Plato haalt 16 miljoen dollar op in een Serie A-ronde om gesimuleerde werkplekken voor AI-agenten te bouwen

Plato heeft 16 miljoen dollar aan Serie A-financiering opgehaald om gesimuleerde werkplekken te bouwen waar AI-modellen kunnen oefenen met software, zakelijke beslissingen kunnen nemen en complexe taken kunnen uitvoeren voordat ze in operationele systemen aan de slag gaan. Nava Ventures leidde de financieringsronde, waaraan ook Gradient Ventures, Transpose Platform en Mustafa Suleyman, CEO van Microsoft AI, deelnamen.

De financiering brengt het totale opgehaalde bedrag van Plato op 19 miljoen dollar, na een seedronde onder leiding van Gradient Ventures. Freddie Martignetti, oprichter van Nava Ventures, treedt toe tot de raad van bestuur. Plato werd opgericht in 2025 en is gevestigd in San Francisco. Het bedrijf zal het kapitaal gebruiken om zijn bibliotheek met werkomgevingen uit te breiden en AI-ontwikkelaars meer praktijkervaring te bieden.

De investering richt zich op een praktische beperking bij de overstap van chatbots naar agents: een overtuigend antwoord geven en een taak uitvoeren zijn twee verschillende vaardigheden. Een agent die een aankoop, een supportverzoek of een boekhoudkundige workflow afhandelt, moet de juiste tools gebruiken, informatie met elkaar in overeenstemming brengen, zich aan beperkingen houden en ervoor zorgen dat de onderliggende gegevens correct blijven.

Een plek om te oefenen zonder gegevens in operationele systemen te wijzigen

Een agent trainen in een echt bedrijfssysteem kan gevolgen hebben voordat de agent er klaar voor is. Bij een inkoopaak kan geld worden uitgegeven, terwijl een administratieve workflow gegevens van een echte klant of werknemer kan wijzigen. Plato bootst zulke workflows na in afgeschermde omgevingen die ontwikkelaars kunnen resetten en opnieuw gebruiken.

‘Echt complex werk beheersen, doe je door die taken in de praktijk uit te voeren’, zei Robert Farlow, medeoprichter en CEO van Plato, in de aankondiging. De simulaties van het bedrijf zijn bedoeld om de tools, beslissingen en onverwachte situaties te omvatten die professioneel werk moeilijk maken.

Plato werkt samen met vakexperts om werkzaamheden na te bootsen op het gebied van klantenservice, personeelszaken, financiën, boekhouding en zorgadministratie. AI-labs kunnen de resulterende omgevingen gebruiken voor reinforcement learning, waarbij modellen taken uitvoeren en op basis van feedback leren door herhaalde ervaring. Ook kunnen ze de omgevingen gebruiken om hun prestaties te evalueren.

Van softwaresimulators tot workflows die controleerbaar zijn

Op de website van het bedrijf wordt Plato omschreven als een toegepast onderzoekslab dat software en gegevens uit de echte wereld omzet in omgevingen voor het trainen en evalueren van agents. In een voorbeeldworkflow voor ontwikkelaars wordt een sessie met meerdere simulators aangemaakt, een taak geladen, een agent uitgevoerd en het verloop van de uitvoering beoordeeld. Het voorbeeld combineert simulators voor GitHub, Jira en Stripe en laat zien hoe één taak verschillende tools kan omvatten.

Deze structuur biedt ontwikkelaars een herhaalbare oefeneenheid: een beginnende werkruimte, een uit te voeren taak, de handelingen van de agent en controles van het resultaat. Door de werkruimte te resetten, kan dezelfde taak opnieuw worden uitgevoerd zonder dat wijzigingen zich opstapelen in een operationeel account.

In Plato’s onderzoeksrapport Computer Work Val v1.0, gedateerd 27 oktober, wordt een validatieset beschreven met 300 taken uit 10 domeinen en 36 functies, verspreid over 210 gesimuleerde applicaties. Volgens het bedrijf zetten deelnemers onderdelen van hun eigen werk om in omgevingen die zijn opgebouwd uit softwarekopieën en testgegevens.

In één voorbeeld moet een agent met gesimuleerde spreadsheet-, e-mail-, betalings- en banktools een kwartaaloverzicht van winst en verlies opstellen. Afzonderlijke controlemechanismen toetsen vereisten zoals de boekhoudkundige verwerking, de juiste valutaomrekening en de bezorging van het eindbestand. Deze aanpak kan een belangrijke fout aan het licht brengen in een workflow die verder is afgerond: een rapport kan de juiste ontvanger bereiken en toch de omzet te hoog weergeven.

Het rapport beschrijft ook beoordelingen door experts uit het betreffende vakgebied en controles op gebreken in de omgeving, tegenstrijdigheden tussen opdrachten en beoordelingscriteria, en het manipuleren van beloningen. De nadruk ligt op taken die alle benodigde informatie bevatten om ze succesvol uit te voeren, maar waarvoor wel redenering op basis van meerdere bronnen nodig is.

Waarom het beoordelingssysteem ertoe doet

De feedback van een simulatie bepaalt wat een model leert. Als een evaluatie een afgeronde aankoop beloont zonder het budget te controleren, kan de agent leren dat het voltooien van de taak belangrijker is dan de instructies die de taak betekenis geven.

Plato zegt zowel het resultaat als de manier waarop het model dat resultaat heeft bereikt te beoordelen, waaronder de vraag of het de instructies heeft opgevolgd en zich aan de beperkingen heeft gehouden. Het bedrijf onderzoekt ook of modellen misbruik maken van zwakke plekken in een omgeving om een score te behalen die niet overeenkomt met correct uitgevoerd werk.

‘We ontwikkelen evaluaties die weerspiegelen wat het werk daadwerkelijk vereist, zodat ontwikkelaars een hoge score kunnen onderscheiden van werk dat correct is uitgevoerd’, zei Pranav Putta, medeoprichter en CTO van Plato.

De afzonderlijke Web Clone Bench van het bedrijf beoordeelt hoe goed modellen webapplicaties kunnen nabouwen op basis van referentieomgevingen. Plato beschrijft functionaliteitscontroles en kwaliteitsborging door mensen als onderdelen van het bouwen van hoogwaardige replica’s. Voor trainingsinfrastructuur is getrouwheid een technische vereiste: ontbrekende functies of onrealistische sluiproutes kunnen veranderen welke strategieën een agent leert.

Meer praktijkervaring uit de echte wereld financieren

Farlow bouwde eerder bij Yutori een annotatieplatform voor de training van modellen voor computergebruik. Putta heeft ervaring met computervisie, robotica en leren door versterking, en werkte bij MultiOn aan modellen voor computergebruik.

Met de nieuwe financiering worden professionals betaald om meer van hun werkzaamheden na te bootsen in gesimuleerde omgevingen. Plato is ook van plan AI-agenten in te zetten voor echte taken om aanvullende ervaring op te doen, en ontwikkelt uitgebreidere simulaties met langere workflows en interacties met gesimuleerde mensen.

De financieringsronde volgt op bredere investeringen in infrastructuur voor het trainen van agenten, waaronder de financiering van Labelbox voor omgevingen voor leren door versterking en AI-agenten. Plato zet erop in dat modellen steeds meer realistische oefening nodig hebben, in combinatie met evaluaties waarin de regels van het werk behouden blijven. De waarde van die infrastructuur hangt af van de mate waarin ervaring binnen een simulatie een agent voorbereidt op de beslissingen waarmee die buiten de simulatie te maken krijgt.