AI-агенты остаются хрупким инструментом. Несмотря на ажиотаж вокруг них, практические тесты показывают неутешительную картину: лучшие модели справляются с надёжностью на уровне 75-83% при выполнении сложных задач. Claude Opus 4.8 в симуляции корпоративной среды показал точность 76.8%. Это означает, что в одном из четырёх случаев агент, отправленный бронировать билеты или работать с базами данных, может допустить критическую ошибку — проигнорировать политику расходов, спутать информацию из разных источников или потеряться в контексте длинного разговора.

Plurai предлагает решение, подсмотренное у беспилотных автомобилей. Со-основатели Илан Кадар и Элад Леви раньше работали в Nexar (технология автономного вождения) и напрямую сотрудничали с Waymo. Они заметили одну закономерность: собрать прототип агента легко, а сделать его надёжным в бою очень сложно — ровно как и с самоуправляемыми машинами. Решение: создать цифровой двойник всех систем компании, по которым будет работать агент (базы знаний, внешние сервисы, API), построить граф всех возможных сценариев и обучить модель на синтетических данных типичных ошибок. Это позволяет выловить edge case до боевого использования.

На прошлой неделе Plurai объявила о привлечении $13 млн на seed-раунде (Team8 в роли lead инвестора). Платформа встраивается в существующие инструменты для разработки агентов — Claude Code, Copilot, Cursor и другие. Но настоящая фишка, по словам Кадара, лежит глубже: собранные данные позволяют дообучать небольшие открытые модели под специфику конкретного клиента. Тесты с Nvidia и Nebius показали, что такие специализированные модели работают лучше средних frontier-моделей при снижении стоимости на один-два порядка величины.

Суть подхода понятна: большие универсальные модели типа ChatGPT-6 обучены на интернете и не знают вашей бизнес-логики, политик и внутренних систем. Локально дообученная модель, пусть и меньше, но обучена именно на ваших сценариях. Это первый практический ответ на главную проблему AI-агентов в компаниях: не столько отсутствие интеллекта, сколько отсутствие надёжности и адекватности цены. Инвесторы реагируют: Google DeepMind researcher Реах Миярa взял акции как ангел-инвестор, явно видя потенциал в синтетических данных для fine-tuning.

Аналогия с беспилотниками здесь не случайная и не маркетинговая. В робототехнике сейчас происходит ровно то же: универсальные модели выдают впечатляющие демо, но на реальных полях работают именно специализированные модели, обученные на реальных данных конкретной задачи. Когда паттерны повторяются в двух отраслях параллельно, это часто сигнал того, что это действительно работает.

Для российского бизнеса модель Plurai особенно актуальна сейчас. При импорте оборудования и сервисов, ограничениях на доступ к передовым моделям часть компаний вынуждена работать с открытыми или локально размещаемыми моделями. Подход Plurai — когда специалист компании (в России их становится больше после волны переквалификаций) создаёт цифровой двойник своей системы и обучает на нём модель — выглядит адекватнее, чем ставить ставку на то, что Claude или GPT чудо-чудо поймут специфику вашего бизнеса с первой попытки. В контексте локализации AI-решений и управления расходами это направление растёт.

Алексей Мартыненко

Алексей Мартыненко

Главный редактор SPV News

Plurai решает реальную проблему, а не марает заболевание на салфетку. AI-агенты в компаниях падают не потому, что мало параметров, а потому, что универсальные модели просто не знают, как работает конкретная фирма. Обучение на синтетических данных собственной инфраструктуры — проверенный метод, дающий результат. Вопрос только в том, хватит ли команде Plurai масштабировать это: технологически всё выглядит логично, но сложность будет в индивидуализации для каждого клиента.