Plurai intende rendere gli agenti AI più affidabili ed economici adottando lo stesso approccio che ha portato le auto autonome sulle strade: la simulazione. La startup crea una replica virtuale dei sistemi elettronici di un’azienda, genera dati sintetici e addestra modelli su casi limite prima del loro utilizzo in produzione. L’obiettivo dichiarato è superare le prestazioni dei modelli frontier di fascia media, riducendo i costi di uno o due ordini di grandezza.
La necessità di intervento emerge dai risultati delle valutazioni sugli agenti assegnati a attività complesse, che risultano spesso inaffidabili se operano senza una supervisione costante. LiveBench 2.0 ha registrato per Claude Fable 5.2 un punteggio di 82.9 su 100 task, mentre ChatGPT-6 Astra ha totalizzato 75.6. Nel test di EON, condotto in un ambiente aziendale simulato, Claude Opus 4.8 ha raggiunto un’accuratezza del 76.8%, il valore più alto rilevato tra i modelli esaminati.
La piattaforma replica la base di conoscenza e gli strumenti ai quali un agente potrà accedere in produzione, costruendo così un gemello digitale dell’azienda. Attraverso una mappatura dei possibili flussi degli agenti, il sistema prepara valutazioni e correzioni dedicate ai casi limite. La soluzione affianca strumenti agentici già disponibili, tra cui Claude Code, Codex, Copilot e Cursor.
Il problema che questa infrastruttura affronta riguarda il comportamento degli agenti in ambienti imprevedibili.Quando un agente deve prenotare viaggi e incontra richieste del cliente, può disregardare le politiche di spesa. La combinazione di informazioni provenienti da più basi di dati, inoltre, può ostacolare una risposta che il modello fornirebbe correttamente consultando un solo archivio. Anche una conversazione prolungata con un bot dell’assistenza clienti può fornire un contesto eccessivo e spingere l’agente verso deviazioni inopportune.
Fondata da Ilan Kadar ed Elad Levi, entrambi ex dipendenti di Nexar, azienda che sviluppa tecnologie per la guida autonoma, Plurai ha raccolto un round seed da $13 million. L’operazione è stata guidata da Team8, con la partecipazione di U&I, Velocity e Mercer. Kadar aveva lavorato con Waymo alla simulazione e valutazione del software di guida basato sull’apprendimento profondo end-to-end.
La direzione ha descritto l’obiettivo della startup in termini chiari: “È molto facile costruire una demo, ma è difficile ottenere una soluzione affidabile ed economicamente sostenibile; per questo Plurai vuole costruire un livello di simulazione.” Il metodo prevede di scomporre un compito complesso in sotto-task attraverso la simulazione, addestrare un modello open-weight, verificare con lo stesso ambiente la qualità ottenuta e ridurre i costi rispetto al modello frontier di riferimento.
Un’altra indicazione fornita dall’azienda riguarda l’inadattabilità dei modelli generali ai dati specifici di una singola impresa: “I modelli frontier non sono adatti ai dati specifici di un’azienda e il loro costo non è sostenibile a lungo termine.” Secondo Kadar, l’azienda mira a ridurre i costi di uno o due ordini di grandezza rispetto ai modelli frontier, mantenendo una qualità superiore o comparabile.
La strategia successiva prevede il post-addestramento di modelli open-weight di piccole dimensioni, personalizzati sulle esigenze dei singoli clienti. Prove condotte con Nvidia e Nebius hanno mostrato modelli di Plurai capaci di superare i modelli frontier di fascia media a costi inferiori. Reah Miyara, ricercatrice di Google DeepMind e angel investor della startup, ha individuato il vantaggio dell’approccio nella conoscenza dei modi di fallimento in produzione e nella generazione di dati sintetici per ottimizzare i modelli.
Alla base dell’operazione vi è una constatazione: “OpenAI e Anthropic, per quanto intelligenti diventeranno, non conosceranno l’azienda e le sue politiche interne.” I modelli generali non dispongono delle regole aziendali specifiche, mentre quelli costruiti per task determinati sono già operativi e raccolgono dati reali. L’analogia con la robotica resta centrale: i modelli generali stanno dotando i robot di capacità notevoli, ma non sono ancora abbastanza affidabili per un impiego estensivo, al contrario dei sistemi specializzati, già impiegati sul campo.
