Plato sammelt 16 Millionen US-Dollar in einer Series-A-Finanzierungsrunde ein, um simulierte Arbeitsumgebungen für KI-Agenten zu schaffen

Plato hat in einer Series-A-Finanzierungsrunde 16 Millionen US-Dollar eingesammelt, um simulierte Arbeitsumgebungen zu schaffen, in denen KI-Modelle üben können, Software zu nutzen, geschäftliche Entscheidungen zu treffen und komplexe Aufgaben zu erledigen, bevor sie in Live-Systemen eingesetzt werden. Nava Ventures führte die Finanzierungsrunde an. Beteiligt waren außerdem Gradient Ventures, Transpose Platform und Mustafa Suleyman, CEO von Microsoft AI.

Damit beläuft sich die Gesamtfinanzierung von Plato auf 19 Millionen US-Dollar. Zuvor hatte das Unternehmen eine von Gradient Ventures angeführte Seed-Runde abgeschlossen. Freddie Martignetti, Gründer von Nava Ventures, tritt dem Vorstand bei. Plato wurde 2025 gegründet und hat seinen Sitz in San Francisco. Das Kapital will das Unternehmen nutzen, um seine Bibliothek mit Arbeitsumgebungen auszubauen und KI-Entwicklern mehr Möglichkeiten zu bieten, praktische Erfahrungen zu sammeln.

Die Investition zielt auf eine praktische Einschränkung beim Übergang von Chatbots zu Agenten ab: Eine überzeugende Antwort zu formulieren und eine Aufgabe auszuführen, sind unterschiedliche Fähigkeiten. Ein Agent, der einen Kauf, einen Support-Fall oder einen Buchhaltungsprozess bearbeitet, muss die richtigen Werkzeuge verwenden, Informationen abgleichen, Vorgaben einhalten und dafür sorgen, dass die zugrunde liegenden Datensätze im richtigen Zustand bleiben.

Ein Übungsraum, in dem Live-Datensätze unverändert bleiben

Das Training eines Agenten in einem realen Geschäftssystem kann Folgen haben, bevor der Agent dafür bereit ist. Bei einer Einkaufsaufgabe könnte Geld ausgegeben werden, während ein Verwaltungsprozess tatsächliche Kunden- oder Mitarbeiterdaten verändern könnte. Plato bildet solche Prozesse in abgeschirmten Umgebungen nach, die Entwickler zurücksetzen und wiederverwenden können.

„Komplexe reale Arbeit zu meistern, gelingt durch praktische Erfahrung mit diesen Aufgaben“, sagte Robert Farlow, Mitgründer und CEO von Plato, in der Ankündigung. Die Simulationen des Unternehmens sollen die Werkzeuge, Entscheidungen und unerwarteten Situationen abbilden, die professionelle Arbeit schwierig machen.

Plato arbeitet mit Fachleuten zusammen, um Aufgaben aus den Bereichen Kundensupport, Personalwesen, Finanzen, Buchhaltung und Gesundheitsverwaltung nachzubilden. KI-Labore können die daraus entstehenden Umgebungen für bestärkendes Lernen nutzen: Dabei bearbeiten Modelle Aufgaben und lernen aus Rückmeldungen, die sie über wiederholte Durchläufe erhalten. Die Umgebungen eignen sich außerdem zur Bewertung ihrer Leistung.

Von Softwaresimulatoren zu überprüfbaren Arbeitsabläufen

Auf der Website des Unternehmens wird Plato als angewandtes Forschungslabor beschrieben, das reale Software und Daten in Umgebungen für das Training und die Bewertung von Agenten überführt. In einem beispielhaften Entwicklerablauf wird eine Sitzung mit mehreren Simulatoren erstellt, eine Aufgabe geladen, ein Agent ausgeführt und der daraus resultierende Durchlauf bewertet. Das Beispiel kombiniert Simulatoren für GitHub, Jira und Stripe und zeigt, wie sich eine Aufgabe über mehrere Werkzeuge erstrecken kann.

Diese Struktur bietet Entwicklern eine wiederholbare Lerneinheit: einen anfänglichen Arbeitsbereich, eine zu erledigende Aufgabe, die Aktionen des Agenten und Prüfungen des Ergebnisses. Durch das Zurücksetzen des Arbeitsbereichs lässt sich dasselbe Problem erneut bearbeiten, ohne Änderungen in einem Live-Konto anzusammeln.

Der Forschungsbericht Computer Work Val v1.0 von Plato vom 27. Oktober beschreibt einen Validierungssatz mit 300 Aufgaben aus 10 Fachgebieten und 36 Rollen, die in 210 simulierten Anwendungen durchgeführt werden. Das Unternehmen erklärt, dass Mitwirkende Teile ihrer eigenen Arbeit in Umgebungen überführen, die auf Software-Replikaten und Testdaten beruhen.

In einem Beispiel soll ein Agent mithilfe simulierter Tabellenkalkulations-, E-Mail-, Zahlungs- und Bankwerkzeuge eine vierteljährliche Gewinn- und Verlustrechnung erstellen. Separate Prüfmechanismen kontrollieren Anforderungen wie die korrekte buchhalterische Behandlung, die richtige Währungsumrechnung und die Zustellung der fertigen Datei. Dieser Ansatz kann einen folgenschweren Fehler in einem ansonsten abgeschlossenen Arbeitsablauf aufdecken: Ein Bericht kann den richtigen Empfänger erreichen und dennoch die Einnahmen zu hoch ausweisen.

Der Bericht beschreibt außerdem eine Prüfung durch Fachleute aus dem jeweiligen Berufsfeld sowie Kontrollen auf Fehler in der Umgebung, Unstimmigkeiten zwischen Eingabeaufforderungen und Bewertung und das Ausnutzen des Belohnungssystems. Im Mittelpunkt stehen Aufgaben, die alle für den Erfolg erforderlichen Informationen enthalten und dennoch Schlussfolgerungen über mehrere Quellen hinweg erfordern.

Warum das Bewertungssystem wichtig ist

Die Rückmeldungen einer Simulation beeinflussen, was ein Modell lernt. Wird etwa ein abgeschlossener Kauf belohnt, ohne das Budget zu prüfen, könnte der Agent lernen, die Erledigung über die Anweisungen zu stellen, die der Aufgabe erst ihren Sinn geben.

Plato zufolge bewertet das Unternehmen sowohl das Ergebnis als auch den Weg, auf dem das Modell es erreicht hat. Dabei wird unter anderem geprüft, ob es die Anweisungen befolgt und Vorgaben eingehalten hat. Außerdem untersucht Plato, ob Modelle Schwachstellen in einer Umgebung ausnutzen, um eine Punktzahl zu erzielen, die keine korrekte Arbeit widerspiegelt.

„Wir entwickeln Bewertungen, die den tatsächlichen Anforderungen einer Tätigkeit entsprechen, damit Entwickler eine hohe Punktzahl von korrekt ausgeführter Arbeit unterscheiden können“, sagte Pranav Putta, Mitgründer und CTO von Plato.

Der separate Web-Clone-Benchmark des Unternehmens untersucht, wie gut Modelle Webanwendungen anhand von Referenzumgebungen nachbilden können. Plato zufolge gehören Funktionstests und menschliche Qualitätssicherung zum Aufbau originalgetreuer Replikate. Für die Trainingsinfrastruktur ist diese Genauigkeit eine technische Voraussetzung: Fehlende Funktionen oder unrealistische Abkürzungen können beeinflussen, welche Strategien ein Agent lernt.

Mehr praktische Erfahrung ermöglichen

Farlow entwickelte zuvor bei Yutori eine Annotationsplattform zur Unterstützung des Trainings von Modellen zur Computernutzung. Putta verfügt über Erfahrung in Computer Vision, Robotik und bestärkendem Lernen sowie über Erfahrung mit Modellen zur Computernutzung bei MultiOn.

Mit den neuen Mitteln sollen Fachleute dafür bezahlt werden, größere Teile ihrer Arbeit in simulierten Umgebungen nachzustellen. Plato plant außerdem, KI-Agenten mit realen Aufgaben zu betrauen, um zusätzliche Erfahrungen zu sammeln, und entwickelt realistischere Simulationen mit längeren Arbeitsabläufen und Interaktionen mit simulierten Menschen.

Die Finanzierungsrunde folgt auf weitere Investitionen in die Infrastruktur für das Training von Agenten, darunter die Finanzierung von Labelbox für Umgebungen zum bestärkenden Lernen und KI-Agenten. Plato setzt darauf, dass Modelle immer mehr realitätsnahe Übungsmöglichkeiten benötigen, ergänzt durch Evaluierungen, die die Regeln der jeweiligen Arbeit berücksichtigen. Der Wert dieser Infrastruktur hängt davon ab, wie gut die Erfahrungen innerhalb einer Simulation einen Agenten auf die Entscheidungen vorbereiten, die er außerhalb davon treffen muss.