Plurai nimmt 13 Mio. US-Dollar Startkapital auf und eröffnet KI-Agenten-Simulationsplattform

Plurai gab am 11. November 2026 die Finanzierung und den Start bekannt und teilte mit, dass das Unternehmen 13 Millionen US-Dollar Startkapital aufgenommen hat und seine Simulationsplattform für KI-Agenten nun allgemein verfügbar ist. Team8 führte die Finanzierungsrunde an. Gleichzeitig stellte das Unternehmen eine kostenlose Version seines Produkts vor, das zuvor ausgewählten Partnern und Kunden vorbehalten war.

Auch U&I, Velocity und Mercer beteiligten sich, ebenso wie mehr als 20 Angel-Investoren und Branchenführer. Zu ihnen zählten CyberArk-Gründer Udi Mokady und Reah Miyara, Senior Director für Google Models bei Google Cloud und ehemalige Leiterin der Modellevaluierung bei OpenAI. Eyal Carmi, CTO von Microsoft 365 Copilot, trat dem Beirat von Plurai bei.

Aviad Harell, geschäftsführender Partner bei Team8, sagte, Plurai schaffe die nötige Infrastruktur, um Vertrauen aufzubauen, bevor Agenten mit Kunden in Kontakt kommen, und sie im Produktivbetrieb kontinuierlich zu verbessern. Er fügte hinzu: „Simulation wird für den Agenten-Stack ebenso grundlegend sein wie CI/CD für die Softwareentwicklung.“

So funktioniert die Simulationsplattform

Plurai erstellt anhand der Wissensdatenbank, Tools und Richtlinien des Kunden einen digitalen Zwilling – also eine Software-Nachbildung – des Agenten und seiner Betriebsumgebung. Anschließend setzt das Unternehmen den Agenten in einer Sandbox realistischen und adversarialen simulierten Nutzern aus. So sollen Richtlinienverstöße, Halluzinationen, falsche Aktionen, fehlerhafte Tool-Aufrufe, fehlgeschlagene Aufgaben und der Verlust sensibler Daten erkannt werden, bevor Kunden damit konfrontiert werden.

Die Produktseite beschreibt isolierte Sandboxes, in denen Dienste, Dokumente und der Zustand der Umgebung simuliert und zwischen Durchläufen zurückgesetzt werden können. Gleichzeitig können Protokolle aus dem Produktivbetrieb in spätere Szenarien einfließen. Plurai führt Fehler auf Belege und genaue Code-Stellen zurück, erstellt Korrekturen und prüft sie anhand einer Regressionstest-Sammlung, um sicherzustellen, dass eine Reparatur keinen weiteren Fehler verursacht.

Simulationsdaten liefern außerdem Beispiele für das Nachtraining, also das zusätzliche Training kleiner Sprachmodelle für eng umrissene Aufgaben. Diese Modelle können den Agenten ausführen oder als kontinuierliche Evaluatoren und Schutzmechanismen dienen. Neu erkannte Fehler aus dem Produktivbetrieb fließen zugleich zurück in die Simulation. Entwickler können mit Claude Code, Codex oder GitHub Copilot beginnen, und Teams können die Plattform mit Agenten nutzen, die auf Salesforce Agentforce basieren.

Vom Unternehmen gemeldete Ergebnisse

Plurai zufolge verkürzten Designpartner die Entwicklungszyklen für Agenten von Monaten auf Stunden, reduzierten die Zahl der Fehler, die echte Nutzer erreichten, um 82 Prozent und senkten die Kosten für den Betrieb zuverlässiger Agenten um 97 Prozent. Die Ergebnisse stammen von einer ausgewählten Gruppe aus KI-orientierten und stark regulierten Branchen, darunter Fortune-500-Unternehmen und große Finanzunternehmen. Sie wurden erzielt, bevor die Plattform einer breiteren Nutzergruppe zugänglich gemacht wurde.

Eine Kundenfallstudie vom 15. August 2026 bietet einen detaillierten Einblick in einen Einsatz. Plurai zufolge entwickelte ein nicht namentlich genannter US-amerikanischer IT-Managed-Services-Anbieter für Unternehmen sein erstes individuelles Modell in 20 Minuten und innerhalb von zwei Wochen mehr als 100 Modelle. Bei der in der Studie untersuchten Entscheidung zur Weiterleitung über ein Portal löste das individuelle Modell 89 Prozent der Anfragen, verglichen mit 69 Prozent bei der bestehenden Claude-Haiku-Konfiguration ohne Schlussfolgerungen. Gleichzeitig sank die Latenz von 1,0 auf 0,15 Sekunden und die Inferenzkosten gingen von 2,87 US-Dollar auf 0,076 US-Dollar pro 1.000 Aufrufe zurück.

Eine separate Fallstudie vom 21. Oktober 2026 beschreibt die Zusammenarbeit mit NVIDIA und Nebius für einen globalen Unternehmenskunden. Plurai zufolge wurde NVIDIA Nemotron 3.5 Lightning mit einem Trainingsdatensatz aus 3.722 Gesprächen nachtrainiert, die von einem führenden Lehrmodell gekennzeichnet worden waren. In echten Chats aus dem Produktivbetrieb erzielte das resultierende Modell eine Qualitätsbewertung von 88,8 von 100, gegenüber 78,4 für Claude Haiku-5.5 und 88,6 für GPT-6 Luna.

Wurzeln im autonomen Fahren und synthetische Daten

Plurais CEO Ilan Kadar und CTO Elad Levi gründeten das Unternehmen, nachdem sie bei Nexar gearbeitet hatten. Dort war Kadar Vizepräsident für KI und Levi KI-Architekt. Kadar verglich Plurais Ansatz mit der Validierung autonomer Fahrzeuge und verwies auf die mehr als 20 Milliarden simulierten Meilen, die Waymo zurückgelegt hat. Seinen Angaben zufolge entspricht das ungefähr dem Hundertfachen der Fahrstrecke in der realen Welt.

BARRED, ein von Arnon Mazza und Levi am 28. April 2026 eingereichtes Vorab-Paper, beschreibt die Methode zur Erzeugung synthetischer Daten, auf der diese Pipeline beruht. Dabei wird ein Fachgebiet in Dimensionen zerlegt und mithilfe von Debatten zwischen mehreren Agenten überprüft, ob die Kennzeichnungen korrekt sind. Dafür werden lediglich eine Aufgabenbeschreibung und eine kleine Zahl nicht gekennzeichneter Beispiele benötigt. Plurai zufolge wurde die Methode für ICML 2026 angenommen.

Die Startkapitalrunde und die kostenlose Version führen Plurai von ausgewählten Designpartnerschaften zu einem breiter angelegten Selbstbedienungstest dieses Ansatzes. Im nächsten Schritt wird sich vor allem zeigen müssen, ob die bei diesen Einsätzen gemeldeten Zuverlässigkeits- und Kostenvorteile bestehen bleiben, wenn mehr Teams den gesamten Prozess aus Simulation, automatisierten Korrekturen und spezialisierten Modellen nutzen.