Plato tar in 16 miljoner dollar i en serie A-finansiering för att bygga simulerade arbetsmiljöer där AI-modeller kan öva på att använda programvara, navigera i affärsbeslut och utföra komplexa arbetsuppgifter innan de används i skarpa system

Plato har tagit in 16 miljoner dollar i en serie A-finansiering för att bygga simulerade arbetsmiljöer där AI-modeller kan öva på att använda programvara, navigera i affärsbeslut och utföra komplexa arbetsuppgifter innan de används i skarpa system. Nava Ventures ledde finansieringsrundan, där även Gradient Ventures, Transpose Platform och Mustafa Suleyman, vd för Microsoft AI, deltog.

Finansieringen innebär att Platos totala kapitalanskaffning uppgår till 19 miljoner dollar, efter en såddrunda ledd av Gradient Ventures. Freddie Martignetti, grundare av Nava Ventures, tar plats i styrelsen. Plato grundades 2025 och har sitt huvudkontor i San Francisco. Kapitalet ska användas till att utöka biblioteket med arbetsmiljöer och utveckla upplevelsen för AI-utvecklare.

Investeringen riktar in sig på en praktisk begränsning i övergången från chattbotar till agenter: att ge ett övertygande svar och att utföra ett arbete är två olika förmågor. En agent som hanterar ett inköp, ett supportärende eller ett redovisningsflöde måste använda rätt verktyg, stämma av information, följa begränsningar och se till att de underliggande uppgifterna har rätt status.

En plats att öva utan att ändra skarpa uppgifter

Att träna en agent i ett verkligt affärssystem kan få konsekvenser innan agenten är redo. En inköpsuppgift kan leda till att pengar spenderas, medan ett administrativt arbetsflöde kan ändra en faktisk kund- eller medarbetaruppgift. Plato återskapar sådana arbetsflöden i avgränsade miljöer som utvecklare kan återställa och använda på nytt.

”Att bemästra verkliga, komplexa arbetsuppgifter bygger på erfarenhet av att utföra dem”, sade Robert Farlow, Platos medgrundare och vd, i tillkännagivandet. Företagets simuleringar är utformade för att fånga upp de verktyg, beslut och oväntade situationer som gör yrkesarbete svårt.

Plato samarbetar med ämnesexperter för att återskapa arbetsuppgifter inom kundsupport, personaladministration, ekonomi, redovisning och hälso- och sjukvårdsadministration. AI-labb kan använda de resulterande miljöerna för förstärkningsinlärning, där modeller försöker utföra uppgifter och lär sig av återkoppling genom upprepade försök, samt för att utvärdera sina prestationer.

Från programvarusimulatorer till verifierbara arbetsflöden

Företagets webbplats beskriver Plato som ett laboratorium för tillämpad forskning som omvandlar verklig programvara och verkliga data till miljöer för träning och utvärdering av agenter. I ett exempel på ett arbetsflöde för utvecklare skapas en session med flera simulatorer, en uppgift läses in, en agent körs och resultatet utvärderas. Exemplet kombinerar simulatorer för GitHub, Jira och Stripe och visar hur en och samma uppgift kan omfatta flera verktyg.

Den strukturen ger utvecklarna en repeterbar erfarenhetsenhet: en inledande arbetsyta, en uppgift att slutföra, agentens åtgärder och kontroller av resultatet. Genom att återställa arbetsytan går det att försöka lösa samma problem igen utan att ändringar samlas i ett skarpt konto.

Platos forskningsrapport om Computer Work Val v1.0, daterad den 27 oktober, beskriver en valideringsuppsättning med 300 uppgifter inom 10 domäner och 36 yrkesroller, som körs i 210 simulerade applikationer. Företaget uppger att medverkande omvandlar delar av sina egna arbetsuppgifter till miljöer som byggs med programvarurepliker och simulerade data.

I ett exempel ombeds en agent att ta fram en kvartalsvis resultatrapport med simulerade verktyg för kalkylblad, e-post, betalningar och bankärenden. Separata verifierare kontrollerar krav som redovisningsmässig hantering, korrekt valutakonvertering och att den slutliga filen levereras. Metoden kan avslöja ett allvarligt misstag i ett arbetsflöde som i övrigt har slutförts: en rapport kan nå rätt mottagare men ändå redovisa för höga intäkter.

Rapporten beskriver också granskning av experter inom det berörda yrkesområdet samt kontroller av fel i miljön, bristande överensstämmelse mellan instruktioner och bedömning och manipulation av belöningssystemet. Fokus ligger på uppgifter som innehåller den information som behövs för att lyckas, men ändå kräver resonemang utifrån flera källor.

Därför är bedömningssystemet viktigt

Återkopplingen från en simulering påverkar vad en modell lär sig. Om en utvärdering belönar ett genomfört köp utan att kontrollera budgeten kan den lära agenten att prioritera slutförandet framför de instruktioner som gav uppgiften dess mening.

Plato uppger att företaget utvärderar både resultatet och hur modellen kom fram till det, däribland om den följde instruktionerna och respekterade begränsningarna. Företaget undersöker också om modeller utnyttjar svagheter i en miljö för att få ett resultat som inte speglar korrekt utfört arbete.

”Vi tar fram utvärderingar som speglar vad arbetet faktiskt kräver, så att utvecklare kan skilja ett högt resultat från ett korrekt utfört arbete”, sade Pranav Putta, Platos medgrundare och tekniska chef.

Företagets fristående Web Clone Bench undersöker modellernas förmåga att återskapa webbapplikationer utifrån referensmiljöer. Plato beskriver funktionskontroller och mänsklig kvalitetssäkring som delar av arbetet med att bygga högkvalitativa repliker. För träningsinfrastruktur är återgivningstrogenhet ett tekniskt krav: saknade funktioner eller orealistiska genvägar kan påverka vilka strategier en agent lär sig.

Finansiering för mer erfarenhet från verkligheten

Farlow byggde tidigare en annoteringsplattform hos Yutori för att stödja träning av modeller som använder datorer. Putta har en bakgrund inom datorseende, robotik och förstärkningsinlärning samt har arbetat med modeller som använder datorer på MultiOn.

Den nya finansieringen ska användas till att betala yrkesverksamma för att återskapa fler delar av sina arbetsuppgifter i simulerade miljöer. Plato planerar också att låta AI-agenter utföra verkliga uppgifter för att samla in ytterligare erfarenhet och utvecklar mer avancerade simuleringar med längre arbetsflöden och interaktioner med simulerade personer.

Finansieringsrundan följer på bredare investeringar i infrastruktur för agentträning, däribland Labelboxs finansiering av miljöer för förstärkningsinlärning och AI-agenter. Plato utgår från att modeller behöver få tillgång till allt mer realistisk övning, tillsammans med utvärderingar som bevarar arbetets regler. Värdet av infrastrukturen beror på hur väl erfarenhet från en simulering förbereder en agent för de beslut den kommer att ställas inför utanför den.