Plato raccoglie 16 milioni di dollari in un round di Serie A per creare ambienti di lavoro simulati per agenti IA

Plato ha raccolto 16 milioni di dollari in un round di Serie A per creare ambienti di lavoro simulati in cui i modelli di IA possano esercitarsi a usare software, prendere decisioni aziendali e portare a termine attività complesse prima di operare in sistemi reali. Il round è stato guidato da Nava Ventures, con la partecipazione di Gradient Ventures, Transpose Platform e Mustafa Suleyman, CEO di Microsoft AI.

Il finanziamento porta il totale raccolto da Plato a 19 milioni di dollari, dopo un round seed guidato da Gradient Ventures. Freddie Martignetti, fondatore di Nava Ventures, entrerà nel consiglio di amministrazione. Fondata nel 2025 e con sede a San Francisco, Plato utilizzerà il capitale per ampliare la propria raccolta di ambienti di lavoro e l’esperienza a disposizione degli sviluppatori di IA.

L’investimento punta a superare un limite pratico nel passaggio dai chatbot agli agenti: dare una risposta convincente e portare a termine un’attività sono capacità diverse. Un agente che gestisce un acquisto, una richiesta di assistenza o un flusso di lavoro contabile deve usare gli strumenti giusti, conciliare le informazioni, rispettare i vincoli e lasciare i dati sottostanti nello stato corretto.

Un luogo in cui esercitarsi senza modificare i dati reali

Addestrare un agente all’interno di un sistema aziendale reale può avere conseguenze prima che sia pronto. Un’attività di acquisto potrebbe comportare una spesa, mentre un flusso di lavoro amministrativo potrebbe modificare i dati effettivi di un cliente o di un dipendente. Plato ricrea questi flussi di lavoro in ambienti isolati che gli sviluppatori possono ripristinare e riutilizzare.

«Padroneggiare attività complesse del mondo reale richiede esperienza diretta nello svolgerle», ha dichiarato Robert Farlow, cofondatore e CEO di Plato, nell’annuncio. Le simulazioni dell’azienda mirano a riprodurre gli strumenti, le decisioni e gli imprevisti che rendono difficile il lavoro professionale.

Plato collabora con esperti di settore per ricreare attività nell’assistenza clienti, nella gestione del personale, nella finanza, nella contabilità e nell’amministrazione sanitaria. I laboratori di IA possono usare gli ambienti così ottenuti per l’apprendimento per rinforzo, in cui i modelli svolgono attività e imparano dai riscontri attraverso esperienze ripetute, oltre che per valutarne le prestazioni.

Dai simulatori software ai flussi di lavoro verificabili

Il sito web dell’azienda descrive Plato come un laboratorio di ricerca applicata che trasforma software e dati del mondo reale in ambienti per addestrare e valutare gli agenti. Il flusso di lavoro illustrativo per gli sviluppatori crea una sessione con più simulatori, carica un’attività, avvia un agente e valuta la sequenza di esecuzione risultante. L’esempio combina simulatori di GitHub, Jira e Stripe, mostrando come un’unica attività possa coinvolgere diversi strumenti.

Questa struttura offre agli sviluppatori un’unità di esperienza ripetibile: un ambiente di lavoro iniziale, un’attività da portare a termine, le azioni dell’agente e le verifiche del risultato. Ripristinare l’ambiente consente di affrontare di nuovo lo stesso problema senza accumulare modifiche in un account reale.

Il rapporto di ricerca Computer Work Val v1.0 di Plato, datato 27 ottobre, descrive un insieme di validazione composto da 300 attività che coprono 10 settori e 36 ruoli, eseguite su 210 applicazioni simulate. L’azienda afferma che i collaboratori trasformano parti del proprio lavoro in ambienti basati su repliche software e dati fittizi.

Un esempio chiede a un agente di preparare un conto economico trimestrale usando strumenti simulati per fogli di calcolo, posta elettronica, pagamenti e servizi bancari. Verificatori distinti controllano requisiti come il trattamento contabile, la corretta conversione valutaria e la consegna del file finale. Questo approccio può far emergere un errore rilevante anche in un flusso di lavoro altrimenti completato: un rapporto può arrivare al destinatario giusto e, al tempo stesso, sovrastimare i ricavi.

Il rapporto descrive anche la revisione da parte di esperti della professione pertinente e controlli per individuare difetti negli ambienti, discrepanze tra le istruzioni e i criteri di valutazione, nonché comportamenti opportunistici volti a massimizzare la ricompensa. L’attenzione è rivolta ad attività che contengano le informazioni necessarie per riuscire, ma richiedano comunque di ragionare su più fonti.

Perché il sistema di valutazione è importante

I riscontri forniti da una simulazione influenzano ciò che un modello impara. Se una valutazione premia un acquisto completato senza controllare il budget, potrebbe insegnare all’agente a dare la precedenza al completamento rispetto alle istruzioni che conferiscono senso all’attività.

Plato afferma di valutare sia il risultato sia il modo in cui il modello lo ha raggiunto, verificando anche se ha seguito le istruzioni e rispettato i vincoli. Esamina inoltre se i modelli sfruttano le debolezze di un ambiente per ottenere un punteggio che non corrisponde a un lavoro svolto correttamente.

«Creiamo valutazioni che rispecchiano ciò che il lavoro richiede davvero, così gli sviluppatori possono distinguere un punteggio elevato da un lavoro svolto correttamente», ha dichiarato Pranav Putta, cofondatore e CTO di Plato.

Il progetto distinto dell’azienda, Web Clone Bench, esamina la capacità dei modelli di ricreare applicazioni web a partire da ambienti di riferimento. Plato descrive i controlli funzionali e la verifica della qualità da parte di persone come parte del processo di realizzazione di repliche ad alta fedeltà. Per le infrastrutture di addestramento, la fedeltà è un requisito tecnico: comportamenti mancanti o scorciatoie poco realistiche possono modificare le strategie apprese da un agente.

Finanziare più esperienze del mondo reale

Farlow aveva già realizzato presso Yutori una piattaforma di annotazione a supporto dell’addestramento di modelli capaci di usare il computer. Putta ha maturato esperienza nella visione artificiale, nella robotica e nell’apprendimento per rinforzo, oltre ad aver lavorato sui modelli capaci di usare il computer di MultiOn.

I nuovi fondi serviranno a retribuire professionisti perché ricreino una parte maggiore del proprio lavoro in ambienti simulati. Plato intende inoltre impiegare agenti IA in attività reali per raccogliere ulteriore esperienza e sta sviluppando simulazioni più ricche, con flussi di lavoro più lunghi e interazioni con persone simulate.

Il round si inserisce in un più ampio flusso di investimenti nelle infrastrutture per l’addestramento degli agenti, tra cui il finanziamento di Labelbox per ambienti di apprendimento per rinforzo e agenti IA. La scommessa di Plato è che i modelli abbiano bisogno di una quantità crescente di esercitazioni realistiche, affiancate da valutazioni che rispettino le regole del lavoro. Il valore di queste infrastrutture dipende da quanto l’esperienza acquisita in una simulazione prepari un agente alle decisioni che dovrà affrontare al di fuori di essa.