Plato henter 16 millioner dollars i Series A-finansiering til at bygge simulerede arbejdspladser for AI-agenter

Plato har hentet 16 millioner dollars i Series A-finansiering til at bygge simulerede arbejdspladser, hvor AI-modeller kan øve sig i at bruge software, navigere i forretningsmæssige beslutninger og løse komplekse opgaver, før de arbejder i aktive systemer. Nava Ventures ledede finansieringsrunden med deltagelse fra Gradient Ventures, Transpose Platform og Mustafa Suleyman, CEO for Microsoft AI.

Finansieringen bringer Platons samlede kapitalrejsning op på 19 millioner dollars efter en seed-runde ledet af Gradient Ventures. Freddie Martignetti, grundlægger af Nava Ventures, indtræder i bestyrelsen. Plato blev grundlagt i 2025 og har hovedsæde i San Francisco. Virksomheden vil bruge kapitalen til at udvide sit bibliotek af arbejdsmiljøer og de oplevelser, der er tilgængelige for AI-udviklere.

Investeringen retter sig mod en praktisk begrænsning i overgangen fra chatbots til agenter: At give et overbevisende svar og at udføre en opgave er to forskellige kompetencer. En agent, der håndterer et køb, en supportsag eller en regnskabsproces, skal bruge de rette værktøjer, afstemme oplysninger, overholde begrænsninger og sørge for, at de underliggende registreringer ender i den rette tilstand.

Et sted at øve sig uden at ændre data i aktive systemer

Træning af en agent i et reelt forretningssystem kan få konsekvenser, før agenten er klar. En indkøbsopgave kan føre til, at der bliver brugt penge, mens en administrativ arbejdsgang kan ændre en faktisk kunde- eller medarbejderregistrering. Plato genskaber disse arbejdsgange i afgrænsede miljøer, som udviklere kan nulstille og bruge igen.

»Man bliver god til komplekst arbejde i den virkelige verden ved at få erfaring med at udføre opgaverne,« sagde Robert Farlow, Platons medstifter og CEO, i meddelelsen. Virksomhedens simuleringer skal indfange de værktøjer, beslutninger og uventede situationer, der gør professionelt arbejde vanskeligt.

Plato samarbejder med fageksperter om at genskabe arbejdsopgaver inden for kundesupport, HR, økonomi, regnskab og sundhedsadministration. AI-laboratorier kan bruge de resulterende miljøer til forstærkningslæring, hvor modeller forsøger at løse opgaver og lærer af feedback gennem gentagne erfaringer, samt til at evaluere deres præstationer.

Fra softwaresimulatorer til verificerbare arbejdsgange

På virksomhedens hjemmeside beskrives Plato som et anvendt forskningslaboratorium, der omdanner software og data fra den virkelige verden til miljøer, hvor agenter kan trænes og evalueres. I et eksempel på en udviklerarbejdsgang oprettes en session med flere simulatorer, en opgave indlæses, en agent køres, og det efterfølgende forløb evalueres. Eksemplet kombinerer simulatorer for GitHub, Jira og Stripe og viser, hvordan én opgave kan omfatte flere værktøjer.

Denne struktur giver udviklere en gentagelig enhed af erfaring: et indledende arbejdsområde, en opgave, der skal løses, agentens handlinger og kontrol af resultatet. Når arbejdsområdet nulstilles, kan den samme opgave forsøges igen, uden at der ophobes ændringer på en aktiv konto.

Platons forskningsrapport om Computer Work Val v1.0, dateret 27. oktober, beskriver et valideringssæt med 300 opgaver fordelt på 10 domæner og 36 roller, der køres på tværs af 210 simulerede applikationer. Virksomheden fortæller, at bidragydere omdanner dele af deres eget arbejde til miljøer, der bygger på softwarekopier og simulerede data.

I ét eksempel skal en agent udarbejde en kvartalsvis resultatopgørelse ved hjælp af simulerede værktøjer til regneark, e-mail, betalinger og bankforretninger. Separate kontrollører tjekker krav som regnskabsmæssig behandling, korrekt valutaomregning og levering af den endelige fil. Denne tilgang kan afsløre en alvorlig fejl i en arbejdsgang, der ellers er fuldført: En rapport kan nå frem til den rette modtager og stadig overvurdere omsætningen.

Rapporten beskriver også gennemgang foretaget af eksperter inden for det relevante fagområde samt kontrol for fejl i miljøet, uoverensstemmelser mellem instruktioner og bedømmelse og manipulation af belønningssystemet. Fokus er på opgaver, der indeholder de oplysninger, som er nødvendige for at lykkes, men som stadig kræver ræsonnement på tværs af flere kilder.

Derfor er bedømmelsessystemet vigtigt

Feedbacken fra en simulering former det, en model lærer. Hvis en evaluering belønner et gennemført køb uden at kontrollere budgettet, kan den lære agenten at prioritere gennemførelse over de instruktioner, der gav opgaven mening.

Plato siger, at virksomheden evaluerer både resultatet og den måde, modellen nåede frem til det på, herunder om den fulgte instruktionerne og overholdt begrænsningerne. Den undersøger også, om modeller udnytter svagheder i et miljø for at opnå en score, der ikke afspejler korrekt udført arbejde.

»Vi udvikler evalueringer, der afspejler de faktiske krav til jobbet, så udviklere kan skelne mellem en høj score og korrekt udført arbejde,« sagde Pranav Putta, Platons medstifter og CTO.

Virksomhedens særskilte Web Clone Bench undersøger modellernes evne til at genskabe webapplikationer ud fra referencemiljøer. Plato beskriver funktionalitetstjek og menneskelig kvalitetssikring som en del af arbejdet med at bygge kopier med høj troværdighed. For træningsinfrastruktur er troværdighed et teknisk krav: Manglende funktioner eller urealistiske genveje kan ændre, hvilke strategier en agent lærer.

Finansiering af mere erfaring fra den virkelige verden

Farlow har tidligere udviklet en annoteringsplatform hos Yutori til træning af modeller, der bruger computere. Putta har en baggrund inden for computersyn, robotteknologi, forstærkningslæring og arbejde med modeller til computerbrug hos MultiOn.

Den nye finansiering skal bruges til at betale fagfolk for at genskabe flere af deres arbejdsopgaver i simulerede miljøer. Plato planlægger også at sætte AI-agenter til at udføre virkelige opgaver for at indsamle yderligere erfaring og udvikler mere avancerede simuleringer med længere arbejdsgange og interaktioner med simulerede mennesker.

Runden følger en bredere investeringsbølge i infrastruktur til træning af agenter, herunder Labelbox’ finansiering af miljøer til forstærkningslæring og AI-agenter. Platos satsning bygger på, at modeller har brug for en voksende mængde realistisk træning kombineret med evalueringer, der fastholder arbejdets regler. Værdien af denne infrastruktur afhænger af, hvor godt erfaringerne fra en simulering forbereder en agent på de beslutninger, den vil stå over for uden for simuleringen.