AI पर खर्च और कार्यबल पर उसके प्रभाव को मापने के लिए Larridin ने सीरीज़ A में 30 मिलियन डॉलर जुटाए

Larridin ने Pelion Ventures के नेतृत्व में सीरीज़ A फंडिंग के तहत 30 मिलियन डॉलर जुटाए हैं, जिससे उसकी कुल फंडिंग 47 मिलियन डॉलर हो गई है। कंपनी यह मापती है कि AI पर किया गया खर्च कर्मचारियों और सॉफ़्टवेयर एजेंटों के काम में किस तरह तब्दील होता है। इसका लक्ष्य ऐसे उद्यम हैं जो AI निवेश से मिले प्रतिफल के अधिक स्पष्ट प्रमाण चाहते हैं।

मौजूदा निवेशक Andreessen Horowitz और Gradient Ventures ने नए निवेशकों GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures और Cougar Capital के साथ निवेश किया।

2 नवंबर की घोषणा में Larridin ने कहा कि उसने 2 अरब से अधिक AI सत्रों का मापन किया है और 82,000 से अधिक कार्यप्रवाहों पर नज़र रखी है। इस फंडिंग से उत्पाद विकास और टीम के विस्तार को समर्थन मिलेगा।

AI के खर्च को कारोबारी नतीजों से जोड़ना

वित्तीय चुनौती सक्रिय उपयोगकर्ताओं की गिनती तक सीमित नहीं है। कोई संगठन सीटों के लिए भुगतान कर सकता है, मॉडल टोकन का इस्तेमाल कर सकता है और स्वचालित एजेंट चला सकता है—फिर भी उसे यह पता न हो कि किन गतिविधियों से उसके काम में सुधार होता है। उपयोग को मापने से पता चलता है कि उपकरण इस्तेमाल हो रहे हैं या नहीं; उनका मूल्य मापने के लिए यह देखना ज़रूरी है कि उनका इस्तेमाल किस उपयोगी नतीजे से जुड़ा है और उस नतीजे को हासिल करने की लागत क्या है।

Larridin के AI Impact उत्पाद के दस्तावेज़ में बताया गया है कि बिल किए गए लाइसेंस, टोकन के उपयोग और क्लाउड मॉडल की लागत को देखे गए कार्यप्रवाहों और इंजीनियरिंग प्रणालियों के डेटा के साथ जोड़कर विश्लेषण किया जाता है। इससे खर्च को विभागों से जोड़ा जाता है और उस निवेश की तुलना में किए गए काम का आकलन होता है।

इस पद्धति में AI की मदद से उपलब्ध हुई कार्यक्षमता और वास्तव में हासिल हुई नकद बचत के बीच अंतर किया जाता है। AI के योगदान वाले काम का अनुमान लगाने के लिए मानव-कार्य के समतुल्य घंटों का इस्तेमाल किया जा सकता है, लेकिन उनका वित्तीय मूल्य शुरुआती स्थिति और संगठन द्वारा उस क्षमता के इस्तेमाल के तरीके पर निर्भर करता है। अधिक समय उपलब्ध होने से बजट या कर्मचारियों की आवश्यकता अपने-आप कम नहीं होती।

डैशबोर्ड के उदाहरणों को देखते समय यह अंतर खास तौर पर महत्वपूर्ण है। Larridin अपने उदाहरणार्थ आँकड़ों को स्पष्ट रूप से उदाहरण बताता है; इनमें ROI के उदाहरणात्मक गुणक और लौटाए गए घंटों के आँकड़े भी शामिल हैं। ये प्रदर्शन गणना की प्रक्रिया समझाते हैं, किसी खास ग्राहक के नतीजे साबित नहीं करते।

Workflow Intelligence काम पर किस तरह नज़र रखता है

कंपनी का Workflow Intelligence प्लेटफ़ॉर्म व्यवस्थापकों द्वारा चुने गए अनुप्रयोगों की गतिविधि पर नज़र रखने के लिए ब्राउज़र एक्सटेंशन और डेस्कटॉप एजेंट का उपयोग करता है। Larridin के अनुसार, यह सक्रिय अनुप्रयोगों, उनके इस्तेमाल के क्रम, हर चरण में बिताए गए समय और उपकरणों के बीच हुए बदलाव जैसी मेटाडेटा जानकारी एकत्र करता है।

उत्पाद के दस्तावेज़ों के अनुसार, संदेशों का मुख्य पाठ, दस्तावेज़ों की सामग्री, स्क्रीन रिकॉर्डिंग और कीस्ट्रोक एकत्र नहीं किए जाते। डिफ़ॉल्ट रूप से, दृश्य टीम-स्तर पर समेकित होते हैं; व्यवस्थापक द्वारा सक्षम किए जाने तक व्यक्तिगत दृश्य बंद रहते हैं।

इन गतिविधियों को कार्यप्रवाहों में समूहित किया जाता है, ताकि टीमें उनकी अवधि, दोहराव, बाधाओं और AI की भूमिका का विश्लेषण कर सकें। प्लेटफ़ॉर्म स्वचालन के अवसरों को प्राथमिकता के क्रम में रखता है और दर्ज की गई शुरुआती स्थितियों के आधार पर, पायलट चरणों से लेकर पूरे हो चुके परिनियोजनों तक उनकी प्रगति पर नज़र रखता है।

यहाँ संभावित, मॉडल-आधारित और वास्तव में हासिल की गई कार्यक्षमता को अलग-अलग समझना महत्वपूर्ण है। स्वचालन के लिए उपयुक्त पहचाने गए कार्यप्रवाह से अभी वही लाभ नहीं मिला है जो उत्पादन परिवेश में सफलतापूर्वक चल रहे कार्यप्रवाह से मिल चुका है।

इंजीनियरिंग मापन में गुणवत्ता और समीक्षा भी शामिल

Larridin की Developer Intelligence पेशकश इंजीनियरिंग उत्पादन को AI की लागत, काम पूरा करने की गति और कोड की गुणवत्ता से जोड़ती है। इसके मापदंडों में AI पर खर्च किए गए प्रत्येक 1,000 डॉलर के मुकाबले उत्पादन, दोष दर और टीम की अपनी शुरुआती स्थिति की तुलना में पुल अनुरोधों को पूरा करने में लगा समय शामिल है।

यह उत्पाद एजेंट सत्रों और उनमें दर्ज किए गए चरणों, टोकन के उपयोग तथा अनुमानित लागत का भी विश्लेषण करता है। मॉडल-रूटिंग घटक संगठनों को कोडिंग कार्यप्रवाहों के लिए लागत और गुणवत्ता की प्राथमिकताएँ तय करने और अलग-अलग मॉडलों की तुलना करने देता है।

यह दृष्टिकोण मानता है कि अधिक कोड तैयार करना, काम पूरा करने की प्रक्रिया का केवल एक चरण है। समीक्षा की क्षमता, सत्यापन, दोबारा काम करने की ज़रूरत और परिनियोजन—ये तय कर सकते हैं कि अतिरिक्त उत्पादन उपयोगी सॉफ़्टवेयर में बदलता है या नहीं।

कंपनी की Q3 2026 की इंजीनियरिंग में AI Impact रिपोर्ट इस तनाव को दर्शाती है। इसके विश्लेषण में पाया गया कि मर्ज किए गए पुल अनुरोधों में AI की सहायता से तैयार किए गए अनुरोधों का हिस्सा अप्रैल के 35% से बढ़कर सितंबर में 62% हो गया। वहीं, फंडिंग की घोषणा के अनुसार, शुरुआती मानवीय कोड समीक्षा के लिए प्रतीक्षा समय की मध्यिका में 50% की वृद्धि हुई। ये निष्कर्ष Larridin के मापे गए समूह का वर्णन करते हैं, न कि हर इंजीनियरिंग संगठन का।

AI जवाबदेही पर केंद्रित मापन व्यवसाय

Larridin के अनुसार, उसके ग्राहक आधार में टीमों के मापने योग्य उत्पादन में औसतन 47% की वृद्धि हुई और पहले वर्ष में AI पर खर्च के अनुकूलन की मध्यिका 2.4 मिलियन डॉलर रही। ये कंपनी द्वारा बताए गए नतीजे हैं और उत्पाद के उदाहरणात्मक डैशबोर्ड से अलग हैं।

नेतृत्व टीम का पृष्ठ Russ Fradin को सह-संस्थापक और CEO, Jim Larrison को सह-संस्थापक और अध्यक्ष, तथा Ameya Kanitkar को सह-संस्थापक और CTO बताता है। Fradin और Larrison को Comscore में डिजिटल मापन प्रणालियाँ विकसित करने का पहले का अनुभव है। उनका घोषित उद्देश्य AI की मदद से किए गए काम के लिए तुलनीय मापन की एक परत उपलब्ध कराना है।

Carta की मुख्य उत्पाद अधिकारी Vrushali Paunikar का तर्क है कि Unite.AI के लिए लिखे गए एक लेख में, जो कनेक्शन परत से आगे के एंटरप्राइज़ AI कार्यप्रवाहों पर केंद्रित है, भरोसेमंद नतीजे देने के लिए केवल टूल तक पहुँच उपलब्ध कराना ही पर्याप्त नहीं है। Larridin का ध्यान उन नतीजों से जुड़े साक्ष्यों पर है: काम पर कितना खर्च आया, क्या बदला और अगला निवेश कहाँ किया जाना चाहिए।