Plato capta US$ 16 milhões em rodada Série A para criar ambientes de trabalho simulados para agentes de IA

A Plato captou US$ 16 milhões em uma rodada de financiamento Série A para criar ambientes de trabalho simulados onde modelos de IA possam praticar o uso de softwares, tomar decisões empresariais e realizar tarefas complexas antes de operar em sistemas ativos. A rodada foi liderada pela Nava Ventures, com participação da Gradient Ventures, da Transpose Platform e de Mustafa Suleyman, CEO da Microsoft AI.

O financiamento eleva o total captado pela Plato a US$ 19 milhões, após uma rodada semente liderada pela Gradient Ventures. Freddie Martignetti, fundador da Nava Ventures, vai integrar o conselho de administração. Fundada em 2025 e sediada em São Francisco, a Plato usará o capital para ampliar sua biblioteca de ambientes de trabalho e a experiência oferecida a desenvolvedores de IA.

O investimento busca superar uma limitação prática na transição dos chatbots para os agentes: produzir uma resposta convincente e executar uma tarefa são capacidades diferentes. Um agente responsável por uma compra, um caso de suporte ou um fluxo de trabalho contábil precisa usar as ferramentas certas, conciliar informações, respeitar restrições e deixar os registros subjacentes no estado correto.

Um ambiente para praticar sem alterar registros ativos

Treinar um agente em um sistema empresarial real pode gerar consequências antes que ele esteja pronto. Uma tarefa de compras pode envolver gastos, enquanto um fluxo de trabalho administrativo pode alterar o registro de um cliente ou funcionário real. A Plato recria esses fluxos de trabalho em ambientes isolados que os desenvolvedores podem redefinir e reutilizar.

“A experiência de realizar essas tarefas é o que permite dominar trabalhos complexos do mundo real”, afirmou Robert Farlow, cofundador e CEO da Plato, no anúncio. As simulações da empresa buscam reproduzir as ferramentas, decisões e situações inesperadas que tornam o trabalho profissional difícil.

A Plato trabalha com especialistas de diferentes áreas para recriar tarefas de suporte ao cliente, gestão de pessoas, finanças, contabilidade e administração de serviços de saúde. Laboratórios de IA podem usar os ambientes resultantes para o aprendizado por reforço — no qual os modelos tentam realizar tarefas e aprendem com o feedback ao longo de experiências repetidas — e também para avaliar seu desempenho.

De simuladores de software a fluxos de trabalho verificáveis

O site da empresa apresenta a Plato como um laboratório de pesquisa aplicada que transforma softwares e dados do mundo real em ambientes para treinar e avaliar agentes. O fluxo de trabalho ilustrativo para desenvolvedores cria uma sessão com vários simuladores, carrega uma tarefa, executa um agente e avalia a sequência de ações resultante. O exemplo combina simuladores do GitHub, do Jira e do Stripe, mostrando como uma única tarefa pode envolver várias ferramentas.

Essa estrutura oferece aos desenvolvedores uma unidade de experiência reproduzível: um espaço de trabalho inicial, uma tarefa a ser concluída, as ações do agente e verificações do resultado. Redefinir o espaço de trabalho permite tentar o mesmo problema novamente sem acumular alterações em uma conta ativa.

O relatório de pesquisa Computer Work Val v1.0, da Plato, datado de 27 de outubro, descreve um conjunto de validação com 300 tarefas distribuídas por 10 domínios e 36 funções, executadas em 210 aplicativos simulados. A empresa afirma que os colaboradores transformam partes de seu próprio trabalho em ambientes criados a partir de réplicas de softwares e dados fictícios.

Um exemplo pede a um agente que prepare uma demonstração trimestral de lucros e perdas usando ferramentas simuladas de planilhas, e-mail, pagamentos e serviços bancários. Verificadores independentes conferem requisitos como o tratamento contábil, a conversão correta de moedas e o envio do arquivo final. Essa abordagem pode revelar um erro grave em um fluxo de trabalho que, de resto, foi concluído: um relatório pode chegar ao destinatário certo e, ainda assim, superestimar a receita.

O relatório também descreve a revisão por especialistas da área profissional pertinente e verificações de falhas no ambiente, incompatibilidades entre as instruções e a avaliação e manipulação das recompensas. A ênfase está em tarefas que contêm as informações necessárias para serem concluídas com êxito, mas ainda exigem raciocínio com base em várias fontes.

Por que o sistema de avaliação é importante

O feedback de uma simulação influencia o que um modelo aprende. Se uma avaliação recompensar a conclusão de uma compra sem verificar o orçamento, poderá ensinar o agente a priorizar a conclusão da tarefa em detrimento das instruções que lhe davam sentido.

A Plato afirma que avalia tanto o resultado quanto a maneira como o modelo chegou a ele, incluindo se seguiu as instruções e respeitou as restrições. A empresa também verifica se os modelos exploram falhas no ambiente para obter uma pontuação que não corresponda a um trabalho correto.

“Criamos avaliações que refletem as exigências reais do trabalho, para que os desenvolvedores possam distinguir uma pontuação alta de um trabalho feito corretamente”, afirmou Pranav Putta, cofundador e CTO da Plato.

O Web Clone Bench, projeto separado da empresa, avalia a capacidade dos modelos de recriar aplicativos web com base em ambientes de referência. A Plato descreve as verificações de funcionalidade e a garantia de qualidade feita por pessoas como parte da criação de réplicas de alta fidelidade. Na infraestrutura de treinamento, a fidelidade é um requisito técnico: comportamentos ausentes ou atalhos pouco realistas podem alterar as estratégias que um agente aprende.

Financiamento para ampliar a experiência no mundo real

Farlow já havia desenvolvido uma plataforma de anotação na Yutori para dar suporte ao treinamento de modelos de uso do computador. Putta tem experiência em visão computacional, robótica e aprendizado por reforço, além de ter trabalhado com modelos de uso do computador na MultiOn.

O novo financiamento será usado para pagar profissionais que recriem mais aspectos de seus trabalhos em ambientes simulados. A Plato também planeja implantar agentes de IA em tarefas reais para coletar experiência adicional e está desenvolvendo simulações mais sofisticadas, com fluxos de trabalho mais longos e interações com pessoas simuladas.

A rodada ocorre em meio a investimentos mais amplos em infraestrutura para treinar agentes, incluindo o financiamento da Labelbox para ambientes de aprendizado por reforço e agentes de IA. A aposta da Plato é que os modelos precisam de uma oferta crescente de prática realista, acompanhada de avaliações que preservem as regras do trabalho. O valor dessa infraestrutura depende de quão bem a experiência em uma simulação prepara um agente para as decisões que enfrentará fora dela.