Plato nimmt in Series-A-Finanzierungsrunde 16 Millionen US-Dollar ein, um simulierte Arbeitsumgebungen für KI-Agenten aufzubauen

Plato hat in einer Series-A-Finanzierungsrunde 16 Millionen US-Dollar eingenommen, um simulierte Arbeitsumgebungen aufzubauen, in denen KI-Modelle den Umgang mit Software, das Treffen geschäftlicher Entscheidungen und die Erledigung komplexer Aufgaben üben können, bevor sie in Live-Systemen eingesetzt werden. Nava Ventures führte die Finanzierungsrunde an; beteiligt waren außerdem Gradient Ventures, Transpose Platform und Mustafa Suleyman, CEO von Microsoft AI.

Damit beläuft sich Platos Gesamtfinanzierung auf 19 Millionen US-Dollar. Vorausgegangen war eine Seed-Finanzierungsrunde unter der Leitung von Gradient Ventures. Freddie Martignetti, Gründer von Nava Ventures, zieht in den Verwaltungsrat ein. Plato wurde 2025 gegründet und hat seinen Sitz in San Francisco. Das Kapital will das Unternehmen nutzen, um seine Bibliothek an Arbeitsumgebungen und das Angebot für KI-Entwickler auszubauen.

Die Investition setzt bei einer praktischen Herausforderung auf dem Weg von Chatbots zu Agenten an: Eine überzeugende Antwort zu formulieren und eine Aufgabe auszuführen, sind unterschiedliche Fähigkeiten. Ein Agent, der einen Einkauf, einen Supportfall oder einen Buchhaltungsprozess bearbeitet, muss die richtigen Werkzeuge einsetzen, Informationen abgleichen, Vorgaben einhalten und dafür sorgen, dass die zugrunde liegenden Datensätze den korrekten Stand haben.

Ein Übungsraum, in dem Live-Datensätze unverändert bleiben

Das Training eines Agenten in einem echten Geschäftssystem kann Folgen haben, bevor der Agent einsatzbereit ist. Bei einer Einkaufsaufgabe könnte Geld ausgegeben werden, während ein Verwaltungsablauf den Datensatz eines tatsächlichen Kunden oder Mitarbeiters ändern könnte. Plato bildet diese Abläufe in abgeschirmten Umgebungen nach, die Entwickler zurücksetzen und wiederverwenden können.

„Komplexe Aufgaben in der realen Welt zu meistern, gelingt durch praktische Erfahrung mit genau diesen Aufgaben“, sagte Robert Farlow, Mitgründer und CEO von Plato, in der Ankündigung. Die Simulationen des Unternehmens sollen die Werkzeuge, Entscheidungen und unerwarteten Situationen abbilden, die berufliche Tätigkeiten schwierig machen.

Plato arbeitet mit Fachleuten zusammen, um Tätigkeiten in den Bereichen Kundensupport, Personalwesen, Finanzen, Buchhaltung und Verwaltung im Gesundheitswesen nachzubilden. KI-Labore können die daraus entstehenden Umgebungen für bestärkendes Lernen nutzen: Dabei führen Modelle Aufgaben aus und lernen anhand von Rückmeldungen aus wiederholter Erfahrung. Die Umgebungen eignen sich außerdem zur Bewertung ihrer Leistung.

Von Softwaresimulatoren zu überprüfbaren Arbeitsabläufen

Auf der Website des Unternehmens wird Plato als angewandtes Forschungslabor beschrieben, das Software und Daten aus der realen Welt in Umgebungen für das Training und die Bewertung von Agenten überführt. In einem beispielhaften Entwicklerablauf wird eine Sitzung mit mehreren Simulatoren erstellt, eine Aufgabe geladen, ein Agent ausgeführt und anschließend der resultierende Durchlauf bewertet. Das Beispiel kombiniert Simulatoren für GitHub, Jira und Stripe und veranschaulicht, wie sich eine Aufgabe über mehrere Werkzeuge erstrecken kann.

Diese Struktur bietet Entwicklern eine wiederholbare Lerneinheit: einen anfänglichen Arbeitsbereich, eine zu erledigende Aufgabe, die Aktionen des Agenten und Prüfungen des Ergebnisses. Durch das Zurücksetzen des Arbeitsbereichs lässt sich dieselbe Aufgabe erneut bearbeiten, ohne dass sich Änderungen in einem Live-Konto ansammeln.

Platos Forschungsbericht Computer Work Val v1.0 vom 27. Oktober beschreibt einen Validierungssatz mit 300 Aufgaben aus 10 Domänen und 36 Berufsrollen, die in 210 simulierten Anwendungen ausgeführt werden. Das Unternehmen erklärt, dass Mitwirkende Teile ihrer eigenen Arbeit in Umgebungen übertragen, die auf Software-Replikaten und simulierten Daten basieren.

In einem Beispiel soll ein Agent mithilfe simulierter Tabellenkalkulations-, E-Mail-, Zahlungs- und Banking-Tools eine vierteljährliche Gewinn-und-Verlust-Rechnung erstellen. Separate Prüfinstanzen kontrollieren Anforderungen wie die buchhalterische Behandlung, die korrekte Währungsumrechnung und die Zustellung der endgültigen Datei. So kann ein folgenreicher Fehler in einem ansonsten abgeschlossenen Arbeitsablauf aufgedeckt werden: Ein Bericht kann zwar den richtigen Empfänger erreichen, aber dennoch die Einnahmen zu hoch ausweisen.

Der Bericht beschreibt außerdem die Überprüfung durch Fachleute aus dem jeweiligen Berufsfeld sowie Prüfungen auf Fehler in der Umgebung, Diskrepanzen zwischen Aufgabenstellungen und Bewertung und die Manipulation von Belohnungssystemen. Im Mittelpunkt stehen Aufgaben, die alle für den Erfolg nötigen Informationen enthalten und dennoch Schlussfolgerungen über mehrere Quellen hinweg erfordern.

Warum das Bewertungssystem wichtig ist

Die Rückmeldungen einer Simulation prägen, was ein Modell lernt. Belohnt eine Bewertung den Abschluss eines Einkaufs, ohne das Budget zu prüfen, könnte sie dem Agenten beibringen, die Erledigung über jene Anweisungen zu stellen, die der Aufgabe erst ihren Sinn geben.

Plato zufolge bewertet das Unternehmen sowohl das Ergebnis als auch den Weg des Modells dorthin. Dabei prüft es unter anderem, ob das Modell die Anweisungen befolgt und die Vorgaben eingehalten hat. Außerdem untersucht Plato, ob Modelle Schwachstellen in einer Umgebung ausnutzen, um eine Punktzahl zu erzielen, die keine ordnungsgemäße Arbeit widerspiegelt.

„Wir entwickeln Bewertungen, die den tatsächlichen Anforderungen einer Tätigkeit entsprechen, damit Entwickler zwischen einer hohen Punktzahl und korrekt erledigter Arbeit unterscheiden können“, sagte Pranav Putta, Mitgründer und CTO von Plato.

Der separate Web Clone Bench des Unternehmens untersucht, wie gut Modelle Webanwendungen anhand von Referenzumgebungen nachbilden können. Plato zufolge gehören Funktionsprüfungen und menschliche Qualitätssicherung zur Entwicklung möglichst originalgetreuer Replikate. Für die Trainingsinfrastruktur ist diese Genauigkeit eine technische Voraussetzung: Fehlende Funktionen oder unrealistische Abkürzungen können beeinflussen, welche Strategien ein Agent lernt.

Mehr praktische Erfahrung aus der realen Welt ermöglichen

Farlow entwickelte zuvor bei Yutori eine Annotationsplattform, die das Training von Modellen zur Computernutzung unterstützt. Putta verfügt über Erfahrung in den Bereichen Computer Vision, Robotik und bestärkendes Lernen sowie über Erfahrung mit Modellen zur Computernutzung bei MultiOn.

Mit der neuen Finanzierung sollen Fachleute dafür bezahlt werden, weitere Teile ihrer Arbeit in simulierten Umgebungen nachzubilden. Plato plant außerdem, KI-Agenten für reale Aufgaben einzusetzen, um zusätzliche Erfahrungen zu sammeln, und entwickelt realistischere Simulationen mit längeren Arbeitsabläufen und Interaktionen mit simulierten Menschen.

Die Finanzierungsrunde reiht sich in die umfassenderen Investitionen in die Infrastruktur für das Training von Agenten ein, darunter die Finanzierung von Umgebungen für bestärkendes Lernen und KI-Agenten durch Labelbox. Plato setzt darauf, dass Modelle zunehmend realitätsnahe Übungsmöglichkeiten benötigen, ergänzt durch Evaluierungen, die die Regeln der jeweiligen Arbeit berücksichtigen. Wie wertvoll diese Infrastruktur ist, hängt davon ab, wie gut die Erfahrungen in einer Simulation einen Agenten auf die Entscheidungen vorbereiten, die er außerhalb der Simulation treffen muss.