Plato haalt 16 miljoen dollar op in Series A-financieringsronde voor de bouw van gesimuleerde werkomgevingen voor AI-agenten

Plato heeft 16 miljoen dollar opgehaald in een Series A-financieringsronde om gesimuleerde werkomgevingen te bouwen waarin AI-modellen kunnen oefenen met software, zakelijke beslissingen kunnen nemen en complexe taken kunnen uitvoeren voordat ze in live systemen aan de slag gaan. Nava Ventures leidde de ronde, waaraan ook Gradient Ventures, Transpose Platform en Mustafa Suleyman, CEO van Microsoft AI, deelnamen.

Met deze financiering komt het totale opgehaalde bedrag van Plato op 19 miljoen dollar, na een seedronde onder leiding van Gradient Ventures. Freddie Martignetti, oprichter van Nava Ventures, treedt toe tot de raad van bestuur. Plato, opgericht in 2025 en gevestigd in San Francisco, zal het kapitaal gebruiken om zijn bibliotheek met werkomgevingen uit te breiden en AI-ontwikkelaars meer mogelijkheden te bieden om ermee aan de slag te gaan.

De investering is gericht op een praktische beperking bij de overstap van chatbots naar agents: een overtuigend antwoord geven en een taak uitvoeren zijn verschillende vaardigheden. Een agent die een aankoop, een supportverzoek of een boekhoudkundige workflow afhandelt, moet de juiste hulpmiddelen gebruiken, informatie met elkaar in overeenstemming brengen, zich aan beperkingen houden en ervoor zorgen dat de onderliggende gegevens in de juiste staat achterblijven.

Een plek om te oefenen zonder gegevens in live systemen te wijzigen

Een agent trainen in een echt bedrijfssysteem kan gevolgen hebben voordat de agent er klaar voor is. Een inkooptaak kan geld uitgeven, terwijl een administratieve workflow gegevens van een echte klant of werknemer kan wijzigen. Plato bootst zulke workflows na in afgeschermde omgevingen die ontwikkelaars kunnen resetten en opnieuw kunnen gebruiken.

“Echte, complexe werkzaamheden beheersen doe je door ervaring op te doen met die taken”, zei Robert Farlow, medeoprichter en CEO van Plato, in de aankondiging. De simulaties van het bedrijf zijn bedoeld om de hulpmiddelen, beslissingen en onverwachte situaties vast te leggen die professioneel werk moeilijk maken.

Plato werkt samen met vakexperts om werkzaamheden na te bootsen op het gebied van klantenservice, personeelszaken, financiën, boekhouding en zorgadministratie. AI-labs kunnen de daaruit voortkomende omgevingen gebruiken voor leren door bekrachtiging, waarbij modellen taken proberen uit te voeren en op basis van feedback leren door herhaaldelijk te oefenen, en om hun prestaties te evalueren.

Van softwaresimulators tot workflows die controleerbaar zijn

De website van het bedrijf omschrijft Plato als een toegepast onderzoekslab dat software en gegevens uit de praktijk omzet in omgevingen voor het trainen en evalueren van agents. In een voorbeeld van een workflow voor ontwikkelaars wordt een sessie met meerdere simulators aangemaakt, een taak geladen, een agent uitgevoerd en het resulterende uitvoeringstraject geëvalueerd. Het voorbeeld combineert simulators van GitHub, Jira en Stripe en laat zien hoe één taak meerdere hulpmiddelen kan omvatten.

Die opzet biedt ontwikkelaars een herhaalbare oefeneenheid: een beginwerkruimte, een uit te voeren taak, de acties van de agent en controles van het resultaat. Door de werkruimte te resetten, kan hetzelfde probleem opnieuw worden geprobeerd zonder dat wijzigingen zich opstapelen in een live account.

In Plato’s onderzoeksrapport Computer Work Val v1.0, gedateerd op 27 oktober, wordt een validatieset beschreven met 300 taken in 10 domeinen en 36 functies, uitgevoerd in 210 gesimuleerde applicaties. Volgens het bedrijf zetten deelnemers onderdelen van hun eigen werk om in omgevingen die zijn opgebouwd uit softwarekopieën en fictieve gegevens.

In één voorbeeld moet een agent met gesimuleerde hulpmiddelen voor spreadsheets, e-mail, betalingen en bankzaken een kwartaaloverzicht van winst en verlies opstellen. Afzonderlijke controleprogramma’s toetsen vereisten zoals de boekhoudkundige verwerking, de juiste valutaomrekening en de levering van het eindbestand. Die aanpak kan een ingrijpende fout aan het licht brengen in een workflow die verder is afgerond: een rapport kan bij de juiste ontvanger terechtkomen en toch de omzet te hoog weergeven.

Het rapport beschrijft ook beoordelingen door experts uit het betreffende vakgebied en controles op gebreken in de omgeving, afwijkingen tussen opdrachten en beoordelingscriteria en het manipuleren van beloningen. De nadruk ligt op taken die voldoende informatie bevatten om ze goed uit te voeren, maar waarvoor nog steeds redeneren op basis van meerdere bronnen nodig is.

Waarom het beoordelingssysteem ertoe doet

De feedback van een simulatie beïnvloedt wat een model leert. Als een evaluatie een voltooide aankoop beloont zonder het budget te controleren, kan de agent leren om de taak koste wat kost af te ronden, ten koste van de instructies die de taak betekenisvol maakten.

Volgens Plato evalueert het bedrijf zowel de uitkomst als de manier waarop het model die heeft bereikt, waaronder de vraag of het de instructies heeft gevolgd en zich aan de beperkingen heeft gehouden. Ook onderzoekt het of modellen zwakke plekken in een omgeving uitbuiten om een score te behalen die niet weergeeft of het werk correct is uitgevoerd.

“We bouwen evaluaties die weerspiegelen wat het werk daadwerkelijk vereist, zodat ontwikkelaars een hoge score kunnen onderscheiden van werk dat correct is uitgevoerd”, zei Pranav Putta, medeoprichter en CTO van Plato.

De afzonderlijke Web Clone Bench van het bedrijf onderzoekt hoe goed modellen webapplicaties kunnen nabouwen op basis van referentieomgevingen. Plato beschrijft controles op functionaliteit en kwaliteitsborging door mensen als onderdelen van het bouwen van zeer nauwkeurige replica’s. Voor trainingsinfrastructuur is nauwkeurigheid een technische vereiste: ontbrekend gedrag of onrealistische shortcuts kunnen veranderen welke strategieën een agent leert.

Financiering voor meer praktijkervaring

Farlow bouwde eerder bij Yutori een annotatieplatform ter ondersteuning van de training van modellen die computers bedienen. Putta heeft ervaring met computer vision, robotica en versterkend leren, en werkte bij MultiOn aan modellen die computers bedienen.

Met de nieuwe financiering worden professionals betaald om meer van hun werkzaamheden na te bootsen in gesimuleerde omgevingen. Plato is ook van plan AI-agenten in te zetten voor echte taken om extra ervaring op te doen, en ontwikkelt rijkere simulaties met langere werkprocessen en interacties met gesimuleerde mensen.

De financieringsronde volgt op bredere investeringen in infrastructuur voor het trainen van agenten, waaronder de financiering van Labelbox voor omgevingen voor versterkend leren en AI-agenten. Plato zet erop in dat modellen een groeiende hoeveelheid realistische oefening nodig hebben, in combinatie met evaluaties die de regels van het werk in stand houden. De waarde van die infrastructuur hangt af van de mate waarin ervaring in een simulatie een agent voorbereidt op de beslissingen waarmee die buiten de simulatie te maken krijgt.