A Plurai é uma startup que cria simulações a partir de dados sintéticos baseados nos sistemas digitais próprios de um cliente, para identificar e corrigir as situações que levam agentes de IA a falhar. A empresa captou US$ 13 milhões em uma rodada de investimento semente liderada pela Team8. Segundo a companhia, seus modelos pequenos ajustados superaram modelos de fronteira de nível intermediário em testes, com custo de operação menor.

Uma startup chamada Plurai quer resolver o problema de confiabilidade que afeta os agentes de IA tomando emprestada uma técnica da indústria de carros autônomos. A empresa cria simulações a partir de dados sintéticos baseadas nos sistemas digitais próprios de um cliente, projetadas para expor e preparar os modelos para as situações complicadas que costumam fazê-los falhar. Na quarta-feira, a Plurai informou ter captado US$ 13 milhões em uma rodada semente. A rodada foi liderada pela Team8, com participação da U&I, da Velocity e da Mercer.

Por que os agentes de IA são pouco confiáveis em produção?

A necessidade é difícil de contestar. Benchmarks mostram que os agentes de IA, apesar do hype, normalmente não são confiáveis o bastante para funcionar sem supervisão humana próxima. Os resultados do LiveBench 2.0 mostram que os principais modelos têm sucesso na grande maioria das tarefas, mas ficam bem aquém da perfeição. Um esforço da empresa de infraestrutura de IA EON para testar agentes em um ambiente corporativo simulado constatou que o modelo de melhor desempenho entre os testados executou tarefas com 76,8% de precisão.

Os cofundadores da Plurai, Ilan Kadar e Elad Levi, trabalharam anteriormente na Nexar, que desenvolve tecnologia de direção autônoma. Kadar trabalhou com a Waymo para simular e avaliar o software de direção de ponta a ponta baseado em aprendizado profundo da empresa. Ele afirma que o mesmo padrão que observou na direção autônoma agora aparece nos agentes.

“No momento em que vimos a onda de agentes de IA, vimos o mesmo padrão: é muito fácil criar uma demonstração, mas [difícil] conseguir algo confiável e com custo-benefício”, disse Kadar ao TechCrunch. “Como vimos o mesmo padrão, a proposta era que queríamos construir essa camada de simulação.”

Assim como os modelos de ponta a ponta que dirigem carros, os agentes de IA são sistemas probabilísticos que operam em ambientes imprevisíveis. Um agente que reserva viagens pode ignorar as políticas de gastos de uma empresa quando pressionado por um cliente. Um agente pode responder de forma confiável a uma pergunta extraída de um banco de dados, mas combinar informações de vários conjuntos de dados muitas vezes faz com que ele tropece. Uma conversa longa com um chatbot de atendimento ao cliente pode sobrecarregar o agente com tanto contexto que ele acaba tomando um caminho errado.

Como a Plurai torna os agentes de IA mais confiáveis?

A resposta da Plurai é criar um gêmeo digital dos sistemas eletrônicos da empresa, incluindo a base de conhecimento e as ferramentas que o agente usará em produção. A plataforma então mapeia todos os fluxos possíveis que o agente pode seguir e usa esse mapa para preparar o modelo com avaliações e correções para os casos extremos prováveis. A solução funciona em conjunto com ferramentas de programação agentiva já existentes, incluindo Claude Code, Codex, Copilot e Cursor.

Modelos pequenos podem reduzir o custo dos agentes de IA?

Kadar afirma que a oportunidade maior está nos dados que a plataforma coleta. A Plurai usa esses dados para realizar pós-treinamento de modelos pequenos de pesos abertos, adaptados às necessidades específicas de cada cliente. Em testes realizados com a Nvidia e a Nebius, os modelos da empresa superaram modelos de fronteira de nível intermediário, com custo de operação menor.

“Podemos pegar um grande modelo de linguagem, pegar a tarefa, decompô-la em uma tarefa menor usando a simulação, treinar um modelo [de pesos abertos] e, usando a simulação, verificar que a qualidade é superior ou comparável à do modelo de fronteira, com uma redução de custo de uma ou duas ordens de grandeza”, disse ele.

Reah Miyara, pesquisador do Google DeepMind que investiu na Plurai como investidor-anjo, afirmou que a vantagem da empresa vem da compreensão de como os agentes falham em produção e da geração de dados sintéticos para ajustar modelos a essas falhas. À medida que as empresas buscam maneiras de conter os gastos com IA, segundo ele, esse foco pode se mostrar valioso. Líderes de TI estão percebendo que “modelos com capacidade de fronteira estão fora da distribuição dos meus dados específicos, e o custo dessas coisas não é sustentável no longo prazo”, disse Miyara.

A Plurai também argumenta que lições da IA física se aplicam aos agentes de software. Modelos gerais poderosos estão dando aos robôs habilidades impressionantes, mas ainda não são confiáveis o suficiente para implantação em larga escala. Robôs que executam modelos criados para tarefas específicas, em contraste, já estão trabalhando para clientes e coletando dados valiosos do mundo real.

Kadar resumiu o núcleo da proposta da empresa de forma simples. “Minha visão é que, não importa quão inteligentes sejam os modelos da OpenAI e da Anthropic — e eles serão muito mais inteligentes —, eles não vão conhecer o seu negócio nem a sua política”, disse ele.

Dieser Artikel wurde mit Unterstützung von KI verfasst.
News Factory APP - agentische News für besseres SEO & AEO.