La startup Plurai vient de lever 13 millions de dollars en amorçage pour répondre à un défi majeur de l'intelligence artificielle : le manque de fiabilité des agents autonomes en environnement professionnel. En adaptant les méthodes de simulation issues de la conduite autonome, l'entreprise ambitionne de transformer des modèles probabilistes parfois imprévisibles en outils opérationnels robustes.
Une approche inspirée de la conduite autonome
Les cofondateurs de Plurai, Ilan Kadar et Elad Levi, s'appuient sur leur expérience passée dans le secteur des véhicules autonomes pour résoudre les instabilités des agents d'IA. À l'instar des logiciels de conduite qui doivent anticiper des scénarios critiques, Plurai développe une couche de simulation utilisant des données synthétiques. Cette technologie crée un « jumeau numérique » des systèmes électroniques d'une entreprise, permettant de cartographier les flux de travail et d'identifier les points de rupture avant le déploiement réel.
Optimiser la performance et les coûts
Actuellement, les agents d'IA peinent à maintenir une précision constante lorsqu'ils doivent croiser des bases de données complexes ou respecter des politiques internes strictes. La plateforme de Plurai intervient en amont pour préparer les modèles à ces cas limites. Au-delà de la simple évaluation, la startup propose d'utiliser ces données pour entraîner des modèles « open-weight » plus légers et spécialisés. Selon les tests menés avec Nvidia et Nebius, cette méthode permettrait d'obtenir des performances supérieures aux modèles de pointe actuels, tout en réduisant les coûts opérationnels de manière significative.
Un enjeu de souveraineté des données métier
L'argument central de Plurai repose sur une limite structurelle des grands modèles de langage (LLM) : leur incapacité intrinsèque à connaître les spécificités et les politiques internes d'une organisation donnée. En se concentrant sur la compréhension des modes de défaillance en production, la startup offre aux décideurs IT une alternative à la dépendance exclusive envers les modèles généralistes. Cette stratégie vise à rendre l'IA non seulement plus fiable, mais également économiquement viable sur le long terme pour les entreprises cherchant à automatiser des tâches critiques sans sacrifier la précision.