Larridin rejser 30 mio. dollar i serie A-finansiering for at måle AI-udgifter og påvirkningen af arbejdsstyrken

Larridin har rejst 30 mio. dollar i serie A-finansiering i en runde anført af Pelion Ventures, hvilket bringer virksomhedens samlede finansiering op på 47 mio. dollar. Virksomheden måler, hvordan AI-udgifter omsættes til arbejde udført af medarbejdere og softwareagenter, og henvender sig til virksomheder, der ønsker tydeligere dokumentation for afkastet af deres AI-investeringer.

De eksisterende investorer Andreessen Horowitz og Gradient Ventures deltog sammen med de nye investorer GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures og Cougar Capital.

I sin meddelelse den 2. november oplyste Larridin, at virksomheden har målt mere end 2 milliarder AI-sessioner og fulgt over 82.000 arbejdsgange. Finansieringen skal gå til produktudvikling og udvidelse af teamet.

Sådan forbindes AI-udgifter med forretningsresultater

Den økonomiske udfordring handler om mere end at tælle aktive brugere. En organisation kan betale for brugerlicenser, forbruge modeltokens og køre automatiserede agenter uden at vide, hvilke aktiviteter der forbedrer arbejdet. Måling af udbredelsen viser, om værktøjerne bliver brugt; måling af værdien kræver, at brugen forbindes med et nyttigt resultat og omkostningerne ved at skabe det.

Larridins dokumentation af produktet AI Impact beskriver, hvordan fakturerede licenser, tokenforbrug og omkostninger til cloudmodeller kombineres med observerede arbejdsgange og data fra udviklingssystemer. Løsningen knytter udgifterne til afdelinger og sammenholder det udførte arbejde med investeringen.

Metoden skelner mellem kapacitet understøttet af AI og faktiske kontante besparelser. Timer omregnet til menneskelig arbejdstid kan bruges til at anslå det arbejde, AI bidrager med, men den økonomiske værdi afhænger af udgangspunktet, og hvordan organisationen udnytter kapaciteten. Mere tilgængelig tid fører ikke automatisk til et lavere budget eller et mindre personalebehov.

Denne skelnen er særlig vigtig, når man ser på eksempler fra betjeningspanelet. Larridin mærker udtrykkeligt sine illustrative tal, herunder eksempler på afkastmultipler og tilbagegivne timer, som eksempler. De viser, hvordan beregningen foretages, men dokumenterer ikke et bestemt kundes resultat.

Sådan observerer Workflow Intelligence arbejdet

Virksomhedens platform Workflow Intelligence bruger en browserudvidelse og en skrivebordsagent til at observere aktivitet i de applikationer, som administratorerne har valgt. Larridin oplyser, at løsningen indsamler metadata såsom aktive applikationer, rækkefølgen, de bruges i, tiden brugt på hvert trin og skift mellem værktøjer.

Produktdokumentationen oplyser, at indholdet af beskeder og dokumenter, skærmoptagelser og tastetryk ikke indsamles. Visninger samles som standard på teamniveau, mens individuelle visninger er deaktiveret, medmindre administratorerne aktiverer dem.

Observationerne grupperes i arbejdsgange, så teams kan undersøge varighed, gentagelser, friktion og hvor AI indgår. Platformen rangerer muligheder for automatisering og følger dem fra pilotprojekter til gennemførte implementeringer ved at sammenligne med de registrerede udgangspunkter.

Det er vigtigt her at skelne mellem potentiel, modelleret og realiseret kapacitet. En arbejdsgang, der er udpeget som kandidat til automatisering, har endnu ikke leveret samme gevinst som en arbejdsgang, der allerede fungerer i produktion.

Måling af udviklingsarbejde omfatter kvalitet og kodegennemgang

Larridins tilbud inden for udviklerindsigt forbinder udviklingsresultater med AI-omkostninger, leveringshastighed og kodekvalitet. Målingerne omfatter output pr. 1.000 dollar brugt på AI, fejlprocenter og tiden fra oprettelse til afslutning af pull requests sammenlignet med teamets eget udgangspunkt.

Produktet undersøger også agentsessioner og deres registrerede trin, tokenforbrug og anslåede omkostninger. En komponent til valg af model giver organisationer mulighed for at fastsætte prioriteter for omkostninger og kvalitet i kodningsarbejdsgange og sammenligne forskellige modeller.

Denne tilgang anerkender, at generering af mere kode kun er ét trin i leveringen. Kapaciteten til kodegennemgang, verifikation, omarbejde og udrulning kan afgøre, om et større output bliver til brugbar software.

Virksomhedens rapport om AI-påvirkning på softwareudvikling for 3. kvartal 2026 illustrerer spændingen. Analysen viste, at andelen af sammenlagte pull requests, der var udarbejdet med hjælp fra AI, steg fra 35 % i april til 62 % i september, og finansieringsmeddelelsen oplyser, at den mediane ventetid på en indledende manuel kodegennemgang steg med 50 %. Resultaterne beskriver det udsnit, Larridin har målt, og ikke alle udviklingsorganisationer.

En målevirksomhed med fokus på ansvarlig brug af AI

Larridin rapporterer en gennemsnitlig stigning på 47 % i teamenes målbare output og en medianoptimering af AI-udgifterne på 2,4 mio. dollar i det første år på tværs af kundebasen. Det er resultater, virksomheden selv har rapporteret, og de skal adskilles fra de illustrative betjeningspaneler i produktet.

Ledelsessiden angiver Russ Fradin som medstifter og administrerende direktør, Jim Larrison som medstifter og præsident samt Ameya Kanitkar som medstifter og teknologidirektør. Fradin og Larrison trækker på deres tidligere erfaring med at udvikle digital måling hos Comscore. Deres erklærede mål er at tilbyde et sammenligneligt målelag for arbejde udført med AI.

Som Carta’s produktchef Vrushali Paunikar argumenterer i en artikel for Unite.AI om virksomheders AI-arbejdsgange ud over forbindelseslaget, er adgang til værktøjer kun en del af det at levere pålidelige resultater. Larridins fokus er dokumentationen bag resultaterne: hvad arbejdet kostede, hvad der ændrede sig, og hvor den næste investering bør placeres.