A Plurai anunciou nesta quarta-feira, 11 de novembro de 2026, a captação de US$ 13 milhões em uma rodada seed liderada pela Team8, com participação dos fundos U&I, Velocity e Mercer. A proposta da empresa é levar aos agentes de inteligência artificial o mesmo método que ajudou a colocar carros autônomos nas ruas: simulações construídas com dados sintéticos gerados a partir dos sistemas digitais de cada cliente, capazes de expor o modelo a situações-limite antes que elas apareçam em produção.
Os fundadores Ilan Kadar e Elad Levi trabalharam anteriormente na Nexar, empresa que desenvolve tecnologia para direção autônoma. Kadar atuou ao lado do Waymo na simulação e na avaliação do software de condução baseado em aprendizado profundo ponta a ponta.
Segundo ele, o padrão observado na nova onda de agentes foi o mesmo: montar uma demonstração é simples, mas chegar a algo confiável e economicamente sustentável é bem mais difícil. Daí a ideia de reproduzir a camada de simulação.
O tamanho do gargalo
O discurso da Plurai encontra respaldo em medições recentes. No LiveBench 2.0, os modelos Claude Fable 5.2 e ChatGPT-6 Astra acertaram, respectivamente, 82,9 e 75,6 de cada 100 tarefas longas com uso de agentes.
Já um teste da empresa de infraestrutura de IA EON, que submeteu agentes a um ambiente corporativo simulado, apontou o modelo com melhor desempenho, o Claude Opus 4.8, operando com 76,8% de acurácia. São números que explicam por que boa parte das organizações ainda mantém supervisão próxima sobre esses sistemas.
Parte do problema é comportamental. Um agente encarregado de reservar viagens pode ignorar políticas de gasto da companhia quando pressionado por um pedido fora do script.
Um agente que consulta um único banco de dados costuma responder bem, mas tende a travar quando precisa cruzar informações de várias fontes. Conversas longas com um bot de atendimento também podem saturar o modelo com contexto demais e levá-lo a decisões erradas.
Como funciona o gêmeo digital
A abordagem da Plurai começa pela construção de um gêmeo digital dos sistemas eletrônicos do cliente, incluindo a base de conhecimento e as ferramentas que o agente terá à disposição em produção. A partir disso, a plataforma mapeia os fluxos possíveis de atuação e usa esse grafo para preparar o modelo, com avaliações e correções voltadas a cenários extremos.
O produto funciona ao lado de ferramentas já usadas por desenvolvedores, como Claude Code, Codex, Copilot e Cursor.
O segundo passo é o que Kadar considera a promessa real da companhia: aproveitar os dados coletados nas simulações para pós-treinar modelos abertos e pequenos, ajustados à necessidade de cada cliente. Em testes feitos em parceria com a NVIDIA e a Nebius, divulgados no blog da própria empresa, os modelos resultantes superaram modelos de fronteira de porte intermediário com custo bastante inferior — a publicação fala em custo até 44 vezes menor.
A lógica descrita pelo cofundador é decompor uma tarefa grande em uma menor com apoio da simulação, treinar um modelo de pesos abertos e verificar, no mesmo ambiente simulado, se a qualidade se mantém comparável à do modelo de fronteira.
Por que isso importa
Reah Miyara, pesquisadora do Google DeepMind que investiu na Plurai como anjo, vê a vantagem competitiva justamente no entendimento dos modos de falha em produção e na geração de dados sintéticos para ajustar modelos. Para ela, a proposta ganha força num momento em que as áreas de tecnologia tentam conter a conta de IA e percebem que os modelos de fronteira não se ajustam bem aos dados específicos de cada negócio, com custo difícil de sustentar no longo prazo.
A analogia com a robótica é explícita na tese da empresa. Modelos gerais poderosos dão às máquinas capacidades impressionantes, mas ainda não são confiáveis o bastante para implantação ampla.
Enquanto isso, robôs guiados por modelos construídos para tarefas específicas já operam em campo, atendendo clientes e acumulando dados do mundo real. Kadar resume a aposta lembrando que, por mais inteligentes que os modelos da OpenAI e da Anthropic se tornem, eles não conhecem as regras e as políticas de um negócio específico.
O movimento da Plurai se soma a um mercado crescente de ferramentas de avaliação e confiabilidade para agentes, no qual simulação, dados sintéticos e modelos especializados passam a disputar espaço com a simples adoção de modelos de fronteira por API. A rodada seed, anunciada na mesma data em que a empresa detalha sua estratégia, indica que investidores veem espaço para uma camada de infraestrutura dedicada a tornar agentes corporativos menos probabilísticos e mais previsíveis.
Fontes e links
- TechCrunch
- LiveBench 2.0, resultados da categoria Long Agentic
- Estudo da EON sobre agentes em ambiente corporativo simulado
- Blog da Plurai sobre pós-treinamento de modelos abertos
