Plurai brengt simulatietechnologie voor zelfrijdende auto's naar AI-agenten

AI-agenten zitten momenteel gevangen in een "demo-naar-productie" vagevuur. Hoewel ze uitblinken in indrukwekkende, geïsoleerde taken, tonen benchmarkgegevens – zoals LiveBench 2.0 – aan dat zelfs topmodellen zoals Claude Fable 5.2 en ChatGPT-6 Astra moeite hebben om 85% nauwkeurigheid te behalen bij complexe, meerstaps workflows. Voor een eigenaar van een klein bedrijf betekent dit dat een agent die een vlucht kan boeken, kan falen zodra deze een aangepast bedrijfsbeleid voor uitgaven tegenkomt.

Wat is er gebeurd

Plurai, een startup opgericht door veteranen uit de sector voor autonome voertuigen, heeft $13 miljoen aan startkapitaal opgehaald om dit betrouwbaarheidsprobleem aan te pakken. Volgens TechCrunch past het bedrijf dezelfde simulatietechnieken toe die worden gebruikt om zelfrijdende auto's te trainen op de wereld van zakelijke AI-agenten. Mede-oprichters Ilan Kadar en Elad Levi, die voorheen met Waymo aan end-to-end deep learning werkten, stellen dat AI-agenten fundamenteel probabilistische systemen zijn die falen wanneer ze "randgevallen" tegenkomen – de rommelige, niet-standaard scenario's die inherent zijn aan bedrijfsactiviteiten.

Plurai bouwt een "digitale tweeling" van de interne systemen van een bedrijf, inclusief de kennisbanken en softwaretools. Door elk mogelijk interactieproces in kaart te brengen, genereert het platform synthetische data om agenten te trainen en te testen tegen deze randgevallen. Het bedrijf claimt dat ze hierdoor kleinere, open-weight modellen kunnen post-trainen die voor specifieke taken beter presteren dan frontier-modellen, tegen een fractie van de kosten. De aanpak van de startup wordt ondersteund door Google DeepMind-onderzoeker Reah Miyara, die opmerkte dat frontier-modellen vaak "buiten de distributie" vallen van de specifieke data van een bedrijf, waardoor ze zowel onbetrouwbaar als financieel onhoudbaar zijn.

Waarom dit belangrijk is voor kleine bedrijven

Als je een klein team leidt, voel je waarschijnlijk al de "frontier model-belasting". Je betaalt voor de slimste modellen die beschikbaar zijn, maar je moet ze nog steeds in de gaten houden omdat ze je specifieke bedrijfsregels niet "kennen". Plurai's focus op het trainen van kleinere, gespecialiseerde modellen is de enige weg naar werkelijk rendement op investering (ROI) voor middelgrote operaties. Vertrouwen op een enorm, algemeen model om je unieke interne workflows af te handelen is als een voorhamer gebruiken om een fotolijstje op te hangen – het is duur, onnauwkeurig en kan de muur beschadigen.

Door zich te concentreren op synthetische data en simulatie, biedt Plurai in feite een manier om een "specialistische" agent te bouwen die de eigenaardigheden van je bedrijf begrijpt zonder dat daar een enorm technisch team voor nodig is. Als hun claims standhouden, zou dit de last kunnen verschuiven van menselijk toezicht naar geautomatiseerde, op simulatie gebaseerde verificatie, waardoor agenten eindelijk taken zoals cross-database queries of complexe beleidshandhaving kunnen afhandelen zonder constante handmatige tussenkomst.

Wat je deze week kunt doen

1. Controleer je huidige agent-workflows om de top drie "randgeval"-fouten te identificeren – de specifieke scenario's waarbij je AI consequent handmatige correctie vereist.
2. Breng de interne databronnen en bedrijfsregels in kaart die je agenten momenteel lastig kunnen integreren, aangezien dit de primaire input zal zijn voor elke toekomstige op simulatie gebaseerde training.
3. Evalueer je huidige maandelijkse uitgaven aan frontier-model API's (zoals Claude of GPT) om te bepalen of je huidige "generalistische" aanpak daadwerkelijk kosteneffectief is in vergelijking met de prestaties die je ontvangt.

Bronnen

• Plurai wants to help AI agents work better using the same approach that helped get self-driving cars to roads — TechCrunch - AI