Patronus AI zebrało 50 mln USD na cyfrowe światy do testowania agentów przed wdrożeniem produkcyjnym
Patronus AI zamknęło rundę Series B na 50 mln USD. Startup buduje wierne repliki aplikacji i systemów wewnętrznych, w których agenci AI mogą być stres-testowani metodami RL przed wdrożeniem — bez ryzyka dla danych produkcyjnych.
25 czerwca 2026 r. Patronus AI — startup założony w 2023 r. przez byłych badaczy Meta AI, Anand Kannappan i Rebecca Qian — ogłosił zamknięcie rundy Series B o wartości 50 mln USD. Runda, prowadzona przez Greenfield Partners z udziałem Notable Capital, Lightspeed, Datadog i Samsunga, podniosła całkowite finansowanie firmy do 70 mln USD. Przychody wzrosły 15-krotnie w ciągu ostatniego roku; technologię Patronusa używa już praktycznie każde duże laboratorium AI i dziesiątki startupów.
Czym są "cyfrowe modele świata"
Kluczowy produkt to tzw. cyfrowe modele świata (digital world models) — wierne repliki aplikacji webowych i wewnętrznych systemów firmy. Działają one jako środowisko treningowe i testowe dla agentów AI: agent próbuje wykonać zadanie (złożyć zamówienie, wypełnić formularz, przeanalizować dane finansowe), a system nagradza sukcesy i karze błędy metodami uczenia ze wzmocnieniem (RL). Dzięki temu agenta można przetestować na tysiącach scenariuszy bez ryzyka uszkodzenia danych produkcyjnych.
Dlaczego to ważne teraz
Gdy agenci AI coraz częściej wykonują złożone, wieloetapowe zadania w prawdziwych systemach, walidacja przed wdrożeniem staje się krytyczna — omyłkowe kliknięcie "potwierdź płatność" albo usunięcie pliku przez agenta to realne ryzyka. Patronus działa na razie w dwóch domenach: inżynierii oprogramowania i finansach, ale firma planuje rozszerzenie na kolejne sektory.
Rosnące pole ewaluacji agentów
Środowisko ewaluacji agentów to jeden z najbardziej gorących obszarów inwestycji w AI-tooling. Obok Patronusa w tej przestrzeni działają projekty takie jak AgentBench i OSWorld. Symulowane środowiska uzupełniają statyczne benchmarki o dynamiczne, interaktywne testy zdolności do wieloetapowego planowania i odporności na błędy — co sprawia, że ocena agentów zbliża się do realnych warunków pracy.