Plato Menggalang Pendanaan Seri A Sebesar $16 Juta untuk Membangun Lingkungan Kerja Simulasi bagi Agen AI

Plato berhasil menggalang pendanaan Seri A sebesar $16 juta untuk membangun lingkungan kerja simulasi tempat model AI dapat berlatih menggunakan perangkat lunak, mengambil keputusan bisnis, dan menyelesaikan pekerjaan kompleks sebelum beroperasi di sistem aktif. Nava Ventures memimpin putaran pendanaan ini, yang juga diikuti oleh Gradient Ventures, Transpose Platform, dan Mustafa Suleyman, CEO Microsoft AI.

Pendanaan ini menjadikan total pendanaan Plato sebesar $19 juta, setelah sebelumnya memperoleh pendanaan awal yang dipimpin oleh Gradient Ventures. Freddie Martignetti, pendiri Nava Ventures, akan bergabung dengan dewan direksi. Didirikan pada 2025 dan berkantor pusat di San Francisco, Plato akan menggunakan dana tersebut untuk memperluas pustaka lingkungan kerja serta pengalaman yang tersedia bagi para pengembang AI.

Investasi ini menyasar keterbatasan praktis dalam peralihan dari chatbot ke agen: menghasilkan jawaban yang meyakinkan dan menuntaskan pekerjaan adalah dua kemampuan yang berbeda. Agen yang menangani pembelian, kasus dukungan pelanggan, atau alur kerja akuntansi harus menggunakan perangkat yang tepat, mencocokkan informasi, mematuhi batasan, dan memastikan catatan yang mendasarinya berada dalam kondisi yang benar.

Tempat Berlatih Tanpa Mengubah Catatan Aktif

Melatih agen di dalam sistem bisnis nyata dapat menimbulkan konsekuensi sebelum agen itu siap. Tugas pembelian bisa mengeluarkan uang, sementara alur kerja administrasi dapat mengubah catatan pelanggan atau karyawan yang sebenarnya. Plato mereplikasi alur kerja tersebut dalam lingkungan terisolasi yang dapat diatur ulang dan digunakan kembali oleh pengembang.

“Kemampuan menangani pekerjaan nyata yang kompleks diperoleh dari pengalaman mengerjakan tugas-tugas tersebut,” kata Robert Farlow, salah satu pendiri sekaligus CEO Plato, dalam pengumuman tersebut. Simulasi perusahaan ini dirancang untuk merepresentasikan perangkat, keputusan, dan situasi tak terduga yang membuat pekerjaan profesional menjadi sulit.

Plato bekerja sama dengan para pakar bidang terkait untuk mereplikasi pekerjaan di bidang dukungan pelanggan, operasional sumber daya manusia, keuangan, akuntansi, dan administrasi layanan kesehatan. Laboratorium AI dapat menggunakan lingkungan yang dihasilkan untuk pembelajaran penguatan—ketika model mencoba mengerjakan tugas dan belajar dari umpan balik melalui pengalaman berulang—serta untuk mengevaluasi kinerjanya.

Dari Simulator Perangkat Lunak hingga Alur Kerja yang Dapat Diverifikasi

Situs web perusahaan menjelaskan bahwa Plato adalah laboratorium riset terapan yang mengubah perangkat lunak dan data dunia nyata menjadi lingkungan untuk melatih dan mengevaluasi agen. Contoh alur kerja pengembangnya dimulai dengan membuat sesi yang berisi beberapa simulator, memuat tugas, menjalankan agen, lalu mengevaluasi rangkaian tindakannya. Contoh tersebut menggabungkan simulator GitHub, Jira, dan Stripe, yang menunjukkan bagaimana satu tugas dapat mencakup beberapa perangkat.

Struktur itu memberi pengembang unit pengalaman yang dapat diulang: ruang kerja awal, tugas yang harus diselesaikan, tindakan agen, dan pemeriksaan hasilnya. Dengan mengatur ulang ruang kerja, agen dapat mencoba masalah yang sama lagi tanpa menumpuk perubahan di akun aktif.

Laporan riset Computer Work Val v1.0 dari Plato, tertanggal 27 Oktober, menjelaskan set validasi yang terdiri atas 300 tugas di 10 bidang dan 36 jenis pekerjaan, yang dijalankan di 210 aplikasi simulasi. Menurut perusahaan, para kontributor mengubah sebagian tugas dari pekerjaan mereka sendiri menjadi lingkungan yang dibangun menggunakan replika perangkat lunak dan data tiruan.

Salah satu contoh meminta agen menyusun laporan laba rugi triwulanan dengan menggunakan perangkat simulasi untuk lembar kerja, email, pembayaran, dan perbankan. Pemeriksa terpisah memeriksa persyaratan seperti perlakuan akuntansi, konversi mata uang yang benar, dan pengiriman berkas akhir. Pendekatan ini dapat mengungkap kesalahan berdampak besar di dalam alur kerja yang tampaknya telah selesai: laporan bisa sampai kepada penerima yang tepat, tetapi tetap mencatat pendapatan terlalu tinggi.

Laporan tersebut juga menjelaskan peninjauan oleh para pakar di bidang pekerjaan terkait serta pemeriksaan terhadap cacat lingkungan, ketidaksesuaian antara perintah dan penilaian, serta eksploitasi sistem imbalan. Fokusnya adalah pada tugas yang memuat informasi yang diperlukan untuk berhasil, tetapi tetap menuntut penalaran dengan mengacu pada berbagai sumber.

Mengapa Sistem Penilaian Itu Penting

Umpan balik dari simulasi membentuk apa yang dipelajari model. Jika evaluasi memberi penghargaan atas pembelian yang berhasil diselesaikan tanpa memeriksa anggarannya, agen mungkin belajar untuk mengutamakan penyelesaian tugas daripada instruksi yang memberi tugas itu makna.

Plato mengatakan bahwa pihaknya mengevaluasi hasil dan cara model mencapainya, termasuk apakah model mengikuti instruksi dan mematuhi batasan. Plato juga memeriksa apakah model mengeksploitasi kelemahan dalam lingkungan untuk memperoleh skor yang tidak mencerminkan pekerjaan yang benar.

“Kami menyusun evaluasi yang mencerminkan tuntutan pekerjaan sebenarnya, sehingga pengembang dapat membedakan skor tinggi dari pekerjaan yang dilakukan dengan benar,” kata Pranav Putta, salah satu pendiri sekaligus CTO Plato.

Web Clone Bench milik perusahaan, yang merupakan proyek terpisah, menguji kemampuan model untuk mereplikasi aplikasi web berdasarkan lingkungan rujukan. Plato menjelaskan bahwa pemeriksaan fungsionalitas dan jaminan kualitas oleh manusia merupakan bagian dari proses membangun replika dengan tingkat kesetiaan tinggi. Untuk infrastruktur pelatihan, tingkat kesetiaan ini merupakan persyaratan teknis: perilaku yang tidak tercakup atau jalan pintas yang tidak realistis dapat mengubah strategi yang dipelajari agen.

Pendanaan untuk Menambah Pengalaman di Dunia Nyata

Farlow sebelumnya membangun platform anotasi di Yutori untuk mendukung pelatihan model yang menggunakan komputer. Latar belakang Putta mencakup visi komputer, robotika, pembelajaran penguatan, serta pekerjaan mengembangkan model yang menggunakan komputer di MultiOn.

Pendanaan baru ini akan digunakan untuk membayar para profesional agar mereka merekonstruksi lebih banyak bagian dari pekerjaan mereka dalam lingkungan simulasi. Plato juga berencana menerapkan agen AI untuk mengerjakan tugas-tugas nyata guna mengumpulkan pengalaman tambahan, serta sedang mengembangkan simulasi yang lebih kaya dengan alur kerja yang lebih panjang dan interaksi dengan orang-orang simulasi.

Putaran pendanaan ini menyusul investasi yang lebih luas dalam infrastruktur pelatihan agen, termasuk pendanaan Labelbox untuk lingkungan pembelajaran penguatan dan agen AI. Plato bertaruh bahwa model membutuhkan pasokan latihan realistis yang terus bertambah, disertai evaluasi yang mempertahankan aturan pekerjaan tersebut. Nilai infrastruktur itu bergantung pada seberapa baik pengalaman di dalam simulasi mempersiapkan agen untuk mengambil keputusan yang akan dihadapinya di luar simulasi.