Η Plurai συγκεντρώνει 13 εκατ. δολάρια σε αρχική χρηματοδότηση και ανοίγει την πλατφόρμα προσομοίωσης AI agent

Η Plurai ανακοίνωσε τη χρηματοδότηση και την κυκλοφορία στις 11 Νοεμβρίου 2026, γνωστοποιώντας ότι συγκέντρωσε 13 εκατ. δολάρια σε αρχική χρηματοδότηση και ότι η πλατφόρμα προσομοίωσης AI agent είναι πλέον διαθέσιμη στο ευρύ κοινό. Η Team8 ηγήθηκε του γύρου χρηματοδότησης, καθώς η εταιρεία παρουσίασε μια δωρεάν έκδοση για ένα προϊόν που μέχρι πρότινος ήταν διαθέσιμο μόνο σε επιλεγμένους συνεργάτες και πελάτες.

Στη χρηματοδότηση συμμετείχαν επίσης οι U&I, Velocity και Mercer, μαζί με περισσότερους από 20 επενδυτές-αγγέλους και ηγετικά στελέχη του κλάδου. Ανάμεσά τους ήταν ο ιδρυτής της CyberArk, Udi Mokady, και η Reah Miyara, ανώτερη διευθύντρια του Google Models στην Google Cloud και πρώην επικεφαλής αξιολόγησης μοντέλων στην OpenAI. Ο Eyal Carmi, CTO του Microsoft 365 Copilot, εντάχθηκε στο συμβουλευτικό συμβούλιο της Plurai.

Ο Aviad Harell, διαχειριστικός εταίρος της Team8, δήλωσε ότι η Plurai καλύπτει την ανάγκη για τις υποδομές που απαιτούνται ώστε να οικοδομηθεί εμπιστοσύνη πριν οι agents φτάσουν στους πελάτες και να συνεχίσουν να βελτιώνονται σε συνθήκες παραγωγής, προσθέτοντας: «Η προσομοίωση θα γίνει εξίσου θεμελιώδες στοιχείο της στοίβας των agents όσο είναι το CI/CD για το λογισμικό».

Πώς λειτουργεί η πλατφόρμα προσομοίωσης

Η Plurai δημιουργεί ένα ψηφιακό δίδυμο, δηλαδή ένα αντίγραφο λογισμικού, ενός agent και του περιβάλλοντος λειτουργίας του, αξιοποιώντας τη βάση γνώσεων, τα εργαλεία και τις πολιτικές του πελάτη. Στη συνέχεια, υποβάλλει τον agent σε ρεαλιστικές και εχθρικές προσομοιώσεις χρηστών σε ένα απομονωμένο περιβάλλον, αναζητώντας παραβιάσεις πολιτικών, παραισθήσεις, εσφαλμένες ενέργειες, προβληματικές κλήσεις εργαλείων, αποτυχημένες εργασίες και διαρροές ευαίσθητων δεδομένων, προτού τα αντιμετωπίσουν οι πελάτες.

Η σελίδα του προϊόντος περιγράφει απομονωμένα περιβάλλοντα προσομοίωσης, όπου οι υπηρεσίες, τα έγγραφα και η κατάσταση του κόσμου μπορούν να αναπαρασταθούν εικονικά και να επαναφέρονται μεταξύ των εκτελέσεων, ενώ τα ίχνη από το περιβάλλον παραγωγής μπορούν να αξιοποιηθούν σε μεταγενέστερα σενάρια. Η Plurai εντοπίζει τις αποτυχίες συνδέοντάς τες με τα σχετικά τεκμήρια και τις ακριβείς θέσεις στον κώδικα, δημιουργεί διορθώσεις και τις επικυρώνει με βάση ένα σύνολο δοκιμών παλινδρόμησης, ώστε να ελέγξει ότι μια επιδιόρθωση δεν προκαλεί κάποια άλλη αποτυχία.

Τα δεδομένα προσομοίωσης παρέχουν επίσης παραδείγματα για τη μεταεκπαίδευση, δηλαδή την πρόσθετη εκπαίδευση μικρών γλωσσικών μοντέλων για εξειδικευμένες εργασίες. Αυτά τα μοντέλα μπορούν να εκτελούν τον agent ή να λειτουργούν ως συνεχείς αξιολογητές και μηχανισμοί προστασίας, ενώ οι νέες αστοχίες που εντοπίζονται στην παραγωγή τροφοδοτούν ξανά την προσομοίωση. Οι προγραμματιστές μπορούν να ξεκινήσουν με τα Claude Code, Codex ή GitHub Copilot, ενώ οι ομάδες μπορούν να χρησιμοποιούν την πλατφόρμα με agents που έχουν δημιουργηθεί στο Salesforce Agentforce.

Αποτελέσματα που αναφέρει η εταιρεία

Η Plurai αναφέρει ότι οι συνεργάτες σχεδιασμού μείωσαν τους κύκλους ανάπτυξης agent από μήνες σε ώρες, περιόρισαν κατά 82% τις αστοχίες που έφταναν στους πραγματικούς χρήστες και μείωσαν κατά 97% το κόστος λειτουργίας αξιόπιστων agents. Τα αποτελέσματα προήλθαν από μια επιλεγμένη ομάδα εταιρειών στους κλάδους που βασίζονται στην AI και σε αυστηρά ρυθμιζόμενους κλάδους, μεταξύ των οποίων εταιρείες του Fortune 500 και μεγάλοι χρηματοπιστωτικοί οργανισμοί, πριν η πλατφόρμα ανοίξει σε ευρύτερη βάση χρηστών.

Μια μελέτη περίπτωσης πελάτη της 15ης Αυγούστου 2026 παρουσιάζει αναλυτικά μία από τις υλοποιήσεις. Η Plurai ανέφερε ότι ένας ανώνυμος πάροχος διαχειριζόμενων υπηρεσιών εταιρικής πληροφορικής στις ΗΠΑ δημιούργησε το πρώτο προσαρμοσμένο μοντέλο του σε 20 λεπτά και περισσότερα από 100 μέσα σε δύο εβδομάδες. Για την απόφαση δρομολόγησης αιτημάτων στην πύλη που εξετάστηκε στη μελέτη, το προσαρμοσμένο μοντέλο διεκπεραίωσε το 89% των αιτημάτων, έναντι 69% για την υπάρχουσα διαμόρφωση του Claude Haiku χωρίς συλλογισμό, ενώ η καθυστέρηση μειώθηκε από 1,0 δευτερόλεπτο σε 0,15 δευτερόλεπτα και το κόστος εξαγωγής συμπερασμάτων από 2,87 δολάρια σε 0,076 δολάρια ανά 1.000 κλήσεις.

Μια ξεχωριστή μελέτη περίπτωσης της 21ης Οκτωβρίου 2026 περιγράφει τη συνεργασία με τις NVIDIA και Nebius για έναν παγκόσμιο εταιρικό πελάτη. Η Plurai αναφέρει ότι πραγματοποίησε μεταεκπαίδευση του NVIDIA Nemotron 3.5 Lightning με ένα σύνολο εκπαίδευσης 3.722 συνομιλιών, οι οποίες είχαν επισημανθεί από ένα προηγμένο μοντέλο-εκπαιδευτή· το μοντέλο που προέκυψε έλαβε βαθμολογία ποιότητας 88,8 στα 100 σε πραγματικές συνομιλίες παραγωγής, έναντι 78,4 για το Claude Haiku-5.5 και 88,6 για το GPT-6 Luna.

Οι ρίζες στην αυτόνομη οδήγηση και τα συνθετικά δεδομένα

Ο διευθύνων σύμβουλος Ilan Kadar και ο τεχνικός διευθυντής Elad Levi ίδρυσαν την Plurai μετά την εργασία τους στη Nexar, όπου ο Kadar ήταν αντιπρόεδρος AI και ο Levi αρχιτέκτονας AI. Ο Kadar συνέκρινε την προσέγγιση της Plurai με την επικύρωση αυτόνομων οχημάτων, αναφέροντας τα περισσότερα από 20 δισεκατομμύρια μίλια προσομοίωσης της Waymo, αριθμό που εκτίμησε ότι αντιστοιχεί σε περίπου 100 φορές τα πραγματικά μίλια οδήγησής της.

Το BARRED, προδημοσίευση που υποβλήθηκε στις 28 Απριλίου 2026 από τον Arnon Mazza και τον Levi, παρέχει τη μέθοδο παραγωγής συνθετικών δεδομένων που βρίσκεται πίσω από αυτήν τη διαδικασία. Αναλύει έναν τομέα σε διαστάσεις και χρησιμοποιεί αντιπαράθεση πολλών agents για την επαλήθευση των επισημάνσεων, απαιτώντας μόνο μια περιγραφή της εργασίας και ένα μικρό σύνολο παραδειγμάτων χωρίς ετικέτες. Η Plurai αναφέρει ότι η μέθοδος έγινε δεκτή στο ICML 2026.

Ο γύρος αρχικής χρηματοδότησης και η δωρεάν έκδοση μεταφέρουν την Plurai από επιλεγμένες συνεργασίες σχεδιασμού σε μια ευρύτερη δοκιμή της προσέγγισής της μέσω αυτοεξυπηρέτησης. Το βασικό ερώτημα για το επόμενο στάδιο είναι αν τα οφέλη αξιοπιστίας και κόστους που αναφέρθηκαν σε αυτές τις υλοποιήσεις θα διατηρηθούν καθώς περισσότερες ομάδες υιοθετούν τον πλήρη κύκλο προσομοίωσης, αυτοματοποιημένων διορθώσεων και εξειδικευμένων μοντέλων.