Plato lève 16 millions de dollars lors d’un tour de série A pour créer des environnements de travail simulés destinés aux agents d’IA

Plato a levé 16 millions de dollars lors d’un tour de financement de série A afin de créer des environnements de travail simulés où les modèles d’IA peuvent s’exercer à utiliser des logiciels, à prendre des décisions commerciales et à accomplir des tâches complexes avant d’intervenir dans des systèmes en production. Nava Ventures a mené le tour, auquel ont également participé Gradient Ventures, Transpose Platform et Mustafa Suleyman, PDG de Microsoft AI.

Ce financement porte le total des fonds levés par Plato à 19 millions de dollars, après un tour d’amorçage mené par Gradient Ventures. Freddie Martignetti, fondateur de Nava Ventures, rejoint le conseil d’administration. Fondée en 2025 et basée à San Francisco, Plato utilisera ces capitaux pour étoffer sa bibliothèque d’environnements de travail et enrichir l’expérience proposée aux développeurs d’IA.

Cet investissement vise à répondre à une limite pratique de la transition des chatbots vers les agents : produire une réponse convaincante et accomplir une tâche sont deux capacités différentes. Un agent chargé d’un achat, d’une demande d’assistance ou d’un processus comptable doit utiliser les bons outils, rapprocher les informations, respecter les contraintes et laisser les données sous-jacentes dans l’état approprié.

Un espace d’entraînement qui ne modifie pas les données en production

Entraîner un agent dans un véritable système d’entreprise peut avoir des conséquences avant même que l’agent soit prêt. Une tâche d’achat pourrait entraîner une dépense, tandis qu’un processus administratif pourrait modifier le dossier réel d’un client ou d’un employé. Plato recrée ces processus dans des environnements isolés que les développeurs peuvent réinitialiser et réutiliser.

« C’est en s’exerçant à accomplir ces tâches que l’on apprend à maîtriser les tâches complexes du monde réel », a déclaré Robert Farlow, cofondateur et PDG de Plato, dans l’annonce. Les simulations de l’entreprise visent à reproduire les outils, les décisions et les situations imprévues qui rendent le travail professionnel difficile.

Plato collabore avec des spécialistes de différents domaines pour recréer des tâches liées à l’assistance clientèle, à la gestion des ressources humaines, à la finance, à la comptabilité et à l’administration des soins de santé. Les laboratoires d’IA peuvent utiliser les environnements ainsi créés pour l’apprentissage par renforcement — dans lequel les modèles tentent d’accomplir des tâches et tirent des enseignements des retours d’expérience au fil d’essais répétés — ainsi que pour évaluer leurs performances.

Des simulateurs logiciels aux processus vérifiables

Le site web de l’entreprise présente Plato comme un laboratoire de recherche appliquée qui transforme des logiciels et des données du monde réel en environnements permettant d’entraîner et d’évaluer des agents. Le processus de développement présenté à titre d’exemple consiste à créer une session avec plusieurs simulateurs, à charger une tâche, à lancer un agent, puis à évaluer son exécution. L’exemple associe des simulateurs GitHub, Jira et Stripe, illustrant comment une même tâche peut mobiliser plusieurs outils.

Cette structure offre aux développeurs une expérience reproductible : un espace de travail initial, une tâche à accomplir, les actions de l’agent et des vérifications du résultat. La réinitialisation de l’espace de travail permet de tenter à nouveau la même tâche sans accumuler de modifications dans un compte réel.

Le rapport de recherche Computer Work Val v1.0 de Plato, daté du 27 octobre, présente un ensemble de validation de 300 tâches couvrant 10 domaines et 36 rôles, exécutées dans 210 applications simulées. L’entreprise indique que les contributeurs transforment des éléments de leur propre travail en environnements reposant sur des répliques de logiciels et des données fictives.

Un exemple demande à un agent de préparer un compte de résultat trimestriel à l’aide d’outils simulés de tableur, de messagerie électronique, de paiement et de services bancaires. Des vérificateurs distincts contrôlent des critères tels que le traitement comptable, l’exactitude de la conversion monétaire et la remise du fichier final. Cette méthode peut révéler une erreur lourde de conséquences au sein d’un processus pourtant mené à terme : un rapport peut parvenir au bon destinataire tout en surestimant les revenus.

Le rapport décrit également une évaluation par des spécialistes du métier concerné ainsi que des vérifications visant à repérer les défauts des environnements, les incohérences entre les consignes et la notation, et le contournement des mécanismes de récompense. Il privilégie les tâches qui contiennent les informations nécessaires à leur réussite tout en exigeant un raisonnement mobilisant plusieurs sources.

Pourquoi le système de notation est important

Les retours d’une simulation influencent ce qu’un modèle apprend. Si une évaluation récompense un achat effectué sans vérifier le budget, elle risque d’apprendre à l’agent à privilégier l’exécution de la tâche au détriment des consignes qui lui donnent tout son sens.

Plato indique évaluer le résultat ainsi que la manière dont le modèle l’a obtenu, notamment le respect des consignes et des contraintes. L’entreprise vérifie aussi si les modèles exploitent les failles d’un environnement pour obtenir un score qui ne reflète pas un travail correctement réalisé.

« Nous concevons des évaluations qui reflètent les exigences réelles du métier, afin que les développeurs puissent distinguer un score élevé d’un travail correctement effectué », a déclaré Pranav Putta, cofondateur et directeur technique de Plato.

Le Web Clone Bench distinct de l’entreprise évalue la capacité des modèles à recréer des applications web à partir d’environnements de référence. Plato indique que les vérifications fonctionnelles et le contrôle qualité humain font partie du processus de création de répliques très fidèles. Pour les infrastructures d’entraînement, la fidélité est une exigence technique : des comportements manquants ou des raccourcis irréalistes peuvent modifier les stratégies apprises par un agent.

Financer davantage d’expériences en conditions réelles

Farlow a auparavant créé chez Yutori une plateforme d’annotation destinée à l’entraînement de modèles capables d’utiliser un ordinateur. Le parcours de Putta comprend la vision par ordinateur, la robotique, l’apprentissage par renforcement et des travaux sur des modèles capables d’utiliser un ordinateur chez MultiOn.

Les nouveaux fonds serviront à rémunérer des professionnels pour qu’ils reproduisent une plus grande partie de leur travail dans des environnements simulés. Plato prévoit également de déployer des agents d’IA sur des tâches réelles afin qu’ils acquièrent une expérience supplémentaire, et développe des simulations plus élaborées, avec des flux de travail plus longs et des interactions avec des personnes simulées.

Cette levée de fonds s’inscrit dans une tendance plus large d’investissement dans les infrastructures d’entraînement des agents, notamment le financement de Labelbox pour des environnements d’apprentissage par renforcement et des agents d’IA. Plato mise sur le fait que les modèles ont besoin d’un volume croissant d’exercices réalistes, associés à des évaluations qui respectent les règles du travail. La valeur de ces infrastructures dépend de la mesure dans laquelle l’expérience acquise au sein d’une simulation prépare un agent aux décisions auxquelles il sera confronté en dehors de celle-ci.