Plurai pozyskuje 13 mln dolarów w rundzie zalążkowej i udostępnia platformę do symulacji agentów AI

Plurai ogłosiła pozyskanie finansowania i uruchomienie platformy 11 listopada 2026 r., informując o pozyskaniu 13 mln dolarów finansowania zalążkowego i powszechnej dostępności swojej platformy do symulacji agentów AI. Rundzie przewodził Team8. Firma wprowadziła też bezpłatny plan produktu, który wcześniej był dostępny wyłącznie dla wybranych partnerów i klientów.

W rundzie uczestniczyły również U&I, Velocity i Mercer, a także ponad 20 aniołów biznesu i liderów branży. Wśród nich znaleźli się założyciel CyberArk Udi Mokady oraz Reah Miyara, starsza dyrektorka ds. Google Models w Google Cloud i była liderka zespołu oceny modeli w OpenAI. Eyal Carmi, dyrektor ds. technologii Microsoft 365 Copilot, dołączył do rady doradczej Plurai.

Aviad Harell, partner zarządzający w Team8, powiedział, że Plurai tworzy infrastrukturę potrzebną do budowania zaufania, zanim agenci trafią do klientów, oraz do ich ciągłego doskonalenia w środowisku produkcyjnym. Dodał: „Symulacja stanie się równie fundamentalnym elementem stosu technologicznego agentów, jak CI/CD w przypadku oprogramowania”.

Jak działa platforma symulacyjna

Na podstawie bazy wiedzy klienta, jego narzędzi i zasad Plurai tworzy cyfrowego bliźniaka, czyli programową replikę agenta i środowiska, w którym on działa. Następnie poddaje agenta próbom w środowisku testowym, wykorzystując realistycznych i konfrontacyjnych użytkowników symulowanych. Celem jest wykrycie naruszeń zasad, halucynacji, nieprawidłowych działań, błędnych wywołań narzędzi, niepowodzeń w realizacji zadań oraz wycieków danych wrażliwych, zanim zetkną się z nimi klienci.

Strona produktu opisuje odizolowane środowiska testowe, w których można symulować usługi, dokumenty i stan świata oraz przywracać ich stan początkowy między kolejnymi uruchomieniami; ślady z działania systemu w środowisku produkcyjnym mogą posłużyć do tworzenia późniejszych scenariuszy. Plurai pozwala prześledzić błędy aż do dowodów i konkretnych lokalizacji w kodzie, generuje poprawki i weryfikuje je na zestawie regresyjnym, by sprawdzić, czy jedna naprawa nie powoduje kolejnego błędu.

Dane z symulacji dostarczają również przykładów do dalszego trenowania, czyli dodatkowego szkolenia małych modeli językowych przeznaczonych do wąskich zadań. Modele te mogą uruchamiać agenta albo pełnić funkcję ciągłych ewaluatorów i mechanizmów zabezpieczających, a nowo wykryte błędy w środowisku produkcyjnym trafiają z powrotem do symulacji. Programiści mogą zacząć od Claude Code, Codex lub GitHub Copilot, a zespoły mogą korzystać z platformy w połączeniu z agentami zbudowanymi na Salesforce Agentforce.

Wyniki podawane przez firmę

Według Plurai partnerzy projektowi skrócili cykle tworzenia agentów z miesięcy do godzin, ograniczyli o 82% liczbę błędów docierających do rzeczywistych użytkowników i obniżyli o 97% koszt uruchamiania niezawodnych agentów. Wyniki uzyskano w wybranej grupie firm z sektorów opartych na AI i podlegających ścisłym regulacjom, w tym z firm z listy Fortune 500 i dużych instytucji finansowych, zanim platformę udostępniono szerszemu gronu użytkowników.

Studium przypadku klienta z 15 sierpnia 2026 r. szczegółowo opisuje jedno wdrożenie. Plurai poinformowała, że nieujawniony z nazwy amerykański dostawca zarządzanych usług IT dla przedsiębiorstw zbudował pierwszy własny model w 20 minut, a w ciągu dwóch tygodni — ponad 100 modeli. W analizowanym w studium przypadku zadaniu kierowania zgłoszeń do odpowiednich portali model własny rozwiązał 89% zgłoszeń, w porównaniu z 69% w przypadku dotychczasowej konfiguracji Claude Haiku bez zdolności wnioskowania. Jednocześnie opóźnienie spadło z 1,0 sekundy do 0,15 sekundy, a koszt wnioskowania — z 2,87 USD do 0,076 USD na 1000 wywołań.

Osobne studium przypadku z 21 października 2026 r. opisuje współpracę z NVIDIA i Nebius na rzecz globalnego klienta korporacyjnego. Plurai informuje, że przeprowadziła dalsze trenowanie modelu NVIDIA Nemotron 3.5 Lightning na zbiorze treningowym obejmującym 3722 rozmowy oznaczone przez wiodący model nauczycielski. W rzeczywistych rozmowach produkcyjnych uzyskany model otrzymał ocenę jakości 88,8 na 100, w porównaniu z 78,4 dla Claude Haiku-5.5 i 88,6 dla GPT-6 Luna.

Korzenie w autonomicznej jeździe i dane syntetyczne

Dyrektor generalny Ilan Kadar i dyrektor ds. technologii Elad Levi założyli Plurai po pracy w Nexar, gdzie Kadar pełnił funkcję wiceprezesa ds. AI, a Levi — architekta AI. Kadar porównał podejście Plurai do walidacji pojazdów autonomicznych, przywołując ponad 20 miliardów symulowanych mil przejechanych przez Waymo. Jak stwierdził, to w przybliżeniu 100 razy więcej niż dystans pokonany przez tę firmę w rzeczywistych warunkach drogowych.

BARRED, preprint złożony 28 kwietnia 2026 r. przez Arnon Mazza i Leviego, opisuje metodę generowania danych syntetycznych wykorzystywaną w tym procesie. Metoda rozkłada daną dziedzinę na wymiary i wykorzystuje debatę wielu agentów do weryfikowania etykiet; wymaga jedynie opisu zadania i niewielkiego zbioru nieoznaczonych przykładów. Plurai informuje, że metoda została zaakceptowana na konferencji ICML 2026.

Runda zalążkowa i bezpłatny plan przenoszą Plurai od współpracy z wybranymi partnerami projektowymi do szerszego testu tego podejścia w modelu samoobsługowym. Kluczowe pytanie na kolejnym etapie brzmi, czy odnotowane w tych wdrożeniach korzyści w zakresie niezawodności i kosztów utrzymają się, gdy więcej zespołów zacznie korzystać z pełnego cyklu obejmującego symulację, automatyczne poprawki i wyspecjalizowane modele.