La jeune pousse Plurai lève 13 millions de dollars pour entraîner des agents IA via des jumeaux numériques. L’enjeu, c’est la fiabilité, enfin.
En bref
- Plurai lève 13 millions de dollars
- Objectif, fiabiliser les agents IA en simulation
- Le vrai levier, performance plus coût réduit
La comparaison est bien choisie. Pour faire sortir les voitures autonomes du labo, il a fallu des simulations massives et des données synthétiques. Plurai veut appliquer exactement cette logique aux agents IA, encore brillants en démo, nettement moins rassurants quand on les lâche sur de vrais processus métier.
La vieille recette de l’auto autonome arrive dans l’IA
Derrière Plurai, on trouve Ilan Kadar et Elad Levi, deux anciens de Nexar, société active dans la conduite autonome. Kadar a aussi travaillé avec Waymo sur la simulation et l’évaluation de logiciels de conduite deep learning de bout en bout. Ce n’est pas un détail. Leur lecture du marché vient de là.
Kadar résume l’idée ainsi : « Au moment où nous avons vu la vague des agents IA, nous avons observé le même schéma : il est très facile de construire une démo, mais difficile d’obtenir quelque chose de fiable et rentable ». Du coup, la startup veut bâtir cette couche de simulation qui manque encore à beaucoup de déploiements.
Les benchmarks rappellent que les agents restent fragiles
Les chiffres calment un peu l’euphorie. LiveBench 2.0 attribue 82,9 tâches réussies sur 100 à Claude Fable 5.2, et 75,6 à ChatGPT-6 Astra. De son côté, EON, en testant des agents dans un environnement d’entreprise simulé, a mesuré 76,8 % de précision pour Claude Opus 4.8, le meilleur modèle évalué.
Et sur le terrain, les ratés sont très concrets. Un agent de réservation peut ignorer une politique de dépenses. Un autre sait interroger une base de données, mais se perd quand il faut croiser plusieurs jeux de données. Ajoutez une conversation client trop longue, trop de contexte, et l’agent bifurque. Pas de quoi remplacer une supervision serrée, clairement.
Un jumeau numérique pour cartographier les pannes avant la production
La méthode de Plurai, c’est le jumeau numérique des systèmes d’une entreprise. La plateforme reproduit les outils accessibles à l’agent en production, ainsi que la base de connaissances. Ensuite, elle cartographie les flux possibles, construit un graphe des chemins suivis par l’agent, puis s’en sert pour lancer des évaluations et corriger les cas limites.
L’intérêt, c’est que cette couche vient se brancher sur l’existant, avec des outils comme Claude Code, Codex, Copilot ou Cursor. Pour une DSI, c’est bien plus crédible qu’une refonte complète.
Le vrai pari, baisser les coûts avec des petits modèles spécialisés
Mais le cœur du dossier est sans doute ailleurs. Plurai affirme que les données collectées servent aussi à post-entraîner de petits modèles open-weight, adaptés aux besoins précis d’un client. Des tests menés avec Nvidia et Nebius montrent, selon la startup, des performances supérieures à des modèles frontier de milieu de gamme, pour un coût inférieur.
Kadar assure que l’approche permet de découper une tâche en sous-tâches grâce à la simulation, d’entraîner un modèle plus petit, puis de vérifier que sa qualité reste comparable ou meilleure, avec une baisse de coût d’un ordre de grandeur, voire deux. Reah Miyara, chercheuse chez Google DeepMind et investisseuse à titre individuel, estime que l’avantage de Plurai tient à sa compréhension des modes d’échec en production et à sa capacité à générer des données synthétiques pour ajuster les modèles.
La startup a annoncé mercredi une levée de 13 millions de dollars, soit environ 12 millions d’euros (13 millions de dollars), menée par Team8 avec U&I, Velocity et Mercer. Le message est simple, et il va parler aux patrons IT : même si les grands modèles progressent vite, ils ne connaissent ni vos règles internes ni vos politiques. Et c’est là que le marché peut basculer.
