Plurai tar in 13 miljoner dollar i såddfinansiering och öppnar plattform för simulering av AI-agenter

Plurai meddelade om finansieringen och lanseringen den 11 november 2026 och offentliggjorde att bolaget tagit in 13 miljoner dollar i såddfinansiering och att dess simuleringsplattform för AI-agenter nu är allmänt tillgänglig. Team8 ledde finansieringsrundan samtidigt som bolaget introducerade en kostnadsfri nivå för en produkt som tidigare varit begränsad till utvalda partner och kunder.

Även U&I, Velocity och Mercer deltog, tillsammans med fler än 20 affärsänglar och branschledare. Bland dem fanns CyberArk-grundaren Udi Mokady och Reah Miyara, senior director för Google Models på Google Cloud och tidigare ansvarig för modellevaluering på OpenAI. Eyal Carmi, teknikchef för Microsoft 365 Copilot, anslöt sig till Plurais rådgivande styrelse.

Team8:s managing partner Aviad Harell sa att Plurai tillgodoser behovet av den infrastruktur som krävs för att skapa förtroende innan agenter når kunderna och för att fortsätta förbättra dem i produktionsmiljö. Han tillade: ”Simulering kommer att bli lika grundläggande för agentstacken som CI/CD är för programvara.”

Så fungerar simuleringsplattformen

Plurai bygger en digital tvilling, det vill säga en programvarureplika, av en agent och dess driftsmiljö utifrån kundens kunskapsbas, verktyg och policyer. Därefter utsätter bolaget agenten för realistiska simulerade användare och användare som försöker motarbeta den i en sandlådemiljö, för att upptäcka policyöverträdelser, hallucinationer, felaktiga åtgärder, fel i verktygsanrop, misslyckade uppgifter och läckor av känsliga uppgifter innan kunderna stöter på dem.

Produktsidan beskriver isolerade sandlådemiljöer där tjänster, dokument och omvärldstillstånd kan simuleras och återställas mellan körningar, samtidigt som spår från produktionsmiljön kan användas för att utforma senare scenarier. Plurai spårar fel till belägg och exakta kodavsnitt, genererar korrigeringar och validerar dem mot en regressionsuppsättning för att kontrollera att en korrigering inte orsakar ett annat fel.

Simuleringsdata ger också exempel för efterträning, alltså ytterligare träning av små språkmodeller för avgränsade uppgifter. Modellerna kan köra agenten eller fungera som kontinuerliga utvärderare och skyddsmekanismer, samtidigt som nyupptäckta produktionsfel återförs till simuleringen. Utvecklare kan utgå från Claude Code, Codex eller GitHub Copilot, och team kan använda plattformen med agenter som bygger på Salesforce Agentforce.

Resultat enligt företaget

Plurai uppger att designpartner har kortat utvecklingscyklerna för agenter från månader till timmar, minskat antalet fel som når verkliga användare med 82 procent och sänkt kostnaden för att köra tillförlitliga agenter med 97 procent. Resultaten kommer från en utvald grupp inom AI-inriktade och hårt reglerade branscher, däribland Fortune 500-företag och stora finansiella bolag, innan plattformen öppnades för en bredare användarbas.

En kundfallstudie från den 15 augusti 2026 ger en detaljerad inblick i en driftsättning. Plurai uppgav att en icke namngiven amerikansk leverantör av IT-driftstjänster för företag byggde sin första anpassade modell på 20 minuter och fler än 100 modeller inom två veckor. För beslutet om portalstyrning som undersöktes i studien löste den anpassade modellen 89 procent av förfrågningarna, jämfört med 69 procent för den befintliga Claude Haiku-konfigurationen utan resonemang. Samtidigt sjönk svarstiden från 1,0 sekund till 0,15 sekunder och inferenskostnaden från 2,87 dollar till 0,076 dollar per 1 000 anrop.

En separat fallstudie från den 21 oktober 2026 beskriver ett arbete med NVIDIA och Nebius för en global företagskund. Plurai uppger att bolaget eftertränade NVIDIA Nemotron 3.5 Lightning med en träningsuppsättning på 3 722 samtal som märkts upp av en avancerad lärarmodell. Den resulterande modellen fick kvalitetsbetyget 88,8 av 100 på verkliga produktionschattar, jämfört med 78,4 för Claude Haiku-5.5 och 88,6 för GPT-6 Luna.

Rötter inom autonom körning och syntetiska data

Verkställande direktören Ilan Kadar och teknikchefen Elad Levi grundade Plurai efter att ha arbetat på Nexar, där Kadar var vice vd för AI och Levi AI-arkitekt. Kadar jämförde Plurais arbetssätt med validering av autonoma fordon och hänvisade till Waymos över 20 miljarder simulerade miles, vilket han uppskattade motsvara ungefär 100 gånger bolagets körning i verkliga världen.

BARRED, ett förtryck som Arnon Mazza och Levi skickade in den 28 april 2026, beskriver metoden för syntetiska data bakom den här processen. Metoden delar upp en domän i dimensioner och använder debatt mellan flera agenter för att verifiera etiketter. Det enda som behövs är en uppgiftsbeskrivning och ett litet antal omärkta exempel. Plurai uppger att metoden antogs till ICML 2026.

Såddfinansieringen och den kostnadsfria nivån tar Plurai från utvalda designsamarbeten till ett bredare test av arbetssättet genom självbetjäning. Den centrala frågan inför nästa fas är om de rapporterade förbättringarna i tillförlitlighet och kostnad håller i sig när fler team börjar använda hela processen med simulering, automatiska korrigeringar och specialiserade modeller.