Les agents d’IA se préparent à entrer au bureau, mais ils ont d’abord besoin d’un espace sûr pour apprendre à effectuer le vrai travail.
La start-up Plato, basée à San Francisco, a levé 16 millions de dollars lors d’un tour de série A afin de créer des environnements de travail simulés où les modèles d’IA peuvent s’exercer à des tâches professionnelles avant d’interagir avec de véritables systèmes d’entreprise.
Nava Ventures a mené le tour de table, avec la participation de Gradient Ventures, Transpose Platform et Mustafa Suleyman, CEO de Microsoft AI. Cet investissement porte le financement total de Plato à 19 millions de dollars, après un précédent tour d’amorçage mené par Gradient Ventures. Freddie Martignetti, fondateur de Nava Ventures, rejoindra le conseil d’administration de Plato.
Les agents d’IA ont besoin de plus qu’un entraînement aux chatbots
La plupart des modèles d’IA sont entraînés à générer des réponses, à récupérer des informations ou à suivre des instructions. Cependant, créer des agents capables d’accomplir seuls des tâches professionnelles pose un tout autre défi.
Un agent chargé de traiter une demande client, de gérer une facture ou de mettre à jour un dossier d’employé doit naviguer dans des logiciels, prendre des décisions et réagir à des situations inattendues sans enfreindre les règles établies.
Entraîner directement ces agents dans des applications professionnelles peut entraîner des problèmes coûteux. Un agent qui s’exerce à passer une commande pourrait dépenser de l’argent réel, tandis qu’un autre qui apprend des procédures administratives pourrait modifier accidentellement les dossiers de l’entreprise.
Plato répond à ce problème en recréant les logiciels et les processus professionnels dans des environnements contrôlés que les développeurs d’IA peuvent réinitialiser et réutiliser. L’entreprise travaille avec des professionnels pour reproduire des flux de travail dans le support client, la gestion des ressources humaines, la finance, la comptabilité et l’administration des établissements de santé.
Ces environnements prennent en charge l’apprentissage par renforcement, permettant aux modèles d’IA d’essayer d’accomplir des tâches, de recevoir des retours et de progresser grâce à une pratique répétée.
Accomplir une tâche ne signifie pas forcément l’accomplir correctement
Plato s’attaque également à un problème qui pourrait devenir de plus en plus important à mesure que les entreprises donnent aux agents d’IA accès à des opérations sensibles: déterminer si un agent suit réellement les instructions.
Par exemple, un agent qui réussit à effectuer un achat mais dépasse le budget qui lui a été autorisé ne devrait pas obtenir une bonne note simplement parce que la transaction a abouti. L’entreprise évalue à la fois le résultat et les décisions qui l’ont produit, notamment le respect des contraintes opérationnelles par les modèles et leur éventuelle exploitation des failles des simulations pour obtenir de meilleurs scores.
« Les retours qu’un modèle reçoit façonnent ce qu’il apprend », a déclaré Pranav Putta, cofondateur et directeur technique de Plato.
Cette approche pourrait aider les développeurs d’IA à distinguer les agents qui se contentent de trouver des raccourcis de ceux qui sont capables de respecter les règles régissant les processus opérationnels réels.
Un marché en plein essor pour les infrastructures d’entraînement de l’IA
Plato a été fondée en 2025 par Robert Farlow et Putta, qui possèdent une expérience dans l’entraînement de modèles pour l’utilisation d’ordinateurs, la robotique, la vision par ordinateur et l’apprentissage par renforcement. L’entreprise prévoit d’utiliser son nouveau financement pour étoffer sa bibliothèque de simulations, rémunérer des professionnels afin qu’ils recréent leur travail et déployer des agents d’IA sur des tâches réelles pour recueillir davantage d’expérience.
Elle s’engage sur un marché qui attire d’autres acteurs aux moyens financiers importants. La société d’entraînement à l’IA micro1 a annoncé son intention de consacrer 1 milliard de dollars aux données d’entreprise destinées aux environnements d’entraînement des agents, tandis que Patronus AI a levé 50 millions de dollars pour tester des agents d’IA dans des environnements simulés.
Cependant, créer des simulations réalistes du travail en entreprise ne consiste pas simplement à copier des interfaces logicielles. Les opérations professionnelles réelles impliquent des informations incomplètes, des priorités changeantes, du jugement humain et des exceptions difficiles à reproduire.
Ce qu’a constaté eWEEK : la prochaine bataille des infrastructures de l’IA pourrait porter sur l’expérience du monde réel
Le tour de financement de 16 millions de dollars de Plato met en lumière un défi émergent de l’IA d’entreprise : créer des modèles toujours plus puissants ne constitue qu’une partie de l’équation. Ces modèles ont également besoin d’une expérience pratique de la navigation dans les logiciels complexes, les règles et les décisions qui définissent les opérations quotidiennes des entreprises.
À mesure que les entreprises délaissent les chatbots au profit d’agents d’IA capables d’exécuter des flux de travail complets, des environnements d’entraînement réalistes pourraient devenir un élément de plus en plus important du développement de l’IA. De même que les véhicules autonomes bénéficient de scénarios de conduite simulés, les agents d’IA d’entreprise pourraient avoir besoin de milliers d’occasions de s’exercer à traiter des factures, résoudre des réclamations clients et gérer des tâches administratives avant de pouvoir se voir confier de véritables systèmes professionnels.
Pour les entreprises, les bénéfices potentiels vont au-delà d’une amélioration des performances de l’IA. Des agents entraînés à reconnaître les limites de dépenses, à respecter les processus d’approbation et à gérer les situations inattendues pourraient réduire les erreurs d’automatisation coûteuses. Des simulations plus réalistes pourraient également aider les organisations à évaluer les systèmes d’IA avant de leur accorder l’accès à des dossiers financiers sensibles, à des informations clients ou à des outils opérationnels.
L’opportunité concerne également les entreprises qui développent des modèles d’IA. Si les environnements de travail simulés permettent d’améliorer de manière mesurable la fiabilité des agents, les développeurs pourraient de plus en plus se livrer concurrence sur la qualité de leurs environnements d’entraînement et de leurs systèmes de retour d’information, au même titre que sur la taille des modèles, la puissance de calcul et les données d’entraînement.
Des questions importantes restent toutefois en suspens. Les environnements simulés ne peuvent pas reproduire entièrement la nature imprévisible des lieux de travail réels, où les employés doivent faire preuve de jugement, où les logiciels changent sans prévenir et où les situations inhabituelles sortent souvent du cadre des procédures établies. Un agent performant lors de l’entraînement pourrait tout de même rencontrer des difficultés face à des circonstances inédites.
Il existe également un écart entre démontrer qu’un agent peut accomplir une tâche et prouver qu’il peut le faire de manière constante, sûre et conforme aux politiques d’une organisation. Les entreprises auront toujours besoin de tests et d’une supervision en conditions réelles avant de déployer des systèmes autonomes dans des opérations critiques.
La question la plus importante est de savoir si le prochain avantage concurrentiel de l’IA viendra d’une plus grande quantité de connaissances pour les modèles ou d’une meilleure expérience. Plato parie sur le fait qu’un entraînement réaliste en environnement professionnel contribuera à combler l’écart entre les agents performants dans les démonstrations et ceux que les entreprises peuvent employer de manière fiable.
À lire également : un récent rapport d’eWEEK sur les performances des agents d’IA examine comment un modèle d’IA de premier plan n’a réussi à accomplir que 35 % des tâches d’entreprise lors de tests de référence, soulignant les problèmes de fiabilité que Plato espère résoudre.