Plato raccoglie 16 milioni di dollari in un round di Serie A per creare ambienti di lavoro simulati per agenti IA

Plato ha raccolto 16 milioni di dollari in un round di Serie A per creare ambienti di lavoro simulati in cui i modelli di IA possano esercitarsi a usare software, prendere decisioni aziendali e svolgere attività complesse prima di operare in sistemi reali. Nava Ventures ha guidato il round, a cui hanno partecipato anche Gradient Ventures, Transpose Platform e Mustafa Suleyman, CEO di Microsoft AI.

Con questo finanziamento, il totale raccolto da Plato sale a 19 milioni di dollari, dopo un round seed guidato da Gradient Ventures. Freddie Martignetti, fondatore di Nava Ventures, entrerà nel consiglio di amministrazione. Fondata nel 2025 e con sede a San Francisco, Plato userà il capitale per ampliare la propria raccolta di ambienti di lavoro e l’esperienza messa a disposizione degli sviluppatori di IA.

L’investimento punta a superare un limite pratico nel passaggio dai chatbot agli agenti: fornire una risposta convincente e portare a termine un’attività sono capacità diverse. Un agente che gestisce un acquisto, una richiesta di assistenza o un flusso di lavoro contabile deve usare gli strumenti giusti, mettere insieme le informazioni, rispettare i vincoli e lasciare i dati sottostanti nello stato corretto.

Un ambiente in cui esercitarsi senza modificare i dati dei sistemi reali

Addestrare un agente all’interno di un sistema aziendale reale può avere conseguenze prima che sia pronto. Un’attività di acquisto potrebbe comportare una spesa, mentre un flusso di lavoro amministrativo potrebbe modificare i dati effettivi di un cliente o di un dipendente. Plato riproduce questi flussi di lavoro in ambienti isolati che gli sviluppatori possono ripristinare e riutilizzare.

«Per padroneggiare attività complesse e concrete bisogna fare esperienza svolgendole», ha dichiarato Robert Farlow, cofondatore e CEO di Plato, nell’annuncio. Le simulazioni dell’azienda mirano a riprodurre gli strumenti, le decisioni e gli imprevisti che rendono difficile il lavoro professionale.

Plato collabora con esperti di settore per ricreare mansioni nell’assistenza clienti, nella gestione del personale, nella finanza, nella contabilità e nell’amministrazione sanitaria. I laboratori di IA possono usare gli ambienti così creati per l’apprendimento per rinforzo, durante il quale i modelli tentano di svolgere attività e imparano dai riscontri attraverso esperienze ripetute, oltre che per valutarne le prestazioni.

Dai simulatori software ai flussi di lavoro verificabili

Il sito web dell’azienda descrive Plato come un laboratorio di ricerca applicata che trasforma software e dati del mondo reale in ambienti per addestrare e valutare gli agenti. Il flusso di lavoro illustrativo per gli sviluppatori crea una sessione con più simulatori, carica un’attività, avvia un agente e valuta l’esecuzione risultante. L’esempio combina simulatori di GitHub, Jira e Stripe, mostrando come una singola attività possa coinvolgere diversi strumenti.

Questa struttura offre agli sviluppatori un’unità di esperienza ripetibile: un ambiente di lavoro iniziale, un’attività da completare, le azioni dell’agente e le verifiche del risultato. Ripristinare l’ambiente di lavoro permette di affrontare di nuovo lo stesso problema senza accumulare modifiche in un account reale.

Il rapporto di ricerca Computer Work Val v1.0 di Plato, datato 27 ottobre, descrive un insieme di convalida composto da 300 attività che coprono 10 settori e 36 ruoli, eseguite in 210 applicazioni simulate. Secondo l’azienda, i collaboratori trasformano parti del proprio lavoro in ambienti realizzati con repliche di software e dati fittizi.

Un esempio chiede a un agente di preparare un conto economico trimestrale usando strumenti simulati per fogli di calcolo, e-mail, pagamenti e operazioni bancarie. Verificatori distinti controllano requisiti quali il trattamento contabile, la corretta conversione valutaria e la consegna del file finale. Questo approccio può far emergere un errore rilevante anche all’interno di un flusso di lavoro altrimenti completato: un rapporto può arrivare al destinatario giusto e, al tempo stesso, sovrastimare i ricavi.

Il rapporto descrive anche la revisione da parte di esperti della professione interessata e controlli per individuare difetti nell’ambiente, incongruenze tra i prompt e la valutazione e tentativi di manipolare il sistema di ricompense. L’accento è posto su attività che contengono le informazioni necessarie per riuscire, ma richiedono comunque di ragionare attingendo a più fonti.

Perché il sistema di valutazione è importante

I riscontri forniti da una simulazione influenzano ciò che un modello impara. Se una valutazione premia il completamento di un acquisto senza verificare il rispetto del budget, potrebbe insegnare all’agente a privilegiare il completamento rispetto alle istruzioni che danno senso all’attività.

Plato afferma di valutare sia il risultato sia il modo in cui il modello lo ha raggiunto, verificando anche se ha seguito le istruzioni e rispettato i vincoli. Inoltre, esamina se i modelli sfruttano i punti deboli di un ambiente per ottenere un punteggio che non corrisponde a un lavoro svolto correttamente.

«Creiamo valutazioni che rispecchiano ciò che il lavoro richiede davvero, così gli sviluppatori possono distinguere un punteggio elevato da un lavoro svolto correttamente», ha dichiarato Pranav Putta, cofondatore e CTO di Plato.

L’iniziativa distinta dell’azienda, Web Clone Bench, valuta la capacità dei modelli di ricreare applicazioni web a partire da ambienti di riferimento. Plato descrive i controlli di funzionalità e la garanzia della qualità affidata a persone come parte del processo di realizzazione di repliche ad alta fedeltà. Per l’infrastruttura di addestramento, la fedeltà è un requisito tecnico: comportamenti mancanti o scorciatoie poco realistiche possono modificare le strategie apprese da un agente.

Finanziare una maggiore esperienza nel mondo reale

In precedenza, Farlow aveva realizzato presso Yutori una piattaforma di annotazione a supporto dell’addestramento di modelli in grado di utilizzare il computer. Putta ha maturato esperienze nella visione artificiale, nella robotica e nell’apprendimento per rinforzo, oltre ad aver lavorato su modelli in grado di utilizzare il computer presso MultiOn.

I nuovi finanziamenti serviranno a retribuire professionisti affinché ricreino una parte più ampia del proprio lavoro in ambienti simulati. Plato intende anche impiegare agenti IA in attività reali per raccogliere ulteriore esperienza e sta sviluppando simulazioni più articolate, con flussi di lavoro più lunghi e interazioni con persone simulate.

Il round segue una più ampia ondata di investimenti nelle infrastrutture per l’addestramento degli agenti, tra cui il finanziamento di Labelbox per gli ambienti di apprendimento per rinforzo e gli agenti IA. La scommessa di Plato è che i modelli abbiano bisogno di una quantità crescente di esercitazioni realistiche, affiancate da valutazioni che rispettino le regole del lavoro. Il valore di queste infrastrutture dipende da quanto l’esperienza maturata in una simulazione prepari un agente alle decisioni che dovrà affrontare al di fuori di essa.