Larridin lève 30 millions de dollars lors d’un tour de série A pour mesurer les dépenses liées à l’IA et leur impact sur les effectifs

Larridin a levé 30 millions de dollars lors d’un tour de série A mené par Pelion Ventures, portant le total de ses financements à 47 millions de dollars. L’entreprise mesure la manière dont les dépenses liées à l’IA se traduisent en travail effectué par les employés et les agents logiciels. Elle s’adresse aux entreprises qui cherchent à mieux évaluer le rendement de leurs investissements dans l’IA.

Les investisseurs historiques Andreessen Horowitz et Gradient Ventures ont participé à l’opération aux côtés des nouveaux investisseurs GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures et Cougar Capital.

Dans son annonce du 2 novembre, Larridin a indiqué avoir mesuré plus de 2 milliards de sessions d’IA et suivi plus de 82 000 flux de travail. Les fonds levés serviront à soutenir le développement des produits et l’expansion de l’équipe.

Relier les dépenses liées à l’IA aux résultats de l’entreprise

Le défi financier ne se limite pas au décompte des utilisateurs actifs. Une organisation peut payer des licences, consommer des jetons de modèles et faire fonctionner des agents automatisés sans savoir quelles activités améliorent son travail. Mesurer l’adoption permet de savoir si les outils sont utilisés ; mesurer leur valeur suppose de relier cet usage à un résultat utile et au coût nécessaire pour l’obtenir.

La documentation du produit AI Impact de Larridin décrit comment combiner les licences facturées, l’utilisation de jetons et les coûts des modèles infonuagiques avec les flux de travail observés et les données des systèmes d’ingénierie. Elle associe les dépenses aux différents services et compare le travail produit à l’investissement correspondant.

La méthodologie distingue la capacité rendue possible par l’IA des économies effectivement réalisées. Les heures équivalentes à du travail humain peuvent servir à estimer la contribution de l’IA, mais leur valeur financière dépend de la situation de référence et de la manière dont une organisation utilise cette capacité. Disposer de davantage de temps ne réduit pas automatiquement le budget ni les besoins en personnel.

Cette distinction est particulièrement importante lors de l’examen des exemples présentés dans les tableaux de bord. Larridin signale explicitement que ses chiffres sont illustratifs, notamment les exemples de multiples de rendement et d’heures récupérées. Ces démonstrations expliquent le calcul ; elles ne permettent pas d’établir le résultat obtenu par un client en particulier.

Comment Workflow Intelligence observe le travail

La plateforme Workflow Intelligence de l’entreprise utilise une extension de navigateur et un agent de bureau pour observer l’activité dans les applications sélectionnées par les administrateurs. Larridin indique recueillir des métadonnées comme les applications actives, leur ordre d’utilisation, le temps passé à chaque étape et les transitions entre les outils.

Selon la documentation produit, les corps des messages, le contenu des documents, les enregistrements d’écran et les frappes au clavier ne sont pas collectés. Par défaut, les vues regroupent les données au niveau des équipes ; les vues individuelles sont désactivées, sauf si les administrateurs les activent.

Ces observations sont regroupées en flux de travail afin que les équipes puissent examiner leur durée, leur répétitivité, les points de friction et les étapes faisant intervenir l’IA. La plateforme classe les possibilités d’automatisation par ordre de priorité et en suit l’évolution, des projets pilotes aux déploiements achevés, en les comparant aux données de référence recueillies.

Il est important, dans ce contexte, de distinguer la capacité potentielle, modélisée et réalisée. Un flux de travail repéré comme pouvant être automatisé n’a pas encore produit le même bénéfice qu’un flux déjà opérationnel en production.

La mesure de l’ingénierie prend en compte la qualité et les revues de code

L’offre Developer Intelligence de Larridin met en relation la production technique avec les coûts liés à l’IA, la rapidité de livraison et la qualité du code. Ses indicateurs comprennent la production pour 1 000 $ de dépenses liées à l’IA, les taux de défauts et le délai de traitement des demandes de fusion, comparés à la valeur de référence propre à chaque équipe.

Le produit examine également les sessions des agents, leurs étapes enregistrées, l’utilisation des jetons et le coût estimé. Un composant d’acheminement des modèles permet aux organisations de définir des priorités en matière de coût et de qualité pour les flux de travail de codage, puis de comparer différents choix de modèles.

Cette approche reconnaît que la génération de code n’est qu’une étape du processus de livraison. La capacité de révision, la vérification, les reprises et le déploiement peuvent déterminer si une production supplémentaire se traduit par un logiciel utile.

Le rapport AI Impact sur l’ingénierie pour le troisième trimestre 2026 de l’entreprise illustre cette tension. Son analyse a révélé que la part des demandes de fusion traitées avec l’aide de l’IA est passée de 35 % en avril à 62 % en septembre, et l’annonce du financement fait état d’une hausse de 50 % du délai médian avant une première revue de code par une personne. Ces résultats décrivent la cohorte mesurée par Larridin, et non l’ensemble des équipes d’ingénierie.

Une activité de mesure axée sur la responsabilité en matière d’IA

Larridin fait état d’une hausse moyenne de 47 % de la production mesurable des équipes et d’une optimisation médiane des dépenses liées à l’IA de 2,4 millions de dollars au cours de la première année, sur l’ensemble de sa clientèle. Il s’agit de résultats communiqués par l’entreprise, distincts des exemples illustratifs présentés dans ses tableaux de bord produit.

La page de l’équipe dirigeante présente Russ Fradin comme cofondateur et PDG, Jim Larrison comme cofondateur et président, et Ameya Kanitkar comme cofondateur et directeur technique. Fradin et Larrison s’appuient sur leur expérience antérieure en matière de mesure numérique chez Comscore. Leur objectif déclaré est de fournir une couche de mesure comparable pour le travail réalisé avec l’IA.

Comme le soutient Vrushali Paunikar, directrice des produits chez Carta, dans un article pour Unite.AI sur les flux de travail d’IA en entreprise au-delà de la couche de connexion, donner accès aux outils ne représente qu’une partie de la démarche pour obtenir des résultats fiables. Larridin s’intéresse aux éléments concrets qui entourent ces résultats : le coût du travail, les changements apportés et les domaines où investir ensuite.