Plurai henter inn 13 millioner dollar i såkornfinansiering og åpner simuleringsplattform for KI-agenter

Plurai kunngjorde finansieringen og lanseringen 11. november 2026 og opplyste at selskapet hadde hentet inn 13 millioner dollar i såkornfinansiering, og at simuleringsplattformen for KI-agenter nå er allment tilgjengelig. Team8 ledet finansieringsrunden samtidig som selskapet introduserte et gratisnivå for et produkt som tidligere bare var tilgjengelig for utvalgte partnere og kunder.

U&I, Velocity og Mercer deltok også, sammen med over 20 engleinvestorer og bransjeledere. Blant dem var CyberArk-grunnlegger Udi Mokady og Reah Miyara, senior direktør for Google Models i Google Cloud og tidligere leder for modelevaluering hos OpenAI. Microsoft 365 Copilots teknologidirektør, Eyal Carmi, gikk inn i Plurais rådgivende styre.

Aviad Harell, managing partner i Team8, sa at Plurai dekker behovet for infrastruktur som gjør det mulig å bygge tillit før agenter tas i bruk av kunder, og å fortsette å forbedre dem i produksjon. Han la til: «Simulering vil bli like grunnleggende for agentteknologistakken som CI/CD er for programvare.»

Slik fungerer simuleringsplattformen

Plurai bygger en digital tvilling, eller programvarereplika, av en agent og driftsmiljøet dens ut fra kundens kunnskapsbase, verktøy og retningslinjer. Deretter utsetter selskapet agenten for realistiske og fiendtlig innstilte simulerte brukere i et sandkassemiljø for å avdekke brudd på retningslinjer, hallusinasjoner, feilhandlinger, mislykkede verktøykall, oppgaver som ikke blir fullført, og lekkasjer av sensitive data før kundene blir berørt.

Produktsiden beskriver isolerte sandkassemiljøer der tjenester, dokumenter og tilstanden i systemet kan simuleres og tilbakestilles mellom kjøringer, samtidig som spor fra produksjonsmiljøet kan brukes til å utforme senere scenarioer. Plurai sporer feil tilbake til dokumentasjonen og de nøyaktige kodestedene, genererer rettelser og tester dem mot et regresjonssett for å kontrollere at én rettelse ikke fører til en annen feil.

Simuleringsdata gir også eksempler til ettertrening, altså videre trening av små språkmodeller for avgrensede oppgaver. Disse modellene kan kjøre agenten eller fungere som kontinuerlige evaluatorer og sikkerhetsmekanismer, mens nyoppdagede feil i produksjon føres tilbake til simuleringen. Utviklere kan ta utgangspunkt i Claude Code, Codex eller GitHub Copilot, og team kan bruke plattformen med agenter bygget på Salesforce Agentforce.

Resultater rapportert av selskapet

Plurai rapporterer at designpartnerne reduserte utviklingssyklusene for agenter fra måneder til timer, kuttet antallet feil som nådde reelle brukere med 82 % og senket kostnadene ved å kjøre pålitelige agenter med 97 %. Resultatene kom fra en utvalgt gruppe innen KI-baserte og sterkt regulerte bransjer, blant annet Fortune 500-selskaper og store finansselskaper, før plattformen ble åpnet for en bredere brukergruppe.

En kundecase fra 15. august 2026 gir et detaljert innblikk i én utrulling. Plurai opplyste at en ikke navngitt amerikansk leverandør av administrerte IT-tjenester for bedrifter bygget sin første tilpassede modell på 20 minutter og over 100 modeller i løpet av to uker. For avgjørelsen om ruting via portalen som ble undersøkt i studien, løste den tilpassede modellen 89 % av forespørslene, mot 69 % med det eksisterende Claude Haiku-oppsettet uten resonnering. Samtidig falt latenstiden fra 1,0 sekund til 0,15 sekunder, og inferenskostnaden gikk ned fra 2,87 dollar til 0,076 dollar per 1 000 kall.

En separat kundecase fra 21. oktober 2026 beskriver et samarbeid med NVIDIA og Nebius for en global bedriftskunde. Plurai rapporterer at selskapet ettertrente NVIDIA Nemotron 3.5 Lightning med et treningssett bestående av 3 722 samtaler merket av en ledende lærermodell. Den resulterende modellen fikk en kvalitetsscore på 88,8 av 100 på reelle produksjonssamtaler, mot 78,4 for Claude Haiku-5.5 og 88,6 for GPT-6 Luna.

Bakgrunn fra selvkjørende biler og syntetiske data

Administrerende direktør Ilan Kadar og teknologidirektør Elad Levi grunnla Plurai etter å ha jobbet hos Nexar, der Kadar var visepresident for KI og Levi KI-arkitekt. Kadar sammenlignet Plurais tilnærming med validering av selvkjørende biler og viste til Waymos over 20 milliarder simulerte miles, som han anslo tilsvarte omtrent 100 ganger selskapets faktiske kjøring.

BARRED, en preprint innsendt 28. april 2026 av Arnon Mazza og Levi, beskriver metoden for syntetiske data som ligger til grunn for denne prosessen. Den deler et fagområde inn i dimensjoner og bruker debatt mellom flere agenter til å verifisere etiketter, og krever bare en oppgavebeskrivelse og et lite utvalg umerkede eksempler. Plurai sier at metoden ble godkjent for ICML 2026.

Såkornrunden og gratistilbudet tar Plurai fra utvalgte designsamarbeid til en bredere selvbetjent utprøving av denne tilnærmingen. Det sentrale spørsmålet for neste fase er om gevinstene i pålitelighet og kostnader som er rapportert fra disse utrullingene, holder seg når flere team tar i bruk hele prosessen med simulering, automatiske rettelser og spesialiserte modeller.