Plurai recauda 13 millones de dólares en una ronda semilla y abre su plataforma de simulación de agentes de IA

Plurai anunció la financiación y el lanzamiento el 11 de noviembre de 2026, y dio a conocer una ronda semilla de 13 millones de dólares y la disponibilidad general de su plataforma de simulación de agentes de IA. Team8 lideró la ronda mientras la empresa presentaba un nivel gratuito para un producto que hasta entonces estaba limitado a determinados socios y clientes.

U&I, Velocity y Mercer también participaron, junto con más de 20 inversores ángeles y líderes del sector. Entre ellos estaban Udi Mokady, fundador de CyberArk, y Reah Miyara, directora sénior de Google Models en Google Cloud y exresponsable de evaluación de modelos en OpenAI. Eyal Carmi, director de tecnología de Microsoft 365 Copilot, se incorporó al consejo asesor de Plurai.

Aviad Harell, socio director de Team8, afirmó que Plurai aborda la infraestructura necesaria para generar confianza antes de que los agentes lleguen a los clientes y para seguir mejorándolos en producción. Añadió: «La simulación se volverá tan fundamental para la pila de agentes como lo es la integración y entrega continuas (CI/CD) para el software».

Cómo funciona la plataforma de simulación

Plurai crea un gemelo digital, o réplica de software, de un agente y de su entorno operativo a partir de la base de conocimientos, las herramientas y las políticas del cliente. Después, somete al agente a usuarios simulados realistas y adversarios en un entorno aislado, con el fin de detectar infracciones de políticas, alucinaciones, acciones incorrectas, llamadas a herramientas fallidas, tareas no completadas y filtraciones de datos confidenciales antes de que los clientes se vean afectados.

La página del producto describe entornos aislados en los que se pueden simular servicios, documentos y el estado del entorno, y restablecerlos entre ejecuciones; además, los rastros de producción pueden servir de base para escenarios posteriores. Plurai rastrea los fallos hasta las pruebas y las ubicaciones exactas del código, genera correcciones y las valida con un conjunto de regresión para comprobar que una reparación no provoque otro fallo.

Los datos de simulación también aportan ejemplos para el posentrenamiento, es decir, el entrenamiento adicional de modelos de lenguaje pequeños para tareas específicas. Esos modelos pueden ejecutar el agente o actuar como evaluadores continuos y barreras de seguridad, mientras que los fallos detectados recientemente en producción se incorporan de nuevo a la simulación. Los desarrolladores pueden empezar con Claude Code, Codex o GitHub Copilot, y los equipos pueden usar la plataforma con agentes basados en Salesforce Agentforce.

Resultados comunicados por la empresa

Plurai informa de que sus socios de diseño redujeron los ciclos de desarrollo de agentes de meses a horas, disminuyeron en un 82 % los fallos que llegaban a usuarios reales y rebajaron en un 97 % el costo de ejecutar agentes fiables. Los resultados se obtuvieron con un grupo selecto de empresas de sectores nativos de la IA y muy regulados, incluidas compañías de Fortune 500 y grandes entidades financieras, antes de que la plataforma se abriera a una base de usuarios más amplia.

Un caso de estudio de cliente del 15 de agosto de 2026 ofrece un análisis detallado de una implementación. Plurai afirmó que un proveedor estadounidense anónimo de servicios gestionados de TI para empresas creó su primer modelo personalizado en 20 minutos y más de 100 en dos semanas. En la decisión de enrutamiento del portal analizada en el estudio, el modelo personalizado resolvió el 89 % de las solicitudes, frente al 69 % de la configuración existente de Claude Haiku sin razonamiento; además, la latencia bajó de 1,0 a 0,15 segundos y el costo de inferencia pasó de 2,87 a 0,076 dólares por cada 1.000 llamadas.

Un caso de estudio distinto, del 21 de octubre de 2026, describe el trabajo realizado con NVIDIA y Nebius para un cliente empresarial global. Plurai informa de que aplicó un posentrenamiento a NVIDIA Nemotron 3.5 Lightning con un conjunto de entrenamiento de 3.722 conversaciones etiquetadas por un modelo docente de frontera; el modelo resultante obtuvo una puntuación de calidad de 88,8 sobre 100 en conversaciones reales de producción, frente a 78,4 de Claude Haiku-5.5 y 88,6 de GPT-6 Luna.

Orígenes en la conducción autónoma y datos sintéticos

El director ejecutivo, Ilan Kadar, y el director de tecnología, Elad Levi, fundaron Plurai tras trabajar en Nexar, donde Kadar era vicepresidente de IA y Levi, arquitecto de IA. Kadar comparó el enfoque de Plurai con la validación de vehículos autónomos y citó los más de 20.000 millones de kilómetros simulados de Waymo, que, según calculó, equivalen aproximadamente a 100 veces su conducción en el mundo real.

BARRED, un artículo preliminar presentado el 28 de abril de 2026 por Arnon Mazza y Levi, proporciona el método de generación de datos sintéticos que sustenta ese proceso. Descompone un ámbito en dimensiones y emplea debates entre varios agentes para verificar las etiquetas; solo requiere una descripción de la tarea y un pequeño conjunto de ejemplos sin etiquetar. Plurai afirma que el método fue aceptado en ICML 2026.

La ronda semilla y el nivel gratuito llevan a Plurai de las colaboraciones de diseño selectas a una prueba más amplia de ese enfoque mediante el autoservicio. La pregunta central para la siguiente etapa es si las mejoras de fiabilidad y costo comunicadas en esas implementaciones se mantienen a medida que más equipos adoptan el ciclo completo de simulación, correcciones automatizadas y modelos especializados.