Plurai quiere hacer agentes de IA confiables con la misma técnica de los coches autónomos
El desafío de hacer que los agentes de IA sean confiables en producción es el mismo que frenó a la industria de los coches autónomos durante años: es fácil hacer una demostración en el laboratorio, pero la realidad se revela infinitamente más compleja cuando el sistema se encuentra con los casos extremos que nadie previó. La startup israelí Plurai, que acaba de salir del stealth con US$ 13 millones en ronda seed, quiere resolver exactamente ese problema trayendo para el mundo de los agentes el arsenal de simulación que finalmente puso coches sin conductor en las calles.
Los co-fundadores Ilan Kadar y Elad Levi conocen bien ese dolor. En el trabajo anterior, en Nexar —empresa de tecnología para conducción autónoma que atendió a Waymo, entre otros—, ellos vieron de cerca cómo la industria de vehículos autónomos conquistó la confianza del público: no con modelos más grandes, sino con simulaciones masivas basadas en los datos reales de la empresa. Waymo acumularía más de 20 mil millones de millas simuladas, aproximadamente 100 veces la distancia real conducida por sus vehículos. Los eventos más raros se resolvieron primero en la simulación.
Por qué fallan los agentes
Los números actuales son reveladores. El benchmark LiveBench 2.0 muestra que Claude Fable 5.2 alcanzó 82,9 y ChatGPT-6 Astra, 75,6 de 100 tareas de evaluación. Un esfuerzo de la empresa de infraestructura EON para probar agentes en un entorno corporativo simulado encontró en Claude Opus 4.8 el modelo más exitoso, con apenas 76,8% de precisión. Es decir: incluso los modelos más avanzados fallan en un cuarto de las tareas.
"Cuando vimos la ola de agentes de IA, reconocimos el mismo patrón", dijo Kadar a TechCrunch. "Es muy fácil crear una demostración, pero muy difícil obtener algo confiable y económicamente viable. Vimos el mismo patrón y el mismo enfoque, por eso queremos construir esa capa de simulación."
El problema es estructural. Los agentes de IA, al igual que los modelos end-to-end entrenados para conducir, son sistemas probabilísticos operando en entornos impredecibles. Cuando presionados por usuarios reales, agentes encargados de reservar viajes pueden ignorar políticas de gastos; asistentes de atención pueden alucinar respuestas que suenan convincentes pero son falsas; bots de TI pueden ejecutar acciones irreversibles basados en instrucciones ambiguas.
Plurai no intenta resolver esto con modelos más grandes. En cambio, crea un "gemelo digital" del agente y del ambiente en el que va a operar, construido a partir del propio conocimiento, herramientas y políticas de la empresa. El sistema luego simula miles de escenarios realistas —incluyendo usuarios adversarios— y expone violaciones de política, alucinaciones, llamadas de herramientas rotas y fugas de datos antes que cualquier cliente los encuentre.
Post-training: la promesa real
Encontrar fallos es medio camino andado. La promesa mayor de Plurai está en lo que hace con esos datos: usar lo que aprende para postrainear modelos pequeños y open-weight, adaptados a las necesidades específicas de cada cliente.
En pruebas realizadas en sociedad con Nvidia y Nebius, la empresa afirma que un modelo postraineador por Plurai superó modelos frontier de OpenAI y Anthropic en precisión, a costos 40x y 44x inferiores, respectivamente. Un caso de cliente (proporcionado en agosto de 2026) reportó la reducción del tiempo de inferencia de US$ 2,87 a US$ 0,076 por 1.000 llamadas.
La tecnología detrás de esto incluye una metodología de generación de datos sintéticos basada en calibración de intenciones —un enfoque que Plurai desarrolló internamente y que fue aceptado para presentación en ICML 2026. La técnica, descrita en un paper pre-print sometido en abril de 2026 por Arnon Mazza y Levi, permite que los desarrolladores transformen modelos abiertos de IA en modelos especializados para tareas específicas en cerca de 20 minutos.
"Mi visión es que, sin importar cuán inteligentes los modelos de OpenAI y Anthropic se hagan —y se volverán mucho más inteligentes— no conocerán tu negocio y tus políticas", afirmó Kadar. "La simulación es lo que va a cerrar esa brecha."
Qué observar
Plurai no es la primera en abordar la evaluación de agentes de IA —empresas como EON y otras ya existen en el espacio. La diferencia está en el origen del equipo, con décadas de experiencia en simulación para vehículos autónomos, y en la estrategia de post-training: en lugar de solo medir fallos, Plurai usa los datos generados para mejorar los modelos reales.
Gartner nombró a Plurai como Representative Vendor en su Market Guide de 2026 para AI Evaluation and Observability Platform, y la empresa afirma trabajar con clientes Fortune 500 en sectores altamente regulados. A partir de hoy, la plataforma está disponible en un tier gratuito para cualquier constructor de agentes, integrable directamente con Claude Code, Codex, GitHub Copilot y Cursor.
El mercado de agentes de IA se está moviendo a una velocidad que hace la confiabilidad en producción una cuestión de supervivencia, no solo de calidad. La pregunta que queda es si la simulación —la misma técnica que llevó a la industria de coches autónomos décadas para madurar— conseguirá acelerar el mismo camino para los agentes, o si la complejidad de los agentes de IA supera cualquier analogía con la conducción automática.
Fuentes: TechCrunch, Plurai, Team8
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
