IA11 nov 2026, 17:01 UTC·2 min de lectura

Plurai capta 13 millones de dólares para hacer fiables los agentes de IA

Plurai aplica las simulaciones de los coches autónomos para que los agentes de IA sean más fiables y baratos, y cierra una ronda semilla de 13 millones de dólares.

Illustration of an AI agent being tested in a simulated digital environment modeled on a company's systems, with a self-driving car motif. — Imagen: TechCrunch

Plurai, una startup que busca que los agentes de IA sean más fiables, anunció que ha recaudado 13 millones de dólares en una ronda semilla. La lidera Team8, con participación de U&I, Velocity y Mercer.

La empresa aplica una técnica de la conducción autónoma: simulaciones con datos sintéticos para preparar a los modelos ante casos límite difíciles. Sus cofundadores, Ilan Kadar y Elad Levi, trabajaron antes en Nexar, desarrolladora de tecnología de conducción autónoma. Kadar colaboró con Waymo para simular y evaluar su software de conducción basado en aprendizaje profundo de extremo a extremo.

Agentes que aún necesitan supervisión

Las pruebas comparativas muestran que los agentes no son lo bastante fiables para trabajar sin vigilancia. En LiveBench 2.0, Claude Fable 5.2 y ChatGPT-6 Astra completan 82,9 y 75,6 de 100 tareas, respectivamente. Una prueba de la empresa de infraestructura de IA EON en un entorno corporativo simulado dio al mejor modelo, Claude Opus 4.8, una precisión del 76,8 %.

Kadar describe a los agentes como sistemas probabilísticos que operan en entornos impredecibles, igual que los modelos de conducción. Un agente de reservas de viajes puede saltarse las políticas de gasto si el cliente insiste, combinar varios conjuntos de datos le cuesta, y las conversaciones largas de atención al cliente lo saturan de contexto.

Plurai crea un gemelo digital de los sistemas electrónicos de la empresa, con la base de conocimiento y las herramientas que el agente usará en producción. La plataforma mapea todos los flujos posibles del agente y, con ese grafo, prepara el modelo mediante evaluaciones y correcciones. Funciona junto a Claude Code, Codex, Copilot y Cursor.

Modelos pequeños y más baratos

Según Kadar, la verdadera promesa es usar esos datos para entrenar posteriormente modelos pequeños de pesos abiertos adaptados a cada cliente. En pruebas con Nvidia y Nebius, los modelos de Plurai superaron a modelos de frontera de gama media con menor coste. Afirma que logran calidad igual o superior con una reducción de costes de uno o dos órdenes de magnitud.

Reah Miyara, investigador de Google DeepMind e inversor ángel de Plurai, señala que los responsables de TI ven los modelos de frontera poco ajustados a sus datos y demasiado costosos a largo plazo. Kadar añade que, por muy inteligentes que sean los modelos de OpenAI y Anthropic, «no conocerán tu negocio ni tus políticas».