Plurai rejser 13 mio. dollar i seedfinansiering og åbner en simuleringsplatform for AI-agenter

Plurai annoncerede finansieringen og lanceringen den 11. november 2026 og oplyste, at virksomheden havde rejst 13 millioner dollar i seedfinansiering og gjort sin simuleringsplatform for AI-agenter alment tilgængelig. Team8 stod i spidsen for investeringsrunden, samtidig med at virksomheden lancerede en gratis version af et produkt, der tidligere kun var tilgængeligt for udvalgte partnere og kunder.

U&I, Velocity og Mercer deltog også sammen med mere end 20 business angels og brancheledere. Blandt dem var CyberArk-grundlæggeren Udi Mokady og Reah Miyara, seniordirektør for Google Models hos Google Cloud og tidligere ansvarlig for modelevaluering hos OpenAI. Eyal Carmi, teknologidirektør for Microsoft 365 Copilot, blev medlem af Plurais rådgivende udvalg.

Team8s managing partner Aviad Harell sagde, at Plurai løser behovet for den infrastruktur, der skal til for at opbygge tillid, før agenterne når ud til kunderne, og for fortsat at forbedre dem i produktion. Han tilføjede: »Simulering bliver lige så grundlæggende for agentstakken, som CI/CD er for software.«

Sådan fungerer simuleringsplatformen

Plurai opbygger en digital tvilling, altså en softwarekopi, af en agent og dens driftsmiljø ud fra kundens vidensbase, værktøjer og politikker. Derefter udsættes agenten for realistiske og adversarielle simulerede brugere i et isoleret testmiljø for at finde overtrædelser af politikker, hallucinationer, forkerte handlinger, fejl i værktøjskald, mislykkede opgaver og læk af følsomme data, før kunderne støder på dem.

Produktsiden beskriver isolerede testmiljøer, hvor tjenester, dokumenter og verdens tilstand kan simuleres og nulstilles mellem kørsler, mens spor fra produktionen kan danne grundlag for senere scenarier. Plurai sporer fejl tilbage til dokumentation og præcise placeringer i koden, genererer rettelser og validerer dem mod et regressionssæt for at kontrollere, at en rettelse ikke skaber en ny fejl.

Simuleringsdata leverer også eksempler til eftertræning, dvs. yderligere træning af små sprogmodeller til afgrænsede opgaver. Modellerne kan køre agenten eller fungere som løbende evaluatorer og sikkerhedsforanstaltninger, mens nye fejl, der opdages i produktionen, føres tilbage til simuleringen. Udviklere kan tage udgangspunkt i Claude Code, Codex eller GitHub Copilot, og teams kan bruge platformen sammen med agenter, der er bygget på Salesforce Agentforce.

Resultater rapporteret af virksomheden

Plurai oplyser, at designpartnere forkortede udviklingsforløbene for agenter fra måneder til timer, reducerede antallet af fejl, der nåede ud til virkelige brugere, med 82 % og sænkede omkostningerne ved at drive pålidelige agenter med 97 %. Resultaterne stammer fra en udvalgt gruppe på tværs af AI-native og stærkt regulerede brancher, herunder Fortune 500-virksomheder og store finansvirksomheder, før platformen blev åbnet for en bredere brugergruppe.

Et kundecase fra 15. august 2026 giver et detaljeret indblik i en implementering. Plurai oplyste, at en unavngiven amerikansk leverandør af administrerede IT-tjenester til store virksomheder byggede sin første specialtilpassede model på 20 minutter og mere end 100 modeller inden for to uger. For den beslutning om viderestilling via en portal, der blev undersøgt i casen, løste den specialtilpassede model 89 % af forespørgslerne mod 69 % med den eksisterende Claude Haiku-konfiguration uden ræsonnering, samtidig med at svartiden faldt fra 1,0 sekund til 0,15 sekunder, og inferensomkostningen faldt fra 2,87 $ til 0,076 $ pr. 1.000 kald.

Et særskilt kundecase fra 21. oktober 2026 beskriver et samarbejde med NVIDIA og Nebius for en global virksomhedskunde. Plurai oplyser, at virksomheden eftertrænede NVIDIA Nemotron 3.5 Lightning med et træningssæt på 3.722 samtaler, som var mærket af en avanceret lærermodel. Den resulterende model fik en kvalitetsscore på 88,8 ud af 100 på virkelige chats fra produktionen mod 78,4 for Claude Haiku-5.5 og 88,6 for GPT-6 Luna.

Rødder i autonom kørsel og syntetiske data

Administrerende direktør Ilan Kadar og teknologidirektør Elad Levi grundlagde Plurai efter at have arbejdet hos Nexar, hvor Kadar var vicepræsident for AI og Levi AI-arkitekt. Kadar sammenlignede Plurais tilgang med validering af selvkørende køretøjer og henviste til Waymos mere end 20 milliarder simulerede miles, som han vurderede svarede til cirka 100 gange virksomhedens kørsel i den virkelige verden.

BARRED, et fortryk indsendt den 28. april 2026 af Arnon Mazza og Levi, beskriver metoden til syntetiske data, der ligger til grund for denne proces. Metoden opdeler et domæne i dimensioner og bruger debat mellem flere agenter til at verificere mærkningerne. Den kræver kun en opgavebeskrivelse og et lille sæt umærkede eksempler. Plurai oplyser, at metoden blev accepteret på ICML 2026.

Seedfinansieringen og den gratis version flytter Plurai fra udvalgte designsamarbejder til en bredere selvbetjent afprøvning af tilgangen. Det centrale spørgsmål i næste fase er, om de rapporterede forbedringer af pålidelighed og omkostninger holder, når flere teams tager hele forløbet med simulering, automatiske rettelser og specialiserede modeller i brug.