Plato recauda 16 millones de dólares en una ronda de financiación de Serie A para crear lugares de trabajo simulados para agentes de IA

Plato ha recaudado 16 millones de dólares en una ronda de financiación de Serie A para crear lugares de trabajo simulados donde los modelos de IA puedan practicar el uso de software, desenvolverse en la toma de decisiones empresariales y completar tareas complejas antes de operar en sistemas reales. Nava Ventures lideró la ronda, en la que también participaron Gradient Ventures, Transpose Platform y Mustafa Suleyman, director ejecutivo de Microsoft AI.

La financiación eleva el total recaudado por Plato a 19 millones de dólares, tras una ronda semilla liderada por Gradient Ventures. Freddie Martignetti, fundador de Nava Ventures, se incorporará al consejo de administración. Fundada en 2025 y con sede en San Francisco, Plato utilizará el capital para ampliar su biblioteca de entornos de trabajo y la experiencia disponible para los desarrolladores de IA.

La inversión apunta a una limitación práctica en la transición de los chatbots a los agentes: producir una respuesta convincente y llevar a cabo una tarea son capacidades distintas. Un agente que gestione una compra, un caso de atención al cliente o un flujo de trabajo contable debe utilizar las herramientas adecuadas, conciliar la información, respetar las restricciones y dejar los registros subyacentes en el estado correcto.

Un espacio para practicar sin modificar registros reales

Entrenar a un agente dentro de un sistema empresarial real puede tener consecuencias antes de que esté preparado. Una tarea de compras podría gastar dinero, mientras que un flujo de trabajo administrativo podría modificar un registro real de un cliente o empleado. Plato recrea esos flujos de trabajo en entornos aislados que los desarrolladores pueden restablecer y reutilizar.

«Dominar un trabajo complejo y real se logra adquiriendo experiencia en la realización de esas tareas», afirmó Robert Farlow, cofundador y director ejecutivo de Plato, en el anuncio. Las simulaciones de la empresa buscan reproducir las herramientas, las decisiones y las situaciones imprevistas que hacen que el trabajo profesional sea difícil.

Plato colabora con expertos del sector para recrear tareas de atención al cliente, gestión de personal, finanzas, contabilidad y administración sanitaria. Los laboratorios de IA pueden utilizar los entornos resultantes para el aprendizaje por refuerzo —en el que los modelos intentan realizar tareas y aprenden de los comentarios a través de experiencias repetidas— y también para evaluar su rendimiento.

De los simuladores de software a los flujos de trabajo verificables

El sitio web de la empresa describe a Plato como un laboratorio de investigación aplicada que transforma software y datos del mundo real en entornos para entrenar y evaluar agentes. El flujo de trabajo ilustrativo para desarrolladores crea una sesión con varios simuladores, carga una tarea, ejecuta un agente y evalúa la ejecución resultante. El ejemplo combina simuladores de GitHub, Jira y Stripe, y muestra cómo una tarea puede abarcar varias herramientas.

Esa estructura proporciona a los desarrolladores una unidad de experiencia reproducible: un espacio de trabajo inicial, una tarea que completar, las acciones del agente y las comprobaciones del resultado. Restablecer el espacio de trabajo permite volver a intentar el mismo problema sin acumular cambios en una cuenta real.

El informe de investigación Computer Work Val v1.0 de Plato, fechado el 27 de octubre, describe un conjunto de validación de 300 tareas que abarca 10 ámbitos y 36 funciones, ejecutadas en 210 aplicaciones simuladas. Según la empresa, los colaboradores convierten aspectos de sus propios trabajos en entornos creados a partir de réplicas de software y datos ficticios.

Un ejemplo pide a un agente que prepare un estado trimestral de pérdidas y ganancias utilizando herramientas simuladas de hojas de cálculo, correo electrónico, pagos y banca. Verificadores independientes comprueban requisitos como el tratamiento contable, la conversión correcta de divisas y la entrega del archivo final. Este enfoque puede revelar un error importante dentro de un flujo de trabajo que, por lo demás, se ha completado: un informe puede llegar al destinatario correcto y, aun así, presentar ingresos superiores a los reales.

El informe también describe la revisión por parte de expertos de la profesión pertinente y las comprobaciones para detectar defectos en el entorno, discrepancias entre las instrucciones y la evaluación, y manipulación de recompensas. El énfasis está en tareas que contienen la información necesaria para tener éxito, pero que aun así exigen razonar a partir de varias fuentes.

Por qué es importante el sistema de evaluación

La retroalimentación de una simulación influye en lo que aprende un modelo. Si una evaluación recompensa una compra completada sin comprobar el presupuesto, puede enseñar al agente a priorizar la finalización por encima de las instrucciones que daban sentido a la tarea.

Plato afirma que evalúa tanto el resultado como la manera en que el modelo lo obtuvo, incluido si siguió las instrucciones y respetó las restricciones. También analiza si los modelos aprovechan las debilidades de un entorno para obtener una puntuación que no refleje un trabajo correcto.

«Creamos evaluaciones que reflejan lo que el trabajo exige realmente, para que los desarrolladores puedan distinguir una puntuación alta de un trabajo bien hecho», afirmó Pranav Putta, cofundador y director de tecnología de Plato.

El Web Clone Bench independiente de la empresa evalúa la capacidad de los modelos para recrear aplicaciones web a partir de entornos de referencia. Plato describe las comprobaciones funcionales y el aseguramiento de la calidad por parte de personas como parte del proceso de creación de réplicas de alta fidelidad. En la infraestructura de entrenamiento, la fidelidad es un requisito técnico: la falta de ciertos comportamientos o los atajos poco realistas pueden cambiar las estrategias que aprende un agente.

Financiar más experiencias del mundo real

Farlow creó anteriormente en Yutori una plataforma de anotación que facilitaba el entrenamiento de modelos capaces de usar computadoras. La trayectoria de Putta incluye visión artificial, robótica, aprendizaje por refuerzo y trabajo en modelos capaces de usar computadoras en MultiOn.

La nueva financiación permitirá pagar a profesionales para que recreen más aspectos de sus trabajos en entornos simulados. Plato también tiene previsto desplegar agentes de IA en tareas reales para recopilar experiencia adicional y está desarrollando simulaciones más completas, con flujos de trabajo más largos e interacciones con personas simuladas.

Esta ronda se suma a una inversión más amplia en infraestructura para entrenar agentes, incluida la financiación de Labelbox para entornos de aprendizaje por refuerzo y agentes de IA. La apuesta de Plato es que los modelos necesitan una oferta creciente de práctica realista, acompañada de evaluaciones que respeten las reglas del trabajo. El valor de esa infraestructura depende de hasta qué punto la experiencia dentro de una simulación prepara a un agente para las decisiones que deberá afrontar fuera de ella.