Larridin kerää 30 miljoonaa dollaria A-sarjan rahoituskierroksella tekoälymenojen ja työvoimavaikutusten mittaamiseen

Larridin on kerännyt 30 miljoonaa dollaria A-sarjan rahoituskierroksella, jota johti Pelion Ventures. Yhtiön kokonaisrahoitus on nyt 47 miljoonaa dollaria. Larridin mittaa, miten tekoälyyn käytetyt varat näkyvät työntekijöiden ja ohjelmistoagenttien tekemässä työssä. Se palvelee yrityksiä, jotka haluavat saada selkeämpää näyttöä tekoälyinvestointiensa tuotosta.

Aiemmista sijoittajista Andreessen Horowitz ja Gradient Ventures osallistuivat kierrokseen uusien sijoittajien GFT:n, W23:n, Thayerin, DG Daiwa Venturesin, Alumni Venturesin ja Cougar Capitalin rinnalla.

2. marraskuuta julkaistussa ilmoituksessaan Larridin kertoi mitanneensa yli 2 miljardia tekoälyistuntoa ja seuranneensa yli 82 000 työnkulkua. Rahoituksella tuetaan tuotekehitystä ja tiimin kasvattamista.

Tekoälylaskujen yhdistäminen liiketoiminnan tuloksiin

Taloudellisessa haasteessa on kyse muustakin kuin aktiivisten käyttäjien laskemisesta. Organisaatio voi maksaa käyttäjälisensseistä, kuluttaa mallien tokeneita ja käyttää automatisoituja agentteja tietämättä, mitkä toiminnot tehostavat sen työtä. Käyttöönoton mittaaminen kertoo, käytetäänkö työkaluja. Arvon mittaaminen puolestaan edellyttää, että niiden käyttö yhdistetään hyödylliseen tulokseen ja sen tuottamisen kustannuksiin.

Larridinin AI Impact -tuotteen dokumentaatiossa kuvataan, miten yhteen voidaan koota laskutetut käyttöoikeudet, tokenien käyttö ja pilvessä toimivien mallien kustannukset sekä havaittuja työnkulkuja ja ohjelmistokehitysjärjestelmistä saatavaa dataa. Ratkaisu kohdistaa kulut osastoille ja vertaa tuotettua työtä tehtyyn investointiin.

Menetelmässä erotetaan tekoälyn tukema kapasiteetti toteutuneista rahallisista säästöistä. Tekoälyn tuottaman työn määrää voidaan arvioida ihmistyötä vastaavina tunteina, mutta niiden taloudellinen arvo riippuu vertailutasosta ja siitä, miten organisaatio hyödyntää vapautuneen kapasiteetin. Käytettävissä olevan ajan lisääntyminen ei automaattisesti pienennä budjettia tai henkilöstötarvetta.

Tämä ero on erityisen tärkeä koontinäyttöesimerkkejä tulkittaessa. Larridin merkitsee esimerkinomaisiksi selvästi havainnollistavat lukunsa, kuten sijoitetun pääoman tuoton esimerkkikertoimet ja säästyneet tunnit. Esimerkit havainnollistavat laskentatapaa, eivätkä ne osoita tietyn asiakkaan saavuttamaa tulosta.

Miten Workflow Intelligence havainnoi työntekoa

Yhtiön Workflow Intelligence -alusta käyttää selainlaajennusta ja työpöytäagenttia seuratakseen toimintaa sovelluksissa, jotka ylläpitäjät ovat valinneet. Larridinin mukaan se kerää metatietoja, kuten aktiiviset sovellukset, niiden käyttöjärjestyksen, kussakin vaiheessa käytetyn ajan ja siirtymät työkalusta toiseen.

Tuotedokumentaation mukaan viestien sisältöä, asiakirjojen sisältöä, näyttötallenteita tai näppäinpainalluksia ei kerätä. Tiedot kootaan oletusarvoisesti tiimitasolla, ja yksilötason näkymät ovat poissa käytöstä, elleivät ylläpitäjät ota niitä käyttöön.

Havainnot ryhmitellään työnkuluiksi, jotta tiimit voivat tarkastella työn kestoa, toistuvuutta, kitkakohtia ja tekoälyn osuutta. Alusta asettaa automatisointimahdollisuudet tärkeysjärjestykseen ja seuraa niitä kokeiluvaiheesta käyttöönottoon vertaamalla tuloksia tallennettuihin lähtötasoihin.

Tässä on tärkeää erottaa toisistaan mahdollinen, mallinnettu ja toteutunut kapasiteetti. Automatisointiin soveltuvaksi tunnistettu työnkulku ei ole vielä tuottanut samaa hyötyä kuin työnkulku, joka toimii jo onnistuneesti tuotantokäytössä.

Ohjelmistokehityksen mittaamisessa huomioidaan laatu ja katselmointi

Larridinin Developer Intelligence -ratkaisu yhdistää ohjelmistokehityksen tulokset tekoälyn kustannuksiin, toimitusnopeuteen ja koodin laatuun. Mittareihin kuuluvat tuotokset jokaista tekoälyyn käytettyä 1 000 dollaria kohti, virheasteet ja vetopyyntöjen läpimenoaika verrattuna tiimin omaan lähtötasoon.

Tuote tarkastelee myös agentti-istuntoja ja niistä tallennettuja vaiheita, tokenien käyttöä sekä arvioituja kustannuksia. Mallien reitityskomponentin avulla organisaatiot voivat määrittää koodaus työnkuluille kustannus- ja laatutavoitteet sekä vertailla mallivaihtoehtoja.

Tässä lähestymistavassa tunnistetaan, että koodin tuottaminen on vasta yksi ohjelmistotoimituksen vaihe. Katselmointikapasiteetti, varmennus, uudelleentyö ja käyttöönotto voivat ratkaista, muuttuuko suurempi tuotantomäärä hyödylliseksi ohjelmistoksi.

Yhtiön AI Impact -raportti tekoälyn vaikutuksista ohjelmistokehitykseen vuoden 2026 kolmannella neljänneksellä havainnollistaa tätä ristiriitaa. Analyysin mukaan tekoälyn avustamien yhdistettyjen vetopyyntöjen osuus kasvoi huhtikuun 35 prosentista syyskuun 62 prosenttiin, ja rahoitusilmoituksen mukaan ihmisen tekemän ensimmäisen koodikatselmoinnin mediaanissa odotusajat pitenivät 50 prosenttia. Nämä tulokset koskevat Larridinin mittaamaa otosta, eivät kaikkia ohjelmistokehitysorganisaatioita.

Tekoälyvastuullisuuden ympärille rakennettu mittausliiketoiminta

Larridinin mukaan mitattavissa oleva tiimien tuotantomäärä kasvoi sen asiakaskunnassa keskimäärin 47 prosenttia, ja tekoälymenoja optimoitiin ensimmäisen vuoden aikana mediaaniltaan 2,4 miljoonan dollarin edestä. Nämä ovat yhtiön ilmoittamia tuloksia, jotka eroavat sen tuotedashboardien havainnollistavista esimerkeistä.

Johdon sivulla Russ Fradin mainitaan yhtenä perustajista ja toimitusjohtajana, Jim Larrison yhtenä perustajista ja yhtiön presidenttinä sekä Ameya Kanitkar yhtenä perustajista ja teknologiajohtajana. Fradin ja Larrison hyödyntävät aiempaa kokemustaan digitaalisen mittaamisen kehittämisestä Comscorella. Heidän ilmoittamanaan tavoitteena on tarjota vertailukelpoinen mittauskerros tekoälyn avulla tehtävälle työlle.

Kuten Carta-yhtiön tuotejohtaja Vrushali Paunikar toteaa Unite.AI:lle kirjoittamassaan artikkelissa, joka käsittelee yritysten tekoälytyönkulkuja yhteyskerroksen ulkopuolella, työkalujen käyttöön tarjoaminen on vasta osa luotettavien tulosten saavuttamista. Larridinin painopiste on näitä tuloksia koskevassa näytössä: mitä työ maksoi, mikä muuttui ja mihin seuraava investointi pitäisi suunnata.