Kindo rejser 30 millioner dollars for at udvide kontrollen med AI-agenter i virksomheder og reducere omkostningerne

Kindo har rejst 30 millioner dollars i en udvidelse af finansieringen for at udvide sin platform til håndtering af AI-agenter i virksomheder. Dermed er virksomhedens samlede kapitalrejsning nået op på 57,6 millioner dollars. Finansieringen blev ledet i fællesskab af Crosspoint Capital og Forgepoint Capital, som investerer i en virksomhed, der fokuserer på et voksende operationelt problem: at bevare kontrollen over, hvad AI-agenter kan tilgå, hvad de gør, og hvor meget de bruger.

Virksomheden, der har hovedsæde i Venice Beach i Californien, planlægger at bruge pengene på at udvide sin go-to-market-organisation og fremskynde udviklingen af sit AI Control Center samt Deep Hat-modeller og tilføjelser. Kindo oplyser, at omsætningen voksede med cirka 800 % fra året før i 2026.

Den nye finansieringsrunde medfører også ændringer i bestyrelsen. Andre Fuetsch, managing director hos Crosspoint Capital, og Ernie Bio, managing director hos Forgepoint Capital, indtræder i Kindos bestyrelse.

Et kontrolcenter for agenter, der er bygget på tværs af virksomheden

Når en agent tages i brug, delegeres der myndighed. En agent, der er forbundet med virksomhedens systemer, kan muligvis læse interne oplysninger, opdatere registre, godkende anmodninger eller ændre infrastrukturen. Efterhånden som antallet af udrulninger vokser, har sikkerheds- og driftsteams brug for at forstå både, hvilke tilladelser en agent har, og hvilke handlinger den faktisk udfører.

Kindo præsenterer sin platform som et fælles driftslag for IT, sikkerhed, økonomi og compliance. Kortlægning identificerer både godkendt og uautoriseret brug af AI, mens en samlet visning samler aktivitet, adgang, omkostninger og resultater. Organisationer kan bygge agenter i Kindo eller tilslutte agenter, der er udviklet andre steder. Kindo beskriver dette som et AI Operations Center, der bringer den løbende overvågning og indgriben, man kender fra sikkerheds- og netværksdriftscentre, til virksomhedens agenter.

Virksomhedens websted beskriver et register med oplysninger om, hvem der ejer agenterne, hvilke tilladelser de arver fra den person, der kører dem, og hvordan omkostningerne fordeles. Funktionerne løser forskellige dele af det samme administrationsproblem: at fastslå, hvem der er ansvarlig, kontrollere beføjelserne og afgøre, om det udførte arbejde står mål med ressourceforbruget.

Grundlægger og administrerende direktør Ron Williams sagde, at problemet ikke er mangel på værktøjer til at bygge agenter. Det, organisationer mangler, er de værktøjer, der skal til for at styre, hvordan agenter bygges, hvilke data de kan tilgå, hvor oplysninger kan sendes hen, og hvad det koster at drive agenterne.

Gateways styrer kald; eksekveringsmiljøet giver mulighed for mere indgriben

I Kindos annoncering beskrives gateways, der styrer og fører kontrol med agenters kald til tilsluttede data, værktøjer og godkendte modeller. Identitetskontroller anvender organisationens eksisterende tilladelser på personer og agenter, og adgangen kan begrænses yderligere centralt.

Dermed bliver forbindelsen mellem en agent og dens afhængigheder et kontrolpunkt. Et politiklag kan styre adgangen på tværs af understøttede integrationer, så hvert agentteam ikke selv skal indføre adskilte kontroller. Dækningen afhænger af, hvilke agenter og ressourcer der er forbundet med laget.

Til forretningskritiske udrulninger, der kræver mere indgående kontrol, tilbyder Kindo et specialudviklet eksekveringsmiljø til agenter. Miljøet styrer afviklingen af en agent og giver operatørerne yderligere muligheder for overvågning, support og indgriben, herunder for at overtage styringen af en agent, når noget går galt.

Denne forskel har både kommerciel og teknisk betydning. At forbinde en agent, der er udviklet eksternt, via gateways er noget andet end at køre den i Kindos eksekveringsmiljø. I annonceringen knyttes muligheden for mere indgriben og flere af Deep Hats omkostningsfunktioner specifikt til agenter, der kører i miljøet.

Synliggørelse af AI-udgifter sammen med resultaterne

Kindos AI Control Center registrerer tokenforbrug og resultaterne af agentkørsler, herunder mislykkede kørsler, så udgifterne kan henføres til enkeltpersoner, agenter, afdelinger og projekter. Økonomiteams kan fastsætte budgetter, modtage advarsler og håndhæve faste forbrugsgrænser.

Værdien af denne regnskabsføring begrænser sig ikke til at identificere den dyreste model. En billig agent, der gentagne gange fejler, kan spilde ressourcer, mens en dyr model kan være berettiget til en vanskelig opgave med stor værdi. Når omkostninger kobles til resultater, kan teams identificere gentagne fejl, unødvendig modelkapacitet og arbejde, der kan udføres mere effektivt.

Kindos muligheder for udrulning giver også kunderne mulighed for at vælge, hvor platformen skal køre: i Kindos cloud, i kundens egenadministrerede cloud, på lokal infrastruktur eller i et isoleret miljø uden netværksforbindelse. Valg af driftssted og valg af model er separate beslutninger, men begge har betydning for, hvordan en virksomhed afvejer driftskrav, kontrol og omkostninger.

Deep Hat retter sig mod forskellige kilder til modelomkostninger

Deep Hat-familien håndterer flere forskellige måder, hvorpå AI-arbejdsgange bruger ressourcer. I forbindelse med finansieringen beskrives fire værktøjer:

• Sift: Lærer, hvilke hændelser en agent ville afvise, og filtrerer derefter disse hændelser fra, når en person har godkendt tærskelværdien. Værktøjet registrerer de filtrerede hændelser og sender en stikprøve videre til løbende måling.
• Tune: Tilpasser en mindre og billigere model til en bestemt opgave, så større modeller kan reserveres til arbejde, der kræver dem.
• Reducér: Udfører gentagelige arbejdsgangstrin som kode for at fjerne modelomkostningerne ved disse trin og sender undtagelser tilbage til en model, når det er nødvendigt.
• Angrib: Understøtter privat, autoriseret test af offensiv sikkerhed som et alternativ til at bruge avancerede cybersikkerhedsmodeller til rutinemæssigt testarbejde.

Kindos offentliggjorte forklaring af Sift giver flere nyttige detaljer om filtreringsmekanismen. Den starter i skyggetilstand, hvor alle hændelser sendes videre til målagenten, samtidig med at systemet lærer af agentens vurderinger. Aktivering kræver først godkendelse fra et menneske, og en stikprøve af de hændelser, der ville blive filtreret fra, sendes stadig videre til agenten for at kontrollere, om noget overses.

Udformningen sparer modelarbejde ved at afgøre, hvornår det er nødvendigt at køre agenten fuldt ud. Målingen foretages dog i forhold til målagentens vurderinger, så overensstemmelse med den agent bør ikke forveksles med uafhængigt verificeret facit.

Kundernes ibrugtagning og næste fase af ekspansionen

Kindo oplyser, at løsningen er i produktion hos store og mellemstore virksomheder inden for finansielle tjenesteydelser, professionelle tjenesteydelser, sundhedsvæsen samt luftfart og transport. Meddelelsen fremhæver Aireon, hvis CISO i maj 2026 rapporterede, at brugen af Kindo til trusselsjagt og sikkerhedsoperationer på niveau 1 og 2 havde bidraget til årlige besparelser på mere end 2 millioner dollars. Det er et resultat, som kunden har rapporteret, og ikke et garanteret resultat for andre implementeringer.

TFX Capital og CircleRock Capital deltog i finansieringen sammen med de eksisterende investorer Drive Capital, Riot Ventures, RRE Ventures, Eniac Ventures, Marlinspike Partners, New Era Ventures og Sunset Venture.

Finansieringen på 30 millioner dollars skal finansiere en virksomhed, der er bygget op omkring de driftsmæssige konsekvenser af, at agenter tages i brug. Det bliver stadig lettere at skabe agenter, men det kræver ansvarsplacering, adgangspolitikker, indgrebsmekanismer og udgiftsstyring at understøtte dem i produktion. Kindos mulighed består i at gøre det håndterbart at varetage disse ansvarsområder på tværs af agenter, der er udviklet forskellige steder og betjener forskellige teams.