Larridin nimmt in einer Series-A-Finanzierungsrunde 30 Millionen US-Dollar auf, um KI-Ausgaben und ihre Auswirkungen auf die Belegschaft zu messen

Larridin hat eine Series-A-Finanzierung in Höhe von 30 Millionen US-Dollar unter der Führung von Pelion Ventures aufgenommen. Damit beläuft sich die Gesamtfinanzierung auf 47 Millionen US-Dollar. Das Unternehmen misst, wie sich KI-Ausgaben in Arbeit niederschlagen, die von Mitarbeitenden und Software-Agenten erledigt wird. Es richtet sich an Unternehmen, die klarere Belege für den Ertrag ihrer KI-Investitionen suchen.

Die bisherigen Investoren Andreessen Horowitz und Gradient Ventures beteiligten sich ebenso wie die neuen Investoren GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures und Cougar Capital.

In seiner Ankündigung vom 2. November erklärte Larridin, mehr als 2 Milliarden KI-Sitzungen gemessen und über 82.000 Arbeitsabläufe erfasst zu haben. Die Finanzierung soll die Produktentwicklung und den Ausbau des Teams unterstützen.

KI-Ausgaben mit Geschäftsergebnissen verknüpfen

Die finanzielle Herausforderung geht über das Zählen aktiver Nutzer hinaus. Ein Unternehmen kann für Nutzerlizenzen zahlen, Modell-Tokens verbrauchen und automatisierte Agenten einsetzen, ohne zu wissen, welche Aktivitäten seine Arbeit verbessern. Die Messung der Nutzung zeigt, ob Werkzeuge verwendet werden. Um den Wert zu messen, muss ihre Nutzung mit einem nützlichen Ergebnis und den Kosten seiner Erzielung verknüpft werden.

Die Produktdokumentation zu den Auswirkungen von KI von Larridin beschreibt, wie sich abgerechnete Lizenzen, Token-Nutzung und Kosten für Cloud-Modelle mit beobachteten Arbeitsabläufen und Daten aus Entwicklungssystemen zusammenführen lassen. Die Ausgaben werden den Abteilungen zugeordnet, und die erzielten Arbeitsergebnisse werden mit den entsprechenden Investitionen verglichen.

Die Methodik unterscheidet zwischen durch KI unterstützter Kapazität und tatsächlich erzielten Kosteneinsparungen. In Arbeitsstunden von Menschen umgerechnet lässt sich schätzen, welchen Arbeitsaufwand KI übernimmt. Der finanzielle Wert dieser Kapazität hängt jedoch von der Ausgangsbasis und davon ab, wie ein Unternehmen sie nutzt. Mehr verfügbare Zeit führt nicht automatisch zu einem geringeren Budget oder Personalbedarf.

Diese Unterscheidung ist besonders wichtig, wenn man sich Beispiele aus Dashboards ansieht. Larridin kennzeichnet seine veranschaulichenden Zahlen ausdrücklich als Beispiele, darunter beispielhafte ROI-Multiplikatoren und zurückgewonnene Stunden. Diese Darstellungen erläutern die Berechnung, belegen aber nicht das Ergebnis eines bestimmten Kunden.

Wie Workflow Intelligence Arbeitsabläufe erfasst

Die Plattform Workflow Intelligence des Unternehmens nutzt eine Browser-Erweiterung und einen Desktop-Agenten, um Aktivitäten in Anwendungen zu erfassen, die von Administratoren ausgewählt wurden. Laut Larridin sammelt sie Metadaten wie die aktiven Anwendungen, ihre Reihenfolge, die in den einzelnen Schritten verbrachte Zeit und den Wechsel zwischen Werkzeugen.

Laut Produktdokumentation werden weder Nachrichteninhalte noch Dokumentinhalte, Bildschirmaufzeichnungen oder Tastenanschläge erfasst. Standardmäßig werden Ansichten auf Teamebene zusammengefasst; Einzelansichten sind deaktiviert, sofern Administratoren sie nicht aktivieren.

Diese Beobachtungen werden zu Arbeitsabläufen zusammengefasst, damit Teams deren Dauer und Wiederholungen, Reibungsverluste und den Einsatz von KI untersuchen können. Die Plattform stuft Automatisierungsmöglichkeiten nach ihrer Priorität ein und verfolgt sie anhand erfasster Ausgangswerte bis durch Pilotprojekte und abgeschlossene Einführungen hindurch.

Hier ist es wichtig, zwischen potenzieller, modellierter und tatsächlich verfügbarer Kapazität zu unterscheiden. Ein als Automatisierungskandidat identifizierter Arbeitsablauf hat noch nicht denselben Nutzen erbracht wie einer, der bereits erfolgreich in der Produktion läuft.

Bei der Messung von Entwicklungsarbeit zählen auch Qualität und Überprüfung

Das Angebot Developer Intelligence von Larridin verknüpft die Entwicklungsleistung mit KI-Kosten, Liefergeschwindigkeit und Codequalität. Zu den Kennzahlen zählen die Leistung pro 1.000 US-Dollar an KI-Ausgaben, Fehlerraten und die Durchlaufzeit von Pull Requests im Vergleich zur eigenen Ausgangsbasis eines Teams.

Das Produkt untersucht außerdem Agentensitzungen und die dabei erfassten Schritte, den Token-Verbrauch und die geschätzten Kosten. Eine Komponente für das Modell-Routing ermöglicht es Unternehmen, für Programmierabläufe Kosten- und Qualitätsprioritäten festzulegen und verschiedene Modelloptionen zu vergleichen.

Dieser Ansatz berücksichtigt, dass das Generieren von mehr Code nur eine Phase der Entwicklung ist. Die Überprüfungskapazität, Verifizierung, Nacharbeit und Bereitstellung können darüber entscheiden, ob zusätzliche Leistung zu nutzbarer Software wird.

Der Bericht zu den Auswirkungen von KI auf die Softwareentwicklung für das dritte Quartal 2026 des Unternehmens veranschaulicht diesen Zielkonflikt. Der Analyse zufolge stieg der Anteil der mit KI-Unterstützung erstellten, zusammengeführten Pull Requests von 35 % im April auf 62 % im September. In der Finanzierungsankündigung wird zudem ein Anstieg der medianen Wartezeit auf eine erste menschliche Codeüberprüfung um 50 % genannt. Diese Ergebnisse beziehen sich auf die von Larridin erfasste Gruppe und nicht auf alle Entwicklungsunternehmen.

Ein Messgeschäft rund um die Rechenschaftspflicht beim KI-Einsatz

Larridin berichtet von einem durchschnittlichen Anstieg der messbaren Teamleistung um 47 % und einer medianen Optimierung der KI-Ausgaben im ersten Jahr von 2,4 Millionen US-Dollar über den gesamten Kundenstamm hinweg. Dabei handelt es sich um vom Unternehmen berichtete Ergebnisse, die von den veranschaulichenden Produkt-Dashboards zu unterscheiden sind.

Auf der Seite des Führungsteams werden Russ Fradin als Mitgründer und CEO, Jim Larrison als Mitgründer und Präsident sowie Ameya Kanitkar als Mitgründer und CTO genannt. Fradin und Larrison bringen ihre frühere Erfahrung mit dem Aufbau digitaler Messverfahren bei Comscore ein. Ihr erklärtes Ziel ist es, eine vergleichbare Messebene für mit KI erledigte Arbeit bereitzustellen.

Wie Carta-Chief-Product-Officer Vrushali Paunikar in einem Beitrag für Unite.AI über unternehmensweite KI-Workflows jenseits der Verbindungsschicht argumentiert, ist der Zugang zu Werkzeugen nur ein Teil davon, zuverlässige Ergebnisse zu erzielen. Larridins Fokus liegt auf den Nachweisen rund um diese Ergebnisse: Was die Arbeit gekostet hat, was sich verändert hat und wohin die nächste Investition fließen sollte.