> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Plurai capta 13 millones de dólares para probar agentes de IA en entornos simulados - URL: https://fomoera.com/plurai-simulacion-agentes-ronda-semilla/ - Published: 2026-11-11T23:00:00.000Z - Updated: 2026-11-11T23:00:00.000Z - Description: La startup recrea herramientas y reglas empresariales para buscar fallos antes de que lleguen a los usuarios. Una prueba de modelos pequeños muestra el alcance de su propuesta. - Author: Patricia Rodriguez - Tags: Tecnología y Ciencia, IA Plurai captó 13 millones de dólares en una ronda semilla y abrió su plataforma para probar agentes de inteligencia artificial en versiones simuladas de los entornos donde deberán trabajar. La startup busca detectar errores con herramientas y reglas de cada empresa antes de que esos fallos afecten a sus usuarios. Team8 lideró la inversión, en la que también participaron U&I, Velocity y Mercer. El anuncio del 11 de noviembre incluye a más de 20 inversionistas ángeles y líderes de la industria, y llega junto con la disponibilidad general de Plurai Simulation, que hasta ahora estaba limitada a un grupo de socios y clientes. Los fundadores, Ilan Kadar y Elad Levi, trabajaron antes en Nexar, donde desarrollaron sistemas para empresas de conducción autónoma. Kadar explicó a TechCrunch que vieron en los agentes de IA una dificultad parecida a la que conocían de ese sector: una demostración puede funcionar, pero conseguir un comportamiento fiable y económicamente viable en condiciones reales es más difícil. ## Una empresa simulada para probar al agente Un agente puede consultar información, usar herramientas y ejecutar pasos para completar una tarea. En una empresa, esos pasos también deben respetar políticas que cambian según el cliente o la operación. TechCrunch señala, por ejemplo, que un asistente de reservas puede acabar ignorando los límites de gasto cuando un usuario insiste. La propuesta de Plurai consiste en crear un "gemelo digital" del agente y su entorno a partir de las bases de conocimiento, herramientas y políticas de la organización. Esa representación se utiliza dentro de un entorno de pruebas aislado, donde usuarios simulados plantean situaciones habituales y otras diseñadas para poner a prueba al sistema. La compañía dice que busca identificar respuestas inventadas, uso incorrecto de herramientas, filtraciones de datos y acciones que incumplan las reglas. Según su descripción, también genera posibles correcciones para los fallos detectados y vuelve a probar al agente. La calidad de la prueba depende de las situaciones y reglas que se incluyan. Si una simulación deja fuera una condición que aparece después en el trabajo real, el agente aún puede fallar al encontrársela. Pasar los ensayos tampoco demuestra por sí solo que el sistema vaya a comportarse correctamente en todas las tareas de una empresa. ## De las pruebas a modelos más pequeños Plurai también utiliza los datos de las simulaciones para ajustar modelos de lenguaje pequeños a tareas concretas. De acuerdo con la empresa, esos modelos pueden ejecutar partes del trabajo del agente o revisar sus acciones cuando el servicio ya está en funcionamiento. Los errores observados después pueden alimentar nuevas simulaciones. En un caso publicado con Nvidia y Nebius, la startup ajustó un modelo Nemotron 3.5 Lightning para extraer información estructurada de conversaciones de un cliente empresarial. El conjunto de entrenamiento contenía 3,722 conversaciones etiquetadas por otro modelo. La comparación evaluó después el resultado tanto en conversaciones reales como en un conjunto separado de prueba. En las conversaciones reales, Plurai asignó al modelo ajustado **88.8 puntos de calidad sobre 100**, frente a 78.4 de Claude Haiku-5.5 y 88.6 de GPT-6 Luna. En el conjunto separado, Nemotron obtuvo 91.0 puntos y GPT-6 Luna, 80.2\. El anuncio de la ronda habla de superar a ambos modelos; el desglose muestra que Nemotron y GPT-6 Luna quedaron casi empatados en las conversaciones reales de esa tarea. El caso calculó un costo de 0.0078 dólares por cada 1,000 llamadas para el modelo ajustado, ejecutado con una GPU Nvidia Blackwell. Frente a los 0.34 dólares atribuidos a Claude Haiku-5.5, Plurai presenta el resultado como un costo unas 44 veces menor. La publicación no desglosa el costo de entrenamiento, por lo que esa comparación no permite calcular por sí sola el presupuesto completo de implementación. Las cifras corresponden a una tarea y a las condiciones de esa prueba, no a una comparación general de todo lo que pueden hacer los modelos. Plurai afirma por separado que, entre sus primeros socios de desarrollo, los fallos que llegaban a usuarios bajaron 82% y el costo de operar agentes fiables cayó 97%. Su anuncio no precisa cuántas empresas participaron ni la metodología de esas dos mediciones. ## Una plataforma abierta a más desarrolladores Plurai ofrece ahora una opción gratuita para empezar y señala que los desarrolladores pueden trabajar desde herramientas como Claude Code, Codex y GitHub Copilot. También indica que admite pruebas de agentes creados con Salesforce Agentforce. La disponibilidad general permite que más equipos ejecuten sus propias pruebas. Las cifras difundidas por Plurai describen resultados de sus primeros socios y de un caso empresarial concreto. *Fuentes:* [1](https://www.plurai.ai/blog/introducing-plurai-simulation-self-improving-layer-for-ai-agents?ref=fomoera.com), [2](https://techcrunch.com/2026/11/11/plurai-wants-to-help-ai-agents-work-better-using-the-same-approach-that-helped-get-self-driving-cars-to-roads/?ref=fomoera.com), [3](https://www.plurai.ai/blog/vibe-post-training-turn-any-open-model-into-a-frontier-beating-model-at-44x-lower-cost?ref=fomoera.com)