Plurai גייסה 13 מיליון דולר כדי לתפוס תקלות לפני הלקוחות

|כותב: מערכת QUASA|6 דק׳ קריאה
Plurai גייסה 13 מיליון דולר כדי לתפוס תקלות לפני הלקוחות

ב־11 בנובמבר 2026 חשפה Plurai גיוס סיד של 13 מיליון דולר בהובלת Team8 ובהשתתפות U&I, Velocity ו־Mercer. החברה הישראלית פתחה למפתחים שירות סימולציה שנועד לזהות כשלים בסוכני בינה מלאכותית לפני שהם מגיעים ללקוחות. המהלך מחבר השקעה בפיתוח החברה עם ניסיון להעביר לסוכנים עסקיים שיטת בדיקה ששימשה את מייסדיה בתחום הרכב האוטונומי.

לפי הודעת ההשקה של Plurai, השירות זמין לכל מפתח עם מסלול התחלתי חינמי; אצל שותפי התכנון שלה ירד שיעור הכשלים שהגיעו למשתמשים ב־82%, ועלות ההפעלה של סוכנים אמינים ירדה ב־97%. אלה נתוני עבודה עם שותפים מוקדמים, ולא תוצאה של מדידה עצמאית שפורסמה לציבור. ההבחנה חשובה משום שהשירות נפתח כעת גם לצוותים שסביבת העבודה והסוכנים שלהם שונים מאלה שנכללו בעבודה המוקדמת.

מי עומד מאחורי הסבב ומה הקשר לרכב אוטונומי

צוות Plurai, שהוקמה בידי אילן כדר ואלעד לוי וגייסה הון בהובלת Team8

לפי כלכליסט, Plurai נוסדה ב־2025 בידי ד״ר אילן כדר, המנכ״ל, וד״ר אלעד לוי, סמנכ״ל הטכנולוגיה, ומעסיקה בעת הפרסום כ־12 עובדים בישראל ובארה״ב; כדר תיאר את תהליך השיפור במילים ״כל כשל מזין את הגרסה הבאה״. השניים עבדו ב־Nexar על הערכת מערכות לרכב אוטונומי באמצעות סימולציות, לרבות עבודה הקשורה ל־Waymo. הרעיון שהם מביאים לכאן הוא לבחון מערכת אוטונומית מול מצבים חריגים בסביבה מדומה לפני שנותנים לה לפעול בסביבה אמיתית.

בסבב השתתפו לצד הקרן המובילה גם משקיעים פרטיים, ובהם אודי מוקדי, מייסד CyberArk, וריאה מיארה, בכיר בתחום המודלים ב־Google Cloud. ד״ר אייל כרמי, מנהל הטכנולוגיה של Microsoft 365 Copilot, הצטרף לוועדה המייעצת. ההרכב מצביע על שילוב בין הון סיכון לבין אנשים שעוסקים בתוכנה ארגונית ובמודלים, אך עצם השתתפותם אינה נתון על ביצועי המוצר. ההשקעה מיועדת להרחבת המחקר והפיתוח, להעמקת העבודה עם ארגונים ולהתרחבות בארה״ב.

החיבור לרכב אוטונומי מסביר את הבחירה בסימולציה, אך גם את ההבדל בין התחומים. מכונית נבדקת מול תנאי דרך ותנועה; סוכן ארגוני פוגש בקשות משתנות, מאגרי מידע, כלים חיצוניים וכללי הרשאה. בשני המקרים תרחיש נדיר עלול להתגלות רק אחרי הפעלה, ולכן Plurai מבקשת ליצור דרך לייצר תרחישים כאלה מראש ולחזור אליהם לאחר תיקון. אצל סוכן עסקי, כשל יכול להיות גם תשובה שנשמעת סבירה אבל מבוססת על מידע שגוי.

איך Plurai בונה עולם מדומה לסוכן

המערכת מתחילה בבניית תאום דיגיטלי של הסוכן ושל סביבת העבודה שלו מתוך בסיס הידע, הכלים והמדיניות של הארגון. ההעתק המדומה אמור לשמר את ההקשר שבו הסוכן מקבל החלטות: איזה מידע נגיש לו, אילו פעולות הוא רשאי לבצע ומה נחשב להשלמת המשימה. כך הבדיקה עוסקת בהתנהגות הסוכן בתוך תהליך עבודה ולא רק בנכונות של תשובה מבודדת לשאלה קצרה.

לאחר מכן Plurai מריצה את הסוכן בסביבת sandbox מבודדת מול משתמשים מדומים, לרבות בקשות חריגות או עוינות. הבדיקות מיועדות לחשוף הפרת מדיניות, תשובה מומצאת, פעולה שגויה, קריאה שנכשלה לכלי חיצוני, משימה שלא הושלמה או חשיפה של מידע רגיש. למשל, סוכן שמזמין נסיעה עשוי להתעלם ממגבלת הוצאה, וסוכן שירות עשוי להסתבך כשהשיחה מתארכת או כשהתשובה מחייבת שילוב של כמה מאגרי מידע. אלה סוגי הכשלים שהשיטה מנסה להעלות לפני שהלקוח נתקל בהם.

בסימולציה, כשל שנמצא אמור לקבל הסבר והצעת תיקון, ולאחר מכן הסוכן נבחן מחדש מול התרחישים. השלב החוזר חשוב: שינוי שעוזר בבקשה אחת עלול לשנות את התגובה בבקשה אחרת, ולכן מבחן חוזר יכול לחשוף השפעה לא רצויה של התיקון. לאחר העלייה לאוויר, כשל חדש מפעילות אמיתית אמור לחזור לסימולציה כתרחיש נוסף. בדרך זו סביבת הבדיקה מתעדכנת יחד עם השינויים בכלים, במידע ובבקשות שהסוכן פוגש.

הדיוק של הבדיקה תלוי גם בדיוק של התאום הדיגיטלי. אם מדיניות הארגון השתנתה או שכלי חיצוני מתנהג אחרת בסביבה אמיתית, סימולציה ישנה עלולה להחמיץ את תנאי הכשל. זו מסקנה הנובעת ממבנה השיטה: הסוכן נבחן בתוך ייצוג של סביבתו, ולכן איכות הייצוג קובעת אילו מצבים הוא יכול לפגוש במבחן. התהליך המוצע מספק דרך שיטתית לחפש מקרי קצה, אך אינו מבטיח שכל מצב אפשרי יופיע לפני השימוש.

מה מודדים בנתוני הכשלים והחיסכון

סימולציית Plurai עוצרת תגובה שגויה של סוכן לפני שהיא מגיעה למשתמש בשירות פיננסי

הירידה שעליה מדווחת Plurai בכשלים מתייחסת למקרים שהגיעו למשתמשים אצל שותפי התכנון, ולא למספר השגיאות שנמצאו בתוך הסימולציה. זה הבדל מהותי: מערכת בדיקה יכולה לגלות הרבה תקלות ועדיין להשאיר חלק מהן בשימוש אמיתי. המדד שהחברה מציגה מנסה לתאר את מה שחווה המשתמש אחרי סבבי בדיקה ותיקון, ולכן הוא קשור ישירות להבטחה לתפוס תקלות לפני הלקוחות.

טענת החיסכון נשענת על רכיב נוסף במוצר. Plurai משתמשת בנתונים שנוצרו בסימולציה כדי לאמן עוד מודלים קטנים המותאמים למשימות של הסוכן. מודל ייעודי כזה יכול לבצע חלק מהעבודה במקום מודל כללי יקר יותר, ולשמש גם להערכת פעולות הסוכן בזמן אמת ולאכיפת כללים ארגוניים. לכן החיסכון המתואר אינו רק תוצאה של הרצת בדיקות; הוא תלוי גם בשאלה אילו משימות הועברו למודל הקטן, באיכות הביצוע שלו ובאופן הפעלתו.

בנפרד, מודלים שאומנו בעבודה משותפת של Plurai עם NVIDIA ו־Nebius עבור לקוח ארגוני הושוו למודלים כלליים של OpenAI ו־Anthropic מבחינת דיוק ועלות. זו השוואה של מודלים ותצורה שנבנו למשימה מסוימת, בעוד מדד הכשלים עוסק בשותפי תכנון ובתקלות שהגיעו למשתמשי הסוכנים שלהם. שילוב שתי התוצאות כאילו נמדדו באותה אוכלוסייה ובאותם תנאים היה מטשטש את מה שנבדק בכל אחת מהן.

לא פורסמו מספר שותפי התכנון שנכללו בחישוב, נקודת המוצא של הכשלים, משך המעקב או שיטת חישוב עלות ההפעלה בכל יישום. לכן אי אפשר להסיק מן השיעורים שפורסמו כמה תקלות ייחסכו או מה תהיה העלות אצל לקוח חדש. המידע החסר אינו מבטל את מה שתואר על העבודה עם השותפים, אבל הוא מגביל את האפשרות להכליל את התוצאה לסוכנים אחרים, למשימות אחרות או לתהליכים עסקיים מורכבים יותר.

מה משתנה עם פתיחת הסימולציה למפתחים

עד ההשקה עבד המוצר עם קבוצה נבחרת של שותפים ולקוחות; כעת המפתחים יכולים להתחיל להשתמש בו דרך כלים קיימים, ובהם Claude Code, Codex ו־GitHub Copilot. צוותים יכולים להביא גם סוכנים שנבנו על Salesforce Agentforce. המסלול החינמי מאפשר להתחיל בבדיקות בלי הצטרפות לקבוצת התכנון הסגורה, אך עלות הפעלה רחבה של סוכן ארגוני לאורך זמן עדיין אינה ידועה.

ההרחבה משנה את סוג המבחן שעומד בפני Plurai. בסביבת שותפי התכנון החברה יכולה לעבוד מקרוב עם הצוותים ולהכיר את הנתונים, הכלים והמדיניות שלהם; כשהשירות פתוח למפתחים נוספים, מגוון הסוכנים והמערכות גדל. הצלחת הסימולציה תושפע מהיכולת לבנות לכל סוכן תאום מעודכן, לייצר תרחישים שמייצגים את השימוש האמיתי ולזהות אם תיקון שנלמד במבחן מחזיק גם מול משתמשים.

עבור ארגונים שמשלבים סוכן בתהליך שירות או פעולה מול לקוח, השאלה המכרעת תהיה מה קורה אחרי שתקלה שנמצאה בסימולציה תוקנה: האם תקלות דומות אכן מפסיקות להגיע למשתמשים כשהנתונים והבקשות משתנים. מדידות מפורטות אצל לקוחות חדשים, שיכללו גם את בסיס ההשוואה וגם את הוצאות ההפעלה, יוכלו להראות אם ההשפעה שנצפתה אצל השותפים המוקדמים נשמרת גם מחוץ לקבוצה הזאת.

קראו גם:

שיתוף:

הירשמו לניוזלטר שלנו

קבלו את החדשות האחרונות על Web3, ‏AI וקריפטו ישירות לתיבת הדואר.

0