Plurai, la startup que simula agentes de IA, levanta US$13M

Plurai levanta US$13M para que los agentes de IA no fallen en producción

Plurai cerró una ronda seed de US$13 millones liderada por Team8, con participación de U&I, Velocity y Mercer, según informó TechCrunch. La startup no vende otro framework de agentes: vende la capa de simulación que promete que esos agentes funcionen sin supervisión constante.

El problema que ataca tiene números incómodos. LiveBench 2.0 muestra a Claude Fable 5.2 y ChatGPT-6 Astra resolviendo 82,9 y 75,6 de cada 100 tareas respectivamente. Y una prueba de la empresa de infraestructura de IA EON en un entorno corporativo simulado encontró que el modelo con mejor desempeño, Claude Opus 4.8, completó tareas con 76,8% de precisión. Traducido a negocio: uno de cada cuatro intentos sale mal.

Para un founder que está poniendo un agente frente a clientes o frente a su propio back office, esa diferencia es la que separa automatizar de crear un pasivo operativo.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Por qué los agentes de IA fallan cuando la tarea se alarga

El dato clave no es la precisión por paso, sino cómo se acumula el error. Eshaan Gulati, fundador de Argide, lo explica con aritmética simple en un análisis publicado por TechTimes: un agente que acierta el 99% de sus pasos individuales completa una tarea de 10 pasos alrededor del 90% de las veces, pero una de 100 pasos apenas el 37%. El modelo no empeoró; la tarea se hizo más larga.

El benchmark OSWorld 2.0, presentado el 28 de junio de 2026, pone ese problema en un escenario más duro: 108 tareas de computadora que a una persona con experiencia le toman una mediana de 1,6 horas. Claude Opus 4.8 completó el 20,6% y GPT-5.5 cerca del 14%, según TechTimes. En la categoría donde un humano necesitaba más de 163 minutos, todos los modelos evaluados completaron cero tareas.

Los modos de falla que describen los autores del benchmark no son «hizo clic en el botón equivocado». Son perder restricciones fijadas al principio, ignorar información que apareció después, adivinar cuando hacía falta preguntar y declarar la tarea terminada sin verificarla. Es exactamente el tipo de error que Plurai dice poder anticipar antes de que llegue a producción.

Cómo funciona el enfoque de Plurai

Los cofundadores Ilan Kadar y Elad Levi vienen de Nexar, una empresa de tecnología de conducción autónoma. Kadar trabajó con Waymo simulando y evaluando su software de conducción con deep learning de punta a punta.

«En el momento en que vimos la ola de agentes de IA, vimos el mismo patrón: es muy fácil construir una demo, pero [difícil] conseguir algo confiable y rentable», dijo Kadar a TechCrunch. «Como vimos el mismo patrón, el mismo pitch fue que queríamos construir esta capa de simulación».

La mecánica es concreta: Plurai crea un gemelo digital de los sistemas electrónicos de la empresa, incluida la base de conocimiento y las herramientas a las que el agente tendrá acceso en producción. Después mapea todos los flujos posibles del agente y usa ese grafo para preparar el modelo con evaluaciones y correcciones de casos límite. La plataforma funciona junto a herramientas agénticas existentes como Claude Code, Codex, Copilot y Cursor.

El giro que importa: modelos pequeños entrenados para tu negocio

La promesa más interesante no es la evaluación, sino lo que Plurai hace con los datos que recolecta: post-entrenar modelos pequeños de pesos abiertos ajustados a las necesidades de cada cliente. Pruebas realizadas junto a Nvidia y Nebius mostraron a sus modelos superando a modelos frontera de gama media con costos más bajos, según TechCrunch.

«Podemos tomar un modelo de lenguaje grande, tomar la tarea, descomponerla en una tarea más pequeña usando la simulación, entrenar un modelo [de pesos abiertos] y, usando la simulación, verificar que la calidad es superior o comparable al modelo frontera, con una reducción de costo de uno o dos órdenes de magnitud», dijo Kadar.

Reah Miyara, investigador de Google DeepMind que respaldó a Plurai como inversor ángel, apunta en la misma dirección: las empresas están viendo que «los modelos con capacidad frontera están fuera de distribución respecto de mis datos específicos, y el costo de estas cosas no es sostenible en el largo plazo».

El contexto de costos lo respalda. Fireworks documentó el 3 de noviembre de 2026, en su conferencia Forge, tarifas de US$0,15 por millón de tokens de entrada y US$0,50 por millón de salida para GLM 5.3 Flash, y reportó que en un benchmark propio el 99,6% de los tokens de entrada fueron aciertos de caché y que esos aciertos representaron el 60% de la factura, según Unite.AI. En agentes de muchos turnos, el contexto repetido —no la respuesta generada— es donde se va el presupuesto.

Qué significa esto para tu startup

Mide la precisión por tarea completa, no por paso. Si tu agente acierta el 95% de las acciones individuales pero su flujo tiene 20 pasos, tu tasa de éxito real es mucho menor. Antes de escalar un agente a clientes, corre una batería de pruebas sobre el flujo entero y anota dónde se rompe.
Documenta tus casos límite antes de elegir el modelo. Plurai parte de mapear los flujos posibles y las herramientas del agente. Puedes hacer la versión pobre de eso hoy mismo: lista las políticas que tu agente debe respetar (límites de gasto, datos que no puede tocar, cuándo debe preguntar) y conviértelas en pruebas automatizadas.
Evalúa si necesitas un modelo frontera para todo. Si tu tarea es acotada y repetitiva, un modelo pequeño ajustado con tus propios datos puede dar calidad comparable a menor costo. La condición es tener datos de evaluación reales, no supuestos.
Trata el costo de contexto como una línea de tu P&L. Si tu agente mantiene conversaciones largas o consulta varias bases de datos, el gasto se concentra en tokens de entrada repetidos. Caché y ventanas de contexto más cortas son palancas concretas.

La tesis de Kadar es directa: «No importa cuán inteligente sea el modelo de OpenAI y Anthropic —y serán mucho más inteligentes—, no conocerán tu negocio ni tu política». Para un founder, eso es una buena noticia: la ventaja competitiva no está en esperar el próximo modelo, sino en codificar el conocimiento de tu operación en un sistema que se pueda evaluar.