Plurai привлекает $13 млн для создания симуляционных платформ для ИИ-агентов

TechCrunch AI · оригинал

Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Стартап Plurai привлёк 13 миллионов долларов на разработку платформы, которая использует синтетические данные и цифровые двойники корпоративных систем для повышения надёжности ИИ-агентов. Основатели компании применяют методы, ранее успешно использованные в автономном вождении, чтобы обучать модели на специфических сценариях и снижать затраты на вычисления.

Решение Plurai направлено на преодоление ключевого барьера внедрения ИИ-агентов — их нестабильности в реальных рабочих процессах. Платформа предлагает альтернативу дорогим фронтир-моделям, обучая компактные открытые модели на данных конкретного бизнеса, что может существенно снизить операционные расходы компаний.

Несмотря на растущую популярность ИИ-агентов, их практическая применимость остаётся ограниченной из-за проблем с надёжностью. По данным бенчмарка LiveBench 2.0, такие модели, как Claude Fable 5.2 и ChatGPT-6 Astra, демонстрируют успешное выполнение задач лишь в 82,9% и 75,6% случаев соответственно. Аналогичные результаты показала компания EON, протестировавшая агентов в симулированной корпоративной среде: лучшая модель Claude Opus 4.8 справилась с задачами с точностью 76,8%. Эти цифры подтверждают, что без постоянного надзора агенты часто не способны стабильно выполнять сложные операции.

Стартап Plurai предлагает решить эту проблему, используя подходы из сферы автономного транспорта. Основатели компании Илан Кадар и Элад Леви ранее работали в Nexar, а Кадар также участвовал в проектах Waymo по симуляции и оценке программного обеспечения для вождения. По словам Кадаря, они заметили схожий паттерн: создать демонстрацию ИИ-агента легко, но сделать его надёжным и экономически эффективным — крайне сложно. Именно поэтому компания решила построить «слой симуляции» для подготовки моделей к реальным условиям.

На прошлой неделе Plurai объявила о привлечении 13 миллионов долларов в рамках раунда seed-финансирования. Инвестиции возглавила Team8, также приняли участие U&I, Velocity и Mercer. Платформа работает по принципу создания цифрового двойника электронных систем компании, включая базы знаний и инструменты, доступные агенту в продакшене. Система картирует все возможные потоки действий агента и использует этот граф для подготовки моделей к оценке и исправлению потенциальных краевых случаев.

ИИ-агенты являются вероятностными системами, работающими в непредсказуемых средах. Например, агент, отвечающий за бронирование поездок, может игнорировать политики расходов под давлением пользователя. Или же он успешно опрашивает одну базу данных, но сталкивается с ошибками при объединении информации из нескольких источников. Длительные диалоги с ботами поддержки также могут перегрузить контекст, приводя к неверным решениям. Plurai решает эти проблемы, генерируя синтетические данные на основе внутренних систем клиента.

Платформа интегрируется с существующими инструментами агентности, такими как Claude Code, Codex, Copilot и Cursor. Однако, по утверждению Кадаря, главная ценность компании заключается в использовании собранных данных для пост-обучения небольших моделей с открытыми весами, адаптированных под конкретные нужды заказчика. Тесты, проведённые совместно с Nvidia и Nebius, показали, что такие модели превосходят средние фронтир-модели при значительно меньших затратах.

Кадар объясняет процесс: компания берёт большую языковую модель, декомпозирует задачу на более мелкие части с помощью симуляции, обучает открытую модель и затем верифицирует качество через ту же симуляцию. Это позволяет достичь сопоставимого или более высокого уровня качества при снижении стоимости на один-два порядка. Реа Мияра, исполнительный директор Google и ангельский инвестор Plurai, отмечает, что преимущество компании заключается в понимании режимов отказов в продакшене и генерации синтетических данных для настройки моделей.

По мнению Мияры, для бизнеса оптимизация расходов на ИИ становится критически важной, поскольку фронтир-модели часто не соответствуют специфическим данным компании, а их стоимость не является устойчивой в долгосрочной перспективе. Plurai полагает, что аналогии между ИИ-агентами в физических и цифровых средах могут быть предсказательными: хотя мощные общие модели наделяют роботов впечатляющими способностями, они пока недостаточно надёжны для широкого внедрения. В то же время роботы на базе специализированных моделей уже работают в полевых условиях, собирая ценные данные. Кадар подчёркивает, что независимо от того, насколько умными станут модели OpenAI и Anthropic, они не будут знать специфику бизнеса и политики конкретного клиента.