Από τα αυτόνομα οχήματα στους AI agents: Η Plurai αντλεί 13 εκατ. δολάρια για να λύσει το πρόβλημα αξιοπιστίας της τεχνητής νοημοσύνης

Παρά τον έντονο ενθουσιασμό γύρω από τους αυτόνομους πράκτορες τεχνητής νοημοσύνης (AI agents), η πραγματικότητα της επιχειρησιακής τους χρήσης παραμένει προβληματική. Ενώ υπόσχονται να εκτελούν περίπλοκες εργασίες χωρίς ανθρώπινη επίβλεψη, διάφορες μετρήσεις και δοκιμές αποδεικνύουν ότι τα ποσοστά επιτυχίας τους σπάνια ξεπερνούν το 75-80% σε ρεαλιστικά εταιρικά περιβάλλοντα. Τη λύση σε αυτό το κρίσιμο κενό αξιοπιστίας έρχεται να δώσει η startup Plurai, αντλώντας έμπνευση από τις τεχνολογίες που επέτρεψαν στα αυτόνομα αυτοκίνητα να κυκλοφορήσουν με ασφάλεια στους δρόμους.

Η μέθοδος των αυτόνομων οχημάτων στην υπηρεσία του λογισμικού

Η Plurai ανακοίνωσε την ολοκλήρωση ενός γύρου χρηματοδότησης ύψους 13 εκατομμυρίων δολαρίων, με επικεφαλής το fund Team8 και τη συμμετοχή των επενδυτικών κεφαλαίων U&I, Velocity και Mercer. Οι συνιδρυτές της εταιρείας, Ιλάν Καντάρ και Ελάντ Λεβί, διαθέτουν μακρά εμπειρία στον τομέα της αυτόνομης οδήγησης μέσω της Nexar, ενώ ο Καντάρ έχει συνεργαστεί στενά με τη Waymo για την αξιολόγηση και την προσομοίωση συστημάτων βαθιάς μάθησης.

Όπως εξηγούν οι ιδρυτές, οι AI agents μοιάζουν σε μεγάλο βαθμό με τα συστήματα αυτόνομης οδήγησης: πρόκειται για πιθανολογικά συστήματα που καλούνται να λειτουργήσουν σε απρόβλεπτα ψηφιακά περιβάλλοντα. Σε πραγματικές συνθήκες, ένας ψηφιακός βοηθός μπορεί να παραβιάσει εταιρικές πολιτικές εξόδων όταν πιέζεται από έναν χρήστη ή να αποτύχει όταν συνδυάζει πληροφορίες από πολλαπλές βάσεις δεδομένων, λόγω υπερφόρτωσης του πλαισίου συνομιλίας.

Ψηφιακά δίδυμα και εκπαίδευση σε οριακές περιπτώσεις

Η προσέγγιση της Plurai βασίζεται στη δημιουργία ενός «ψηφιακού διδύμου» (digital twin) της τεχνολογικής υποδομής μιας επιχείρησης. Η πλατφόρμα χαρτογραφεί όλες τις πιθανές ροές εργασίας των πρακτόρων, εντοπίζει τις οριακές περιπτώσεις (edge cases) και δημιουργεί συνθετικά δεδομένα μέσα από εξειδικευμένες προσομοιώσεις. Με τον τρόπο αυτό, ο πράκτορας δοκιμάζεται και διορθώνεται πριν καν βρεθεί σε περιβάλλον παραγωγής, συνεργαζόμενος αρμονικά με εργαλεία όπως τα Claude Code, Codex, Copilot και Cursor.

«Ανεξάρτητα από το πόσο έξυπνα θα γίνουν τα μοντέλα της OpenAI ή της Anthropic, δεν πρόκειται ποτέ να γνωρίζουν τις εξατομικευμένες διαδικασίες και την πολιτική της εκάστοτε επιχείρησης», υπογραμμίζει ο Ιλάν Καντάρ, τονίζοντας την ανάγκη για προσαρμοσμένες λύσεις.

Μικρότερα, εξειδικευμένα μοντέλα με χαμηλότερο κόστος

Το πραγματικό πλεονέκτημα της τεχνολογίας αυτής δεν περιορίζεται μόνο στη δοκιμή, αλλά επεκτείνεται στη μετα-εκπαίδευση (post-training) μικρών μοντέλων ανοιχτού βάρους (open-weight models). Σε δοκιμές που πραγματοποιήθηκαν σε συνεργασία με την Nvidia και τη Nebius, τα προσαρμοσμένα αυτά μοντέλα κατάφεραν να ξεπεράσουν σε επιδόσεις κορυφαία μοντέλα της αγοράς, μειώνοντας παράλληλα το κόστος κατά μία ή δύο τάξεις μεγέθους.

Την πρωτοβουλία στηρίζει ως άγγελος-επενδυτής και ο ερευνητής της Google DeepMind, Ρία Μιγιάρα, ο οποίος επισημαίνει ότι η συνθετική παραγωγή δεδομένων και η κατανόηση των σημείων αποτυχίας αποτελούν το κλειδί για να καταστεί η χρήση της τεχνητής νοημοσύνης βιώσιμη μακροπρόθεσμα για τις επιχειρήσεις.