Plurai veut améliorer les agents IA grâce à la méthode qui a aidé les voitures autonomes à arriver sur les routes
Plurai, une jeune pousse fondée par Ilan Kadar et Elad Levi, a annoncé mercredi avoir levé 13 millions de dollars en financement d'amorçage. Le tour a été mené par Team8, avec la participation de U&I, Velocity et Mercer. L'entreprise veut améliorer la fiabilité des agents d'IA en leur appliquant les méthodes qui ont permis aux voitures autonomes de circuler : des simulations reposant sur des données synthétiques construites à partir des systèmes numériques de chaque client. Concrètement, Plurai crée un jumeau numérique des systèmes électroniques de l'entreprise, avec sa base de connaissances et les outils auxquels l'agent aura accès en production. Elle cartographie ensuite tous les parcours possibles de l'agent et s'appuie sur ce graphe pour évaluer le modèle et corriger les cas limites. La plateforme fonctionne avec des outils agentiques existants comme Claude Code, Codex, Copilot et Cursor.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de TechCrunch AI. Lire l'article original →
L'enjeu est considérable, car les agents d'IA restent moins fiables que ne le promettent leurs vendeurs. Selon LiveBench 2.0, Claude Fable 5.2 et ChatGPT-6 Astra réussissent respectivement 82,9 et 75,6 tâches sur 100. Dans un environnement d'entreprise simulé par la société d'infrastructure EON, le meilleur modèle testé, Claude Opus 4.8, atteint 76,8 % de précision. Les défaillances sont concrètes : un agent de réservation de voyages peut ignorer les règles de dépenses face à un client insistant, combiner des informations issues de plusieurs bases de données le met en difficulté, et une longue conversation avec un robot de service client peut saturer son contexte et le mener à des erreurs. Pour Ilan Kadar, la vraie promesse de Plurai est d'utiliser les données collectées pour post-entraîner de petits modèles à poids ouverts, adaptés à chaque client. Des tests menés avec Nvidia et Nebius montrent que ces modèles dépassent des modèles de pointe de gamme intermédiaire, à moindre coût. Il évoque une réduction des coûts d'un à deux ordres de grandeur pour une qualité comparable ou supérieure.
Ce positionnement répond à une inquiétude croissante des directions informatiques sur la facture de l'IA. Reah Miyara, chercheur chez Google DeepMind et investisseur providentiel dans Plurai, estime que les modèles de pointe ne sont pas adaptés aux données spécifiques des entreprises et que leur coût n'est pas tenable à long terme. L'équipe fondatrice vient de Nexar, spécialiste de la conduite autonome, et Ilan Kadar a travaillé avec Waymo pour simuler et évaluer son logiciel de conduite par apprentissage profond de bout en bout. Il y a vu le même schéma que pour les agents : une démonstration est facile à produire, mais la fiabilité et la rentabilité sont difficiles à obtenir. Plurai parie sur une analogie avec la robotique, où les modèles généralistes séduisent mais ne sont pas encore assez fiables pour un déploiement large, tandis que des robots spécialisés travaillent déjà chez des clients et accumulent des données réelles. Kadar résume cette thèse : aussi intelligents que deviennent les modèles d'OpenAI et d'Anthropic, ils ne connaîtront pas l'activité ni les règles propres à chaque entreprise.