Larridin raccoglie 30 milioni di dollari in un round di serie A per misurare la spesa per l’IA e il suo impatto sulla forza lavoro

Larridin ha raccolto 30 milioni di dollari in un round di serie A guidato da Pelion Ventures, portando il finanziamento totale a 47 milioni di dollari. L’azienda misura in che modo la spesa per l’IA si traduce in lavoro svolto da dipendenti e agenti software, rivolgendosi alle imprese che cercano dati più chiari sui rendimenti dei propri investimenti nell’IA.

Tra gli investitori esistenti che hanno partecipato figurano Andreessen Horowitz e Gradient Ventures, insieme ai nuovi investitori GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures e Cougar Capital.

Nel suo annuncio del 2 novembre, Larridin ha dichiarato di aver misurato oltre 2 miliardi di sessioni di IA e monitorato più di 82.000 flussi di lavoro. I fondi raccolti sosterranno lo sviluppo del prodotto e l’ampliamento del team.

Collegare i costi dell’IA ai risultati aziendali

La sfida finanziaria va oltre il conteggio degli utenti attivi. Un’organizzazione può pagare licenze per utente, consumare token dei modelli e utilizzare agenti automatizzati senza sapere quali attività migliorino il proprio lavoro. Misurare l’adozione mostra se gli strumenti vengono utilizzati; misurare il valore richiede di collegare tale utilizzo a un risultato utile e al costo necessario per ottenerlo.

La documentazione del prodotto AI Impact di Larridin descrive come combinare le licenze fatturate, l’utilizzo dei token e i costi dei modelli basati sul cloud con i flussi di lavoro osservati e i dati dei sistemi di ingegneria. La piattaforma associa la spesa ai reparti e confronta il lavoro prodotto con l’investimento effettuato.

La metodologia distingue la capacità supportata dall’IA dai risparmi di cassa effettivamente realizzati. Le ore equivalenti al lavoro umano possono stimare il contributo dell’IA, ma il loro valore finanziario dipende dalla situazione di partenza e da come l’organizzazione impiega tale capacità. Avere più tempo a disposizione non riduce automaticamente il budget o il fabbisogno di personale.

Questa distinzione è particolarmente importante quando si esaminano gli esempi nelle dashboard. Larridin contrassegna esplicitamente i dati illustrativi, compresi i moltiplicatori di ROI e le ore recuperate riportati a titolo di esempio. Queste dimostrazioni spiegano il calcolo, ma non attestano i risultati di un cliente specifico.

Come Workflow Intelligence osserva il lavoro

La piattaforma Workflow Intelligence dell’azienda utilizza un’estensione del browser e un agente desktop per osservare le attività nelle applicazioni selezionate dagli amministratori. Larridin afferma di raccogliere metadati quali le applicazioni attive, la loro sequenza, il tempo trascorso in ciascuna fase e i passaggi da uno strumento all’altro.

La documentazione del prodotto dichiara che non vengono raccolti il contenuto dei messaggi, quello dei documenti, le registrazioni dello schermo né i tasti premuti. Per impostazione predefinita, le visualizzazioni aggregano i dati a livello di team; quelle individuali sono disattivate, salvo attivazione da parte degli amministratori.

Queste osservazioni vengono raggruppate in flussi di lavoro, così che i team possano analizzarne la durata, la ripetitività, gli ostacoli e i punti in cui interviene l’IA. La piattaforma classifica le opportunità di automazione e ne monitora l’avanzamento durante i progetti pilota e dopo il completamento delle implementazioni, confrontandoli con i valori di riferimento rilevati.

È importante distinguere tra capacità potenziale, modellizzata e realizzata. Un flusso di lavoro individuato come candidato all’automazione non ha ancora prodotto lo stesso beneficio di uno già operativo con successo in produzione.

La misurazione dell’ingegneria include qualità e revisione

La soluzione Developer Intelligence di Larridin collega i risultati dell’ingegneria ai costi dell’IA, alla velocità di consegna e alla qualità del codice. Tra le metriche figurano i risultati per ogni 1.000 dollari spesi in IA, i tassi di difetti e il tempo di ciclo delle richieste di pull, confrontati con i valori di riferimento del team stesso.

Il prodotto esamina anche le sessioni degli agenti, le fasi registrate, l’utilizzo dei token e i costi stimati. Un componente di instradamento dei modelli consente alle organizzazioni di definire le priorità di costo e qualità per i flussi di lavoro di programmazione e di confrontare le diverse opzioni di modello.

Questo approccio riconosce che generare più codice è solo una fase del processo di consegna. La capacità di revisione, la verifica, la rielaborazione e la distribuzione possono determinare se una produzione aggiuntiva si traduca in software utile.

Il rapporto AI Impact sull’ingegneria per il terzo trimestre 2026 dell’azienda illustra questa tensione. Dall’analisi è emerso che la quota di richieste di pull con assistenza dell’IA tra quelle integrate è passata dal 35% di aprile al 62% di settembre; l’annuncio del finanziamento riporta inoltre un aumento del 50% dei tempi mediani di attesa per la prima revisione umana del codice. Questi risultati riguardano il campione misurato da Larridin, non tutte le organizzazioni di ingegneria.

Un’attività di misurazione incentrata sulla responsabilità nell’uso dell’IA

Larridin dichiara un aumento medio del 47% dei risultati misurabili dei team e un’ottimizzazione mediana della spesa per l’IA di 2,4 milioni di dollari nel primo anno, considerando la propria clientela. Si tratta di risultati riportati dall’azienda, distinti dagli esempi illustrativi presenti nelle dashboard del prodotto.

La pagina dedicata alla dirigenza indica Russ Fradin come cofondatore e CEO, Jim Larrison come cofondatore e presidente e Ameya Kanitkar come cofondatore e CTO. Fradin e Larrison mettono a frutto la precedente esperienza maturata nella creazione di sistemi di misurazione digitale presso Comscore. Il loro obiettivo dichiarato è fornire un livello di misurazione comparabile per il lavoro svolto con l’IA.

Come sostiene Vrushali Paunikar, responsabile di prodotto di Carta, in un articolo per Unite.AI sui flussi di lavoro aziendali con l’IA oltre il livello di connessione, fornire accesso agli strumenti è solo una parte di ciò che serve per ottenere risultati affidabili. Larridin si concentra sulle prove relative a quei risultati: quanto è costato il lavoro, cosa è cambiato e dove indirizzare il prossimo investimento.