KI-Agenten bereiten sich auf den Büroalltag vor, brauchen aber zunächst einen sicheren Ort, an dem sie lernen können, die eigentliche Arbeit zu erledigen.
Das in San Francisco ansässige Startup Plato hat in einer Serie-A-Finanzierungsrunde 16 Millionen US-Dollar eingesammelt, um simulierte Arbeitsplätze aufzubauen, an denen KI-Modelle berufliche Aufgaben üben können, bevor sie mit realen Geschäftssystemen interagieren.
Nava Ventures führte die Runde an, beteiligt waren außerdem Gradient Ventures, Transpose Platform und Mustafa Suleyman, CEO von Microsoft AI. Damit beläuft sich die Gesamtfinanzierung von Plato nach einer früheren, von Gradient Ventures angeführten Seed-Runde auf 19 Millionen US-Dollar. Freddie Martignetti, Gründer von Nava Ventures, wird in den Verwaltungsrat von Plato einziehen.
KI-Agenten brauchen mehr als Chatbot-Training
Die meisten KI-Modelle werden darauf trainiert, Antworten zu generieren, Informationen abzurufen oder Anweisungen zu befolgen. Agenten zu entwickeln, die Geschäftsaufgaben eigenständig erledigen können, stellt jedoch eine andere Herausforderung dar.
Ein Agent, der eine Kundenanfrage bearbeitet, eine Rechnung verarbeitet oder einen Mitarbeiterdatensatz verwaltet, muss Software bedienen, Entscheidungen treffen und auf unerwartete Situationen reagieren, ohne etablierte Regeln zu verletzen.
Direktes Training innerhalb von Geschäftsanwendungen kann kostspielige Probleme verursachen. Ein KI-Agent, der das Aufgeben einer Bestellung übt, könnte tatsächlich Geld ausgeben, während ein Agent, der administrative Abläufe erlernt, versehentlich Unternehmensdaten ändern könnte.
Plato begegnet diesem Problem, indem das Unternehmen Arbeitsplatzsoftware und -prozesse in kontrollierten Umgebungen nachbildet, die KI-Entwickler zurücksetzen und wiederverwenden können. Das Unternehmen arbeitet mit Fachleuten zusammen, um Arbeitsabläufe in den Bereichen Kundensupport, Personalwesen, Finanzen, Buchhaltung und Gesundheitsverwaltung zu reproduzieren.
Diese Umgebungen unterstützen bestärkendes Lernen, sodass KI-Modelle Aufgaben ausprobieren, Feedback erhalten und sich durch wiederholtes Üben verbessern können.
Eine Aufgabe zu erledigen bedeutet nicht zwangsläufig, sie korrekt zu erledigen
Plato befasst sich außerdem mit einem Problem, das immer wichtiger werden könnte, wenn Unternehmen KI-Agenten Zugriff auf sensible Geschäftsabläufe gewähren: der Frage, ob ein Agent Anweisungen tatsächlich befolgt.
Ein Agent beispielsweise, der einen Kauf erfolgreich abschließt, dabei aber sein genehmigtes Budget überschreitet, sollte nicht allein deshalb eine erfolgreiche Bewertung erhalten, weil die Transaktion durchgeführt wurde. Das Unternehmen bewertet sowohl das Ergebnis als auch die dahinterstehenden Entscheidungen – einschließlich der Frage, ob die Modelle betriebliche Vorgaben einhalten oder Schwachstellen in Simulationen ausnutzen, um höhere Punktzahlen zu erzielen.
„Das Feedback, das ein Modell erhält, prägt, was es lernt“, sagte Pranav Putta, Mitgründer und Chief Technology Officer von Plato.
Dieser Ansatz könnte KI-Entwicklern helfen, zwischen Agenten zu unterscheiden, die lediglich Abkürzungen finden, und solchen, die den Regeln tatsächlicher Geschäftsprozesse folgen können.
Ein wachsender Markt für KI-Trainingsinfrastruktur
Plato wurde 2025 von Robert Farlow und Putta gegründet, die Erfahrung im Modelltraining, in Robotik, Computer Vision und bestärkendem Lernen mitbringen. Das Unternehmen will die neuen Mittel nutzen, um seine Simulationsbibliothek auszubauen, Fachleute dafür zu bezahlen, ihre Arbeitsabläufe nachzubilden, und KI-Agenten für reale Aufgaben einzusetzen, um zusätzliche Erfahrungen zu sammeln.
Das Unternehmen tritt in einen Markt ein, der weitere finanzstarke Akteure anzieht. Das KI-Trainingsunternehmen micro1 hat Pläne angekündigt, 1 Milliarde US-Dollar für Unternehmensdaten für Agenten-Trainingsumgebungen auszugeben, während Patronus AI 50 Millionen US-Dollar eingesammelt hat, um KI-Agenten in simulierten Umgebungen zu testen.
Realistische Arbeitsplatzsimulationen zu entwickeln, ist jedoch nicht einfach eine Frage des Kopierens von Softwareoberflächen. Reale Geschäftsabläufe umfassen unvollständige Informationen, wechselnde Prioritäten, menschliches Urteilsvermögen und Ausnahmen, die sich nur schwer reproduzieren lassen.
Das hat eWEEK herausgefunden: Der nächste Infrastrukturkampf der KI könnte sich um Erfahrungen in der realen Welt drehen
Die Finanzierungsrunde von Plato über 16 Millionen US-Dollar macht eine neue Herausforderung bei Unternehmens-KI deutlich: Immer leistungsfähigere Modelle zu entwickeln, ist nur ein Teil der Gleichung. Diese Modelle brauchen außerdem praktische Erfahrung im Umgang mit der komplexen Software, den Regeln und den Entscheidungen, die den Geschäftsalltag bestimmen.
Wenn Unternehmen sich von Chatbots hin zu KI-Agenten bewegen, die ganze Arbeitsabläufe ausführen können, könnten realistische Trainingsumgebungen zu einem immer wichtigeren Bestandteil der KI-Entwicklung werden. So wie autonome Fahrzeuge von simulierten Fahrszenarien profitieren, benötigen KI-Agenten für Unternehmen möglicherweise Tausende Gelegenheiten, den Umgang mit Rechnungen, die Bearbeitung von Kundenbeschwerden und die Erledigung administrativer Aufgaben zu üben, bevor man ihnen reale Geschäftssysteme anvertrauen kann.
Für Unternehmen gehen die möglichen Vorteile über eine bessere KI-Leistung hinaus. Agenten, die darauf trainiert sind, Ausgabenlimits zu erkennen, Genehmigungsprozesse zu befolgen und mit unerwarteten Situationen umzugehen, könnten kostspielige Automatisierungsfehler verringern. Realistischere Simulationen könnten Organisationen außerdem dabei helfen, KI-Systeme zu bewerten, bevor sie ihnen Zugriff auf sensible Finanzdaten, Kundeninformationen oder operative Werkzeuge gewähren.
Die Chancen erstrecken sich auch auf die Unternehmen, die KI-Modelle entwickeln. Wenn simulierte Arbeitsplätze messbare Verbesserungen bei der Zuverlässigkeit von Agenten erzielen können, konkurrieren Entwickler möglicherweise zunehmend über die Qualität ihrer Trainingsumgebungen und Feedbacksysteme – neben Modellgröße, Rechenleistung und Trainingsdaten.
Dennoch bleiben wichtige Fragen offen. Simulierte Umgebungen können die unvorhersehbare Natur realer Arbeitsplätze nicht vollständig reproduzieren: Mitarbeiter treffen Ermessensentscheidungen, Software ändert sich ohne Vorwarnung, und ungewöhnliche Situationen fallen häufig außerhalb etablierter Verfahren. Ein Agent, der im Training gute Leistungen erbringt, könnte dennoch Schwierigkeiten bekommen, wenn er mit Umständen konfrontiert wird, denen er noch nie begegnet ist.
Außerdem besteht ein Unterschied zwischen dem Nachweis, dass ein Agent eine Aufgabe erledigen kann, und dem Beweis, dass er dies konsequent, sicher und im Einklang mit den Richtlinien einer Organisation tun kann. Unternehmen werden weiterhin Tests und Überwachung in der realen Welt benötigen, bevor sie autonome Systeme in kritischen Abläufen einsetzen.
Die größere Frage lautet, ob der nächste Wettbewerbsvorteil der KI daraus entstehen wird, dass man Modellen mehr Wissen oder bessere Erfahrungen vermittelt. Plato setzt darauf, dass realistisches Arbeitsplatztraining dazu beitragen wird, die Lücke zwischen Agenten zu schließen, die in Demonstrationen gut abschneiden, und solchen, die Unternehmen zuverlässig einsetzen können.
Weiterführende Lektüre: Ein aktueller eWEEK-Bericht über die Leistung von KI-Agenten untersucht, wie ein führendes KI-Modell in Benchmark-Tests lediglich 35 % der Unternehmensaufgaben erfolgreich erledigte, und verdeutlicht damit die Zuverlässigkeitsprobleme, die Plato angehen möchte.