Plurai хочет улучшить работу ИИ-агентов тем же подходом, который помог вывести беспилотные автомобили на дороги

Почему агентам нужна проверка

Результаты тестов показывают, что современные агенты пока недостаточно надёжны для сложной работы без постоянного контроля. В LiveBench 2.0 Claude Fable 5.2 справилась с 82,9 задачи из 100, а ChatGPT-6 Astra — с 75,6. В тестировании компании EON, где агентов проверяли в симуляции корпоративной среды, лучший результат показала Claude Opus 4.8: точность выполнения задач составила 76,8%.

Даже когда агент справляется с отдельным поручением, цепочка действий может дать сбой. Агент, который бронирует поездку, способен проигнорировать правила расходов. Запрос к одной базе данных может завершиться верным ответом, но объединение сведений из нескольких наборов данных усложняет задачу. А длинный разговор с ботом службы поддержки может перегрузить агента контекстом и увести его к неправильному решению.

Симуляции на основе систем компании

Сооснователи Plurai Илан Кадар и Элад Леви ранее работали в Nexar, которая разрабатывает технологии автономного вождения. Кадар сотрудничал с Waymo: он помогал моделировать и оценивать программное обеспечение компании для сквозного глубокого обучения вождения.

По словам Кадара, команда увидела в ИИ-агентах знакомую проблему: создать демку легко, но добиться надёжной и экономичной работы сложнее. Поэтому Plurai строит для агентов слой симуляции.

Платформа создаёт цифровой двойник электронных систем компании, включая базу знаний и инструменты, к которым агент получит доступ после запуска. Затем Plurai описывает возможные пути действий агента в виде графа и использует его, чтобы проверять модель и готовить исправления для редких ситуаций. Платформа работает вместе с уже существующими инструментами для ИИ-агентов: Claude Code, Codex, Copilot и Cursor.

От больших моделей к небольшим

Plurai также собирается применять полученные данные для дообучения небольших моделей с открытыми весами под нужды отдельных клиентов. В совместных тестах с Nvidia и Nebius модели компании, по её данным, превзошли модели среднего уровня среди передовых при меньших расходах.

Кадар описал подход так: большую языковую модель разбивают с помощью симуляции на более узкие задачи, обучают на них модель с открытыми весами, а затем в той же симуляции проверяют, сопоставимо ли качество с передовой моделью. Компания заявляет, что такой способ может снизить стоимость на один или два порядка.

Бизнес Plurai поддержала как бизнес-ангел Реа Мияра, исследовательница Google DeepMind. Она считает преимуществом компании понимание того, как модели ошибаются в реальной работе, и возможность создавать синтетические данные для их настройки. По её словам, руководители ИТ-направлений сталкиваются с тем, что передовые модели плохо работают с конкретными данными бизнеса, а их стоимость в долгосрочной перспективе трудно поддерживать.

Plurai сравнивает применение ИИ в цифровой среде с робототехникой. Универсальные модели уже дают роботам новые возможности, но пока не позволяют широко применять их с необходимой надёжностью. Между тем роботы с моделями, созданными для конкретных задач, уже работают у клиентов и собирают данные из реального мира.

Кадар считает, что даже более умные модели OpenAI и Anthropic не будут знать внутренние правила конкретной компании.

Посевной раунд Plurai на $13 млн возглавила Team8. В нём также участвовали U&I, Velocity и Mercer.

По оценке Dataist, Plurai делает ставку на то, что надёжность агента зависит не только от возможностей базовой модели, но и от подготовки на данных и правилах конкретной компании. Пока преимущество более дешёвых моделей заявлено по итогам совместных тестов с Nvidia и Nebius; сведений о масштабах испытаний источник не приводит.