новина зібрала мільйони переглядів. У нас уже давно є агенти, яким достатньо написати @ім’я, щоб автоматично передати роботу, без жодного перетягування. А інструмент Anthropic змушує користувача виконувати роботу, яку мав би робити ШІ.
Урок, який я засвоїв за 30 років випуску програмного забезпечення для настільних комп’ютерів, такий: перш ніж показувати продукт комусь поза компанією, потрібно щодня користуватися ним самим — у реальних умовах і з дотриманням справжніх дедлайнів. Складається враження, що багато продуктів на основі ШІ створили люди, яким не доводилося жити й працювати у власному програмному забезпеченні.
Ви описуєте наступний етап розвитку ШІ як проблему маршрутизації: потрібно вирішити, що виконуватиметься на пристрої, у локальній мережі чи в хмарі. Чи могли б ви розповісти про конкретний робочий процес і пояснити, як слід ухвалювати такі рішення?
Маршрутизація вже не є рішенням, яке ухвалює окрема людина: вона стає справою всієї компанії. Незабаром ми випустимо функцію Hivemind, яка наочно це демонструє. У більшості великих компаній уже є чимало потужних комп’ютерів, що простоюють щоночі. Hivemind дає змогу компанії об’єднати графічні процесори цих неактивних комп’ютерів, щоб кожен член команди міг виконувати на них завдання ШІ, а не надсилати їх у хмару. Якщо потрібно відстежувати десятки тисяч вантажів у ланцюгу постачання або перевіряти, куди пішли гроші компанії, передова хмарна модель не потрібна. Потрібно лише достатньо обчислювальних потужностей, а в більшості компаній вони вже є — простоюють після завершення робочого дня.
На індивідуальному рівні діє та сама логіка, лише в меншому масштабі. Щоночі я запускаю на локальній моделі, а не в хмарі, інформаційні панелі, звіти про збої, звіти про настрої та аналіз даних про продажі. Раніше я виконував ті самі завдання за допомогою Claude, і це коштувало близько 100 доларів на місяць за токени. Тепер усе це безкоштовно виконується вночі на обладнанні, яке в мене вже є, а вранці я переглядаю результати.
Отже, насправді питання не в тому, «локально чи в хмарі», а в тому, «чи потрібно виконати це завдання, поки хтось дивиться на екран, і чи має компанія обладнання, щоб зробити це без оплати за кожен токен».
Ви вважаєте, що значну частину повсякденних завдань, які виконують агенти, уже можна запускати на локальному обладнанні. Для яких завдань ви це продемонстрували, на якому обладнанні та як оцінюєте успіх, окрім того, чи видає модель правдоподібну відповідь?
Ми досягли значних успіхів, використовуючи локальний ШІ для додавання метаданих до наших файлів. Як і в багатьох компаній, у нас у мережі є терабайти даних. Stardock розробляє і програмне забезпечення, і ігри, а в ігровому напрямі накопичилися десятиліття напрацьованих 3D- і 2D-артматеріалів, відео, робочих матеріалів тощо.
У нашій компанії є чимало цілком пристойних відеокарт AMD і NVIDIA. Ми з’ясували, що моделей із 8–12 млрд параметрів більш ніж достатньо для всього, що нам потрібно, і вони працюють навіть на відносно застарілому обладнанні. Зараз ноутбук із Qualcomm Snapdragon X2 виконує частину цієї роботи у фоновому режимі вечорами.
Локальний ШІ дуже добре підходить для повільного опрацювання й перегляду цих файлів, а також додавання до них метаданих, щоб ми могли швидко знайти потрібне за допомогою пошуку. Так ми й виявили, що маємо 16 різних 3D-моделей вовків. Ех.
Що має стати приводом перейти від меншої локальної моделі до потужнішої хмарної? Як ви визначаєте, що локальна модель не справляється, перш ніж вона припуститься помилки з серйозними наслідками?
Наразі все, що потребує відкритого, не обмеженого наперед судження, мабуть, варто передавати в хмару. Передові моделі значною мірою розв’язали проблему галюцинацій. Коли переходиш до менших локальних моделей, галюцинації повертаються. Тому для локальних моделей нам зазвичай потрібно встановлювати чимало запобіжників.
Clairvoyance організовує агентів як співробітників зі штучним інтелектом, які мають постійну пам’ять і тривалі доручення. Що ви дізналися про збереження корисного контексту з часом, не допускаючи накопичення застарілих інструкцій, хибних припущень чи суперечливих спогадів?
Усередині Clairvoyance зберігає спогади у вигляді графа, тож оновлення одного елемента зазвичай запускає рекурсивне оновлення інших вузлів. Це допомагає підтримувати впорядкованість і актуальність спогадів.
Складність полягала в тому, щоб запобігти нескінченній рекурсії, і для цього протягом останніх кількох років довелося чимало експериментувати методом спроб і помилок.
Доступ агентів до файлів, застосунків і засобів розробки робить їх кориснішими, але водночас підвищує ціну помилок. Як ви організовуєте дозволи, погодження з боку людей і відновлення після ситуацій, коли агент виконує неправильну дію?
Єдиний конкретний приклад, який ми можемо навести, — це захист файлів: Clairvoyance може заборонити агентам видаляти цілі каталоги. Це обмеження діє на рівні застосунку, а не через перехоплювачі, які агент міг би обійти.
Коли робочий процес поєднує локальне виконання з хмарним опрацюванням запитів, поняття «локальна робота насамперед» може означати різне. Яка інформація залишає пристрій користувача і як користувачі можуть розуміти та контролювати цю межу?
Безпека хмарних сервісів полягає в тому, щоб не допускати до них сторонніх. Але це не дає відповіді на запитання, чи варто взагалі довіряти провайдеру моделі секрети вашої компанії. Clairvoyance від самого початку побудовано за принципом локальної роботи насамперед: ваші нотатки, проєкти й пам’ять співробітників зберігаються на вашому пристрої. Ви самі вирішуєте, що передавати хмарній моделі, окремо для кожного співробітника, а не за допомогою єдиного загального налаштування. Якщо запустити локальну модель, узагалі нічого не доведеться передавати за межі вашого обладнання. Ми чуємо про це безпосередньо від корпоративних клієнтів, яких дратує необхідність завантажувати цілі конфіденційні робочі процеси в Anthropic чи OpenAI лише для того, щоб виконувати свою роботу.
У Clairvoyance понад 40 000 користувачів. Що ви дізналися про те, як люди насправді користуються Clairvoyance, і чи можете навести вимірюваний приклад регулярного робочого процесу, у якому сервіс забезпечив тривалу цінність?
Рівень утримання користувачів значною мірою залежить від обсягу даних, які вони створюють під час своїх сеансів.
Більшість користувачів ШІ ще не перейшли той рубіж, коли починають використовувати дані, згенеровані ШІ, як основу для подальшої роботи. Більшість і досі мислить у категоріях запитів. У Clairvoyance залишаються ті, хто створює багато доказових матеріалів і звітів, які згодом стають основою для подальшої роботи.
Якщо зазирнути на рік уперед, які зміни найбільше розширять спектр завдань, які агенти зможуть надійно виконувати локально? Що має статися, щоб ви переглянули свою думку про те, що маршрутизація важливіша за розмір моделі?
Думаю, протягом 18 місяців 90–95% роботи із ШІ виконуватиметься локально, а, можливо, лише 5% потребуватиме хмари для роботи з передовими моделями. Причина здебільшого в тому, що ШІ поки що майже нічого не доручають: навіть такі прості завдання, як відбір резюме за місцем проживання чи перевірка термінів доставки вантажів, досі виконують вручну, хоча модель із 4 млрд параметрів уже здатна впоратися з ними на ноутбуці. Цьому сприятимуть об’єднані обчислювальні ресурси на кшталт Hivemind, завдяки яким невикористовувані графічні процесори компанії зможуть обслуговувати всіх користувачів у домені, а також достатньо ефективна маршрутизація, щоб нікому не потрібно було знати, що таке модель із 4 млрд параметрів чи Opus.
Дякую за чудове інтерв’ю. Читачам, які хочуть спробувати настільний застосунок для керування постійно активними ШІ-агентами на своїх комп’ютерах, варто відвідати Clairvoyance AI.












