Plurai raccoglie 13 milioni di dollari in un round seed e apre la sua piattaforma di simulazione per agenti IA

Plurai ha annunciato il finanziamento e il lancio l’11 novembre 2026, comunicando di aver raccolto 13 milioni di dollari in un round seed e di aver reso disponibile a tutti la sua piattaforma di simulazione per agenti IA. Team8 ha guidato il round, mentre l’azienda ha introdotto un piano gratuito per un prodotto in precedenza riservato a partner e clienti selezionati.

Hanno partecipato anche U&I, Velocity e Mercer, insieme a oltre 20 investitori informali e leader del settore. Tra questi figuravano Udi Mokady, fondatore di CyberArk, e Reah Miyara, direttrice senior di Google Models presso Google Cloud ed ex responsabile della valutazione dei modelli presso OpenAI. Eyal Carmi, direttore tecnico (CTO) di Microsoft 365 Copilot, è entrato a far parte del comitato consultivo di Plurai.

Aviad Harell, managing partner di Team8, ha affermato che Plurai affronta il problema dell’infrastruttura necessaria per creare fiducia prima che gli agenti raggiungano i clienti e per continuare a migliorarli una volta in produzione, aggiungendo: «La simulazione diventerà fondamentale per lo stack degli agenti quanto la CI/CD lo è per il software».

Come funziona la piattaforma di simulazione

Plurai crea un gemello digitale, ovvero una replica software, di un agente e del suo ambiente operativo a partire dalla base di conoscenze, dagli strumenti e dalle policy del cliente. Sottopone quindi l’agente, in un ambiente sandbox, a utenti simulati realistici e antagonisti, per individuare violazioni delle policy, allucinazioni, azioni errate, chiamate agli strumenti non riuscite, attività non completate e fughe di dati sensibili prima che i clienti vi si imbattano.

La pagina del prodotto descrive ambienti sandbox isolati in cui è possibile simulare servizi, documenti e stato del mondo e ripristinarli tra un’esecuzione e l’altra, mentre le tracce di produzione possono alimentare scenari successivi. Plurai riconduce gli errori alle prove e alle posizioni esatte nel codice, genera correzioni e le convalida su un insieme di test di regressione per verificare che una riparazione non provochi un altro errore.

I dati di simulazione forniscono anche esempi per il post-addestramento, ovvero l’addestramento aggiuntivo di modelli linguistici di piccole dimensioni per attività specifiche. Questi modelli possono eseguire l’agente oppure fungere da valutatori continui e da meccanismi di protezione, mentre gli errori rilevati in produzione vengono reintrodotti nella simulazione. Gli sviluppatori possono partire da Claude Code, Codex o GitHub Copilot, e i team possono usare la piattaforma con agenti basati su Salesforce Agentforce.

Risultati riportati dall’azienda

Plurai riferisce che i partner di progettazione hanno ridotto i cicli di sviluppo degli agenti da mesi a ore, diminuito dell’82% gli errori che raggiungono gli utenti reali e abbassato del 97% il costo di gestione di agenti affidabili. I risultati sono stati ottenuti da un gruppo selezionato di aziende dei settori nativi dell’IA e altamente regolamentati, tra cui società Fortune 500 e importanti istituti finanziari, prima che la piattaforma fosse resa disponibile a una base più ampia di utenti.

Un caso di studio su un cliente, pubblicato il 15 agosto 2026, offre un’analisi dettagliata di una delle implementazioni. Plurai ha dichiarato che un fornitore statunitense di servizi gestiti IT per aziende, rimasto anonimo, ha creato il suo primo modello personalizzato in 20 minuti e più di 100 in due settimane. Per la decisione di instradamento al portale esaminata nello studio, il modello personalizzato ha risolto l’89% delle richieste, contro il 69% ottenuto con la configurazione esistente di Claude Haiku senza capacità di ragionamento; la latenza è scesa da 1,0 a 0,15 secondi e il costo di inferenza da 2,87 a 0,076 dollari ogni 1.000 chiamate.

Un altro caso di studio, pubblicato il 21 ottobre 2026, descrive il lavoro svolto con NVIDIA e Nebius per un cliente aziendale globale. Plurai riferisce di aver sottoposto NVIDIA Nemotron 3.5 Lightning a post-addestramento usando un set di addestramento composto da 3.722 conversazioni etichettate da un modello insegnante all’avanguardia; nelle chat reali di produzione, il modello ottenuto ha raggiunto un punteggio di qualità di 88,8 su 100, contro 78,4 per Claude Haiku-5.5 e 88,6 per GPT-6 Luna.

Le origini nella guida autonoma e i dati sintetici

L’amministratore delegato Ilan Kadar e il direttore tecnico Elad Levi hanno fondato Plurai dopo aver lavorato presso Nexar, dove Kadar era vicepresidente dell’IA e Levi architetto IA. Kadar ha paragonato l’approccio di Plurai alla convalida dei veicoli autonomi, citando gli oltre 20 miliardi di miglia simulate percorsi da Waymo, una distanza che, secondo lui, equivale a circa 100 volte quella percorsa su strade reali.

BARRED, un preprint presentato il 28 aprile 2026 da Arnon Mazza e Levi, fornisce il metodo per la generazione di dati sintetici alla base di questa pipeline. Il metodo scompone un dominio in dimensioni e usa il dibattito tra più agenti per verificare le etichette, richiedendo solo la descrizione di un’attività e un piccolo insieme di esempi non etichettati. Plurai afferma che il metodo è stato accettato a ICML 2026.

Il round seed e il piano gratuito portano Plurai dalle partnership di progettazione selezionate a una sperimentazione più ampia e accessibile in modalità self-service del suo approccio. La questione centrale per la prossima fase è se i miglioramenti in termini di affidabilità e costi riportati in queste implementazioni si confermeranno con l’adozione, da parte di un numero maggiore di team, dell’intero ciclo di simulazione, correzioni automatiche e modelli specializzati.