Plurai aprovecha técnicas de simulación de vehículos autónomos para mejorar la fiabilidad de agentes de IA

Image: TechCrunch · Source

Plurai aplica métodos de simulación inspirados en el desarrollo de vehículos autónomos para mejorar el rendimiento de agentes de IA, utilizando gemelos digitales y datos sintéticos para manejar tareas complejas de manera más confiable y económica.

Los agentes de IA han ganado una atención significativa por su potencial para automatizar tareas complejas, pero los modelos existentes a menudo luchan con la fiabilidad y precisión, especialmente en entornos impredecibles y del mundo real. Esfuerzos recientes de evaluación comparativa como LiveBench 2.0 y simulaciones internas corporativas revelan que incluso los agentes de IA líderes suelen completar solo alrededor del 75 al 83 % de las tareas con precisión, lo que destaca limitaciones persistentes.

Plurai, una startup liderada por antiguos expertos en vehículos autónomos de Nexar, Ilan Kadar y Elad Levi, busca abordar estas carencias empleando técnicas de simulación similares a las que permitieron que los coches autónomos fueran aptos para la carretera. Inspirados en su trabajo previo con modelos de aprendizaje profundo de extremo a extremo para conducción autónoma, los fundadores observaron paralelismos en los agentes de IA, donde mostrar demostraciones es sencillo, pero desarrollar soluciones fiables y rentables es un desafío.

Anunciada el 11 de noviembre de 2026, la ronda de financiación semilla de Plurai por 13 millones de dólares, respaldada por Team8 y otros inversores, avanzará en su enfoque de construir gemelos digitales de los sistemas electrónicos de una empresa, incluyendo bases de conocimiento y herramientas operativas. Este marco de gemelos digitales genera un mapa completo de todos los posibles flujos de interacción para los agentes de IA, permitiendo al sistema identificar y prepararse para casos límite mediante evaluaciones y correcciones específicas. Su plataforma está diseñada para complementar tecnologías de IA agentic existentes como Claude Code, Codex, GitHub Copilot y Cursor.

Una innovación significativa en la oferta de Plurai es el postentrenamiento de modelos personalizados y más pequeños con pesos abiertos basados en datos recogidos a través de estas simulaciones. Colaboraciones con Nvidia y Nebius indican que estos modelos a medida pueden superar a modelos estándares de la industria de nivel medio con costos computacionales sustancialmente reducidos, logrando a menudo ahorros de una a dos órdenes de magnitud.

La investigadora de Google DeepMind e inversionista ángel Reah Miyara destaca la experiencia de Plurai en comprender los modos de fallo de IA en producción y en generar datos sintéticos para ajustar los modelos. Esta capacidad es especialmente valiosa ya que las empresas buscan optimizar sus implementaciones de IA frente a los crecientes gastos vinculados a modelos generales de gran tamaño, que pueden no estar alineados estrechamente con los datos y políticas específicas de cada organización.

Mientras la comunidad más amplia de IA avanza hacia inteligencia general, la estrategia de Plurai enfatiza agentes de IA especializados e informados por simulación, adaptados a entornos empresariales específicos. Esto refleja tendencias observadas en la robótica, donde los sistemas de IA específicos de dominio logran resultados más consistentes en el mundo real que la IA generalizada.

Según Kadar, a pesar de las mejoras continuas en modelos importantes de IA como los de OpenAI y Anthropic, el conocimiento propietario de las políticas y datos de cada negocio sigue siendo crítico para el despliegue efectivo de agentes de IA, un nicho que Plurai apunta a cubrir integrando simulaciones y entrenamientos específicos del dominio en su plataforma.

El enfoque de Plurai podría representar un paso importante para escalar soluciones de agentes de IA fiables y rentables que satisfagan mejor las necesidades prácticas empresariales, adaptando lecciones aprendidas de la tecnología de vehículos autónomos.