Larridin haalt 30 miljoen dollar op in Series A-financieringsronde om AI-uitgaven en impact op het personeelsbestand te meten

Larridin heeft onder leiding van Pelion Ventures 30 miljoen dollar opgehaald in een Series A-financieringsronde, waarmee de totale financiering op 47 miljoen dollar komt. Het bedrijf meet hoe AI-uitgaven zich vertalen in werk dat door medewerkers en softwareagents wordt verricht. Daarmee richt het zich op ondernemingen die duidelijker inzicht willen in het rendement van hun AI-investeringen.

Bestaande investeerders Andreessen Horowitz en Gradient Ventures namen deel, samen met de nieuwe investeerders GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures en Cougar Capital.

In de aankondiging van 2 november meldde Larridin dat het meer dan 2 miljard AI-sessies heeft gemeten en ruim 82.000 workflows heeft gevolgd. De financiering wordt gebruikt voor productontwikkeling en uitbreiding van het team.

AI-kosten koppelen aan bedrijfsresultaten

De financiële uitdaging gaat verder dan het tellen van actieve gebruikers. Een organisatie kan betalen voor gebruikerslicenties, modeltokens verbruiken en geautomatiseerde agents inzetten zonder te weten welke activiteiten het werk verbeteren. Adoptie meten laat zien of tools worden gebruikt; de waarde meten vereist dat dit gebruik wordt gekoppeld aan een nuttig resultaat en aan de kosten om dat resultaat te behalen.

In de productdocumentatie van Larridins AI Impact staat beschreven hoe gefactureerde licenties, tokengebruik en kosten van cloudmodellen worden gecombineerd met waargenomen workflows en gegevens uit technische systemen. Het platform koppelt uitgaven aan afdelingen en vergelijkt het geleverde werk met die investering.

De methodologie maakt onderscheid tussen capaciteit die AI ondersteunt en daadwerkelijk gerealiseerde kostenbesparingen. Uren die overeenkomen met menselijke arbeid kunnen een schatting geven van het werk dat AI bijdraagt, maar de financiële waarde daarvan hangt af van de uitgangssituatie en van de manier waarop een organisatie die capaciteit benut. Meer beschikbare tijd leidt niet automatisch tot een lager budget of minder benodigde personeelsbezetting.

Dat onderscheid is vooral belangrijk bij het bekijken van voorbeelden op dashboards. Larridin geeft uitdrukkelijk aan dat de cijfers ter illustratie dienen, waaronder voorbeeldmultiples voor het rendement op investering en het aantal teruggewonnen uren. Deze voorbeelden laten zien hoe de berekening werkt, maar vormen geen bewijs voor de resultaten van een specifieke klant.

Zo observeert Workflow Intelligence het werk

Het Workflow Intelligence-platform van het bedrijf gebruikt een browserextensie en een desktopagent om activiteiten te observeren in applicaties die door beheerders zijn geselecteerd. Larridin zegt metadata te verzamelen, zoals welke applicaties actief zijn, in welke volgorde ze worden gebruikt, hoeveel tijd aan elke stap wordt besteed en hoe gebruikers tussen tools wisselen.

Volgens de productdocumentatie worden de inhoud van berichten en documenten, schermopnamen en toetsaanslagen niet verzameld. Weergaven worden standaard op teamniveau samengevoegd; individuele weergaven zijn uitgeschakeld, tenzij beheerders ze inschakelen.

Deze waarnemingen worden gegroepeerd in workflows, zodat teams de duur, herhaling en knelpunten kunnen onderzoeken en kunnen zien waar AI wordt ingezet. Het platform rangschikt mogelijkheden voor automatisering en volgt die vanaf de vastgelegde uitgangssituatie, via proefprojecten, tot en met afgeronde implementaties.

Het is hierbij belangrijk onderscheid te maken tussen potentiële, gemodelleerde en gerealiseerde capaciteit. Een workflow die is aangemerkt als kandidaat voor automatisering heeft nog niet hetzelfde voordeel opgeleverd als een workflow die al met succes in productie draait.

Bij technische metingen tellen ook kwaliteit en codebeoordeling mee

Het aanbod Developer Intelligence van Larridin koppelt technische output aan AI-kosten, leveringssnelheid en codekwaliteit. De meetgegevens omvatten de output per 1.000 dollar aan AI-uitgaven, het aantal defecten en de doorlooptijd van pullrequests, afgezet tegen de eigen uitgangssituatie van een team.

Het product analyseert ook agentsessies en de vastgelegde stappen, het tokengebruik en de geschatte kosten daarvan. Met een component voor modelroutering kunnen organisaties kosten- en kwaliteitsprioriteiten instellen voor programmeerworkflows en verschillende modelkeuzes vergelijken.

Deze aanpak erkent dat meer code genereren slechts één fase van het ontwikkelproces is. De beschikbare capaciteit voor codebeoordeling, verificatie, herstelwerk en implementatie kan bepalen of extra output daadwerkelijk bruikbare software oplevert.

Het AI Impact-rapport over engineering voor Q3 2026 van het bedrijf illustreert deze spanning. Uit de analyse bleek dat het aandeel samengevoegde pullrequests waarbij AI was ingezet, steeg van 35% in april naar 62% in september. In de financieringsaankondiging wordt bovendien een stijging van 50% gemeld in de mediane wachttijd op een eerste menselijke codebeoordeling. Deze bevindingen hebben betrekking op de door Larridin gemeten groep, niet op alle technische organisaties.

Een meetbedrijf dat draait om verantwoording over AI

Larridin meldt bij zijn klanten gemiddeld 47% meer meetbare teamoutput en een mediane optimalisatie van de AI-uitgaven van 2,4 miljoen dollar in het eerste jaar. Dit zijn door het bedrijf gerapporteerde resultaten, los van de illustratieve dashboards in het product.

Op de leiderschapspagina staan Russ Fradin als medeoprichter en CEO, Jim Larrison als medeoprichter en president, en Ameya Kanitkar als medeoprichter en CTO vermeld. Fradin en Larrison bouwen voort op hun eerdere ervaring met digitale metingen bij Comscore. Hun uitgesproken doel is een vergelijkbare meetlaag te bieden voor werk dat met AI wordt uitgevoerd.

Zoals Vrushali Paunikar, chief product officer bij Carta, betoogt in een artikel voor Unite.AI over AI-workflows voor bedrijven die verder gaan dan de verbindingslaag, is toegang tot tools bieden slechts een deel van het leveren van betrouwbare resultaten. Larridins focus ligt op het bewijs rond die resultaten: wat het werk heeft gekost, wat er is veranderd en waar de volgende investering naartoe moet.