A startup Plurai levantou US$ 13 milhões em uma rodada de investimento inicial para desenvolver uma camada de simulação voltada a agentes de inteligência artificial. A empresa quer usar réplicas digitais dos sistemas de seus clientes e dados sintéticos para preparar esses modelos diante de situações que costumam provocar erros.
O aporte foi anunciado na quarta-feira e teve liderança da Team8, com participação de U&I, Velocity e Mercer. A Plurai foi criada por Ilan Kadar e Elad Levi, que trabalharam anteriormente na Nexar, empresa de tecnologia para direção autônoma. Kadar também atuou com a Waymo na simulação e avaliação de softwares de direção baseados em aprendizado profundo.
Agentes ainda falham em tarefas complexas
A aposta surge em um momento de expansão dos agentes de IA, mas os resultados de testes indicam que eles ainda precisam de supervisão próxima. O LiveBench 2.0 registrou sucesso em 82,9 de cada 100 tarefas para o Claude Fable 5.2 e em 75,6 para o ChatGPT-6 Astra. Em uma avaliação conduzida pela empresa de infraestrutura de IA EON, o melhor modelo testado, o Claude Opus 4.8, alcançou 76,8% de precisão em um ambiente corporativo simulado.
Segundo a empresa, o problema aparece especialmente quando o agente precisa lidar com regras, fontes ou etapas que não estavam previstas na demonstração inicial. Um sistema encarregado de reservar viagens pode ignorar limites de gastos. Uma consulta feita em um único banco de dados pode funcionar, enquanto a combinação de informações de várias bases gera respostas inadequadas. Conversas longas com clientes também podem sobrecarregar o modelo com contexto e fazê-lo tomar decisões erradas.
Kadar comparou esse desafio ao enfrentado pela tecnologia de veículos autônomos: criar uma demonstração convincente é mais simples do que alcançar confiabilidade e custo operacional aceitáveis em situações variadas. A Plurai pretende levar para os agentes digitais uma estratégia semelhante à usada em simulações de direção.
Como funciona a plataforma
A empresa constrói um “gêmeo digital” dos sistemas eletrônicos de cada cliente. Essa representação inclui a base de conhecimento e as ferramentas às quais o agente terá acesso quando estiver em produção. Depois, a plataforma mapeia os possíveis fluxos de ação e usa essa estrutura para avaliar respostas, identificar falhas e preparar correções para casos extremos.
O serviço pode operar junto de ferramentas já usadas no desenvolvimento de agentes, como Claude Code, Codex, Copilot e Cursor. A proposta não é apenas medir se o modelo conclui uma tarefa, mas sim reproduzir diferentes caminhos que podem surgir durante a execução e verificar como ele reage a cada um deles.
O plano mais ambicioso da Plurai é usar os dados obtidos nas simulações para fazer o pós-treinamento de modelos menores e de pesos abertos, adaptados às necessidades de cada cliente. Testes realizados em colaboração com Nvidia e Nebius, segundo a startup, mostraram modelos da empresa superando modelos de fronteira intermediários, com custo inferior.
A lógica apresentada por Kadar é decompor uma tarefa complexa em atividades menores, treinar um modelo de pesos abertos para executá-las e usar a própria simulação para verificar se a qualidade é equivalente ou superior à de um modelo de fronteira. De acordo com ele, essa estratégia pode reduzir os custos em uma ou duas ordens de magnitude.
Foco em dados específicos das empresas
Reah Miyara, pesquisadora do Google DeepMind e investidora-anjo da Plurai, afirmou que a vantagem da startup está em compreender como os agentes falham em produção e transformar esses padrões em dados sintéticos para ajustar os modelos.
A avaliação também se relaciona ao custo de manter sistemas avançados. Na visão atribuída a Miyara, modelos de fronteira podem não se adaptar bem aos dados específicos de uma empresa, enquanto sua operação contínua pode se tornar financeiramente insustentável para as equipes de tecnologia.
A Plurai sustenta que modelos gerais, mesmo quando se tornam mais capazes, não conhecem automaticamente as políticas e os processos internos de cada negócio. A empresa espera que a combinação de simulação, treinamento especializado e modelos menores produza agentes mais previsíveis para tarefas delimitadas.
A comparação com a direção autônoma também orienta essa estratégia. Modelos gerais podem dar aos robôs capacidades amplas, mas ainda não são confiáveis o suficiente para uma adoção disseminada. Já sistemas treinados para funções específicas estão em operação e acumulam dados do uso real — uma dinâmica que a startup pretende reproduzir no ambiente digital.
