AI 에이전트를 위한 시뮬레이션 업무 환경 구축에 1,600만 달러 규모 시리즈 A 투자 유치

Plato가 AI 모델이 실제 시스템에서 운영되기 전에 소프트웨어를 사용하고, 비즈니스 의사결정을 내리고, 복잡한 업무를 완수하는 연습을 할 수 있는 시뮬레이션 업무 환경을 구축하기 위해 1,600만 달러 규모의 시리즈 A 투자를 유치했다. 이번 투자 라운드는 Nava Ventures가 주도했으며 Gradient Ventures, Transpose Platform, Microsoft AI CEO인 Mustafa Suleyman이 참여했다.

이번 투자로 Plato의 누적 투자 유치액은 1,900만 달러가 됐다. 앞서 진행된 시드 투자 라운드는 Gradient Ventures가 주도했다. Nava Ventures의 창립자 Freddie Martignetti는 이사회에 합류한다. 2025년 설립돼 샌프란시스코에 본사를 둔 Plato는 이번 투자금을 활용해 업무 환경 라이브러리와 AI 개발자가 이용할 수 있는 경험을 확대할 계획이다.

이번 투자는 챗봇에서 에이전트로 전환하는 과정에서 드러나는 실질적인 한계를 겨냥한다. 설득력 있는 답변을 내놓는 능력과 업무를 실행하는 능력은 서로 다르다. 구매, 고객 지원 사례 또는 회계 업무 흐름을 처리하는 에이전트는 적절한 도구를 사용하고, 정보를 대조·조정하며, 제약 조건을 준수하고, 기초 기록을 올바른 상태로 남겨야 한다.

실제 기록을 변경하지 않고 연습하는 공간

에이전트가 준비되기 전에 실제 비즈니스 시스템에서 에이전트를 훈련하면 예상치 못한 결과가 발생할 수 있다. 구매 업무를 수행하다 돈을 지출할 수도 있고, 관리 업무 흐름을 처리하다 실제 고객이나 직원의 기록을 변경할 수도 있다. Plato는 개발자가 초기화하고 재사용할 수 있는 격리된 환경에서 이러한 업무 흐름을 재현한다.

Plato의 공동 창립자이자 CEO인 Robert Farlow는 발표문에서 “실제의 복잡한 업무를 능숙하게 해내려면 그 업무를 직접 수행하는 경험이 필요하다”고 말했다. 회사의 시뮬레이션은 전문 업무를 어렵게 만드는 도구와 의사결정, 예기치 않은 상황을 재현하는 것을 목표로 한다.

Plato는 분야별 전문가와 협력해 고객 지원, 인사 운영, 재무, 회계, 의료 행정 분야의 업무를 재현한다. AI 연구소는 이렇게 만들어진 환경을 강화 학습에 활용할 수 있다. 강화 학습에서는 모델이 업무를 시도하고 반복적인 경험을 통해 피드백을 바탕으로 학습한다. 해당 환경은 모델의 성능을 평가하는 데에도 사용할 수 있다.

소프트웨어 시뮬레이터부터 검증 가능한 업무 흐름까지

회사의 웹사이트는 Plato를 실제 소프트웨어와 데이터를 에이전트 훈련 및 평가를 위한 환경으로 전환하는 응용 연구소라고 소개한다. 회사가 예시로 제시한 개발자 작업 흐름에서는 여러 시뮬레이터를 활용하는 세션을 만들고, 작업을 불러온 뒤 에이전트를 실행하고, 실행 결과를 평가한다. 이 예시에는 GitHub, Jira, Stripe 시뮬레이터가 결합돼 있어 하나의 작업이 여러 도구에 걸쳐 진행될 수 있음을 보여준다.

이러한 구조는 개발자에게 반복해서 활용할 수 있는 경험 단위를 제공한다. 여기에는 초기 작업 공간, 완료해야 할 작업, 에이전트의 행동, 결과에 대한 점검이 포함된다. 작업 공간을 초기화하면 실제 계정에 변경 사항을 누적하지 않고도 같은 문제를 다시 시도할 수 있다.

Plato의 Computer Work Val v1.0 연구 보고서는 10월 27일자로, 10개 분야와 36개 직무를 아우르는 300개 작업으로 구성된 검증 세트가 210개의 시뮬레이션 애플리케이션에서 실행됐다고 설명한다. 회사에 따르면 참여자들은 자신이 맡은 업무의 일부를 시뮬레이션 소프트웨어와 모의 데이터를 활용한 환경으로 구현한다.

한 예시에서는 에이전트에게 시뮬레이션된 스프레드시트, 이메일, 결제, 뱅킹 도구를 사용해 분기 손익계산서를 작성하도록 요청한다. 별도의 검증기가 회계 처리, 정확한 통화 환산, 최종 파일 전달 등의 요건을 확인한다. 이 접근법은 업무 흐름이 완료된 것처럼 보여도 중대한 실수를 찾아낼 수 있다. 예를 들어 보고서가 올바른 수신자에게 전달됐더라도 매출이 실제보다 부풀려져 있을 수 있다.

보고서는 해당 직종 전문가의 검토와 함께 환경의 결함, 프롬프트와 채점 기준 간의 불일치, 보상 해킹 여부를 확인하는 절차도 설명한다. 여기서 중점을 두는 작업은 성공에 필요한 정보가 포함돼 있으면서도 여러 출처의 정보를 바탕으로 추론해야 하는 작업이다.

채점 체계가 중요한 이유

시뮬레이션의 피드백은 모델이 무엇을 학습하는지에 영향을 준다. 예산을 확인하지 않고 구매를 완료한 것에 점수를 준다면, 모델은 작업의 의미를 결정하는 지침보다 완료 자체를 우선시하도록 학습할 수 있다.

Plato는 결과뿐 아니라 모델이 결과에 이른 과정도 평가하며, 지침을 따르고 제약 조건을 준수했는지도 살핀다고 밝혔다. 또한 모델이 환경의 취약점을 악용해 올바른 업무 수행을 반영하지 않는 점수를 얻는지도 확인한다.

Plato의 공동 창립자이자 CTO인 Pranav Putta는 “개발자가 높은 점수와 올바르게 수행한 업무를 구분할 수 있도록 실제 직무에 필요한 요건을 반영한 평가를 만든다”고 말했다.

회사가 별도로 운영하는 Web Clone Bench는 참조 환경을 바탕으로 웹 애플리케이션을 재현하는 모델의 능력을 살펴본다. Plato는 높은 충실도의 복제 환경을 구축하는 과정에 기능 점검과 사람의 품질 보증이 포함된다고 설명한다. 훈련 인프라에서 충실도는 기술적 요건이다. 누락된 동작이나 비현실적인 지름길은 에이전트가 학습하는 전략을 바꿀 수 있다.

더 많은 실제 경험을 위한 투자

Farlow는 이전에 컴퓨터 사용 모델 학습을 지원하는 주석 플랫폼을 Yutori에서 구축했다. Putta는 컴퓨터 비전, 로보틱스, 강화 학습 분야의 경력을 갖고 있으며, MultiOn에서 컴퓨터 사용 모델 관련 업무를 수행했다.

이번에 조달한 자금은 전문가들이 시뮬레이션 환경에서 자신의 업무를 더 많이 재현하도록 비용을 지급하는 데 쓰인다. Plato는 추가 경험을 수집하기 위해 실제 업무에 AI 에이전트를 투입할 계획이며, 더 긴 작업 흐름과 시뮬레이션된 사람들과의 상호작용을 구현하는 한층 풍부한 시뮬레이션도 개발하고 있다.

이번 투자 유치는 에이전트 훈련 인프라에 대한 전반적인 투자 확대의 흐름을 잇는다. 여기에는 강화 학습 환경과 AI 에이전트 개발을 위한 Labelbox의 자금 조달도 포함된다. Plato는 모델에 현실적인 연습 기회를 지속해서 늘려 제공하고, 실제 업무의 규칙을 그대로 반영하는 평가를 병행해야 한다고 본다. 이러한 인프라의 가치는 시뮬레이션 안에서 쌓은 경험이 에이전트가 시뮬레이션 밖에서 마주할 의사결정에 얼마나 잘 대비하도록 하는지에 달려 있다.