Kindo henter inn 30 millioner dollar for å utvide kontrollen over KI-agenter i bedrifter og redusere kostnadene

Kindo har hentet inn 30 millioner dollar gjennom en utvidelse av finansieringsrunden for å videreutvikle plattformen for administrasjon av KI-agenter i bedrifter. Dermed har selskapet hentet inn totalt 57,6 millioner dollar. Finansieringen ble ledet i fellesskap av Crosspoint Capital og Forgepoint Capital, som satser på et selskap som retter seg mot et voksende driftsproblem: å beholde kontrollen over hva KI-agenter får tilgang til, hva de gjør, og hvor mye de bruker.

Selskapet, som holder til i Venice Beach i California, planlegger å bruke pengene på å utvide organisasjonen for markedsføring og salg og på å fremskynde utviklingen av AI Control Center samt Deep Hat-modeller og tillegg. Kindo rapporterer om en omsetningsvekst på omtrent 800 prosent fra året før i 2026.

Den nye finansieringsrunden fører også til endringer i styret. Andre Fuetsch, managing director i Crosspoint Capital, og Ernie Bio, managing director i Forgepoint Capital, går inn i Kindos styre.

Et kontrollsenter for agenter på tvers av bedriften

Når en agent tas i bruk, delegeres myndighet. En agent som er koblet til forretningssystemer, kan kanskje lese intern informasjon, oppdatere registre, godkjenne forespørsler eller endre infrastrukturen. Etter hvert som antallet utrullinger øker, må sikkerhets- og driftsteam forstå både hvilke tillatelser en agent har, og hvilke handlinger den faktisk utfører.

Kindo presenterer plattformen sin som et felles driftslag for IT, sikkerhet, økonomi og etterlevelse. Kartleggingen gir oversikt over både godkjent og uautorisert bruk av KI, mens en sentral visning samler aktivitet, tilgang, kostnader og resultater. Organisasjoner kan bygge agenter i Kindo eller koble til agenter som er utviklet andre steder. Kindo beskriver dette som et KI-driftssenter som gir bedriftsagenter den kontinuerlige overvåkingen og muligheten til å gripe inn som er kjent fra sikkerhets- og nettverksdriftssentre.

Ifølge selskapets nettsted omfatter registeret informasjon om hvem som eier hver agent, tillatelser som arves fra personen som kjører agenten, og kostnadsfordeling. Disse funksjonene dekker ulike sider av det samme administrasjonsproblemet: å finne ut hvem som har ansvaret, kontrollere myndighetene og avgjøre om arbeidet som utføres, står i forhold til ressursbruken.

Grunnlegger og administrerende direktør Ron Williams sa at problemet ikke er mangel på verktøy for å bygge agenter. Det organisasjoner mangler, er verktøyene de trenger for å kontrollere hvordan agenter bygges, hvilke data de får tilgang til, hvor informasjon kan sendes, og hva det koster å drifte agentene.

Gatewayer styrer kallene; kjøremiljøet gir mulighet for mer omfattende inngrep

I kunngjøringen beskriver Kindo gatewayer som styrer og logger agentkall til tilkoblede data, verktøy og godkjente modeller. Identitetskontroller sørger for at eksisterende tillatelser i organisasjonen gjelder både personer og agenter, og gir mulighet til å stramme inn tilgangen sentralt.

Dermed blir forbindelsen mellom en agent og avhengighetene dens et kontrollpunkt. Et policy-lag kan styre tilgangen på tvers av integrasjoner som støttes, i stedet for at hvert agentteam må lage sine egne, frakoblede kontroller. Hvor mye laget dekker, avhenger av hvilke agenter og ressurser som er koblet til det.

For virksomhetskritiske utrullinger som krever mer omfattende kontroll, tilbyr Kindo et spesialutviklet kjøremiljø for agenter. Dette miljøet styrer hvordan en agent kjøres og gir operatørene flere muligheter for overvåking, støtte og inngripen, blant annet ved å overta kontrollen over en agent når noe går galt.

Dette skillet har betydning både kommersielt og teknisk. Å koble til en agent som er utviklet eksternt, via gatewayer er noe annet enn å kjøre den i Kindos kjøremiljø. Kunngjøringen knytter uttrykkelig mer omfattende muligheter for å gripe inn og flere kostnadsfunksjoner i Deep Hat til agenter som kjøres i dette miljøet.

Gjør KI-utgiftene synlige sammen med resultatene

AI Control Center fra Kindo registrerer tokenforbruk og resultatene av agentkjøringer, også mislykkede kjøringer, slik at utgiftene kan fordeles på enkeltpersoner, agenter, avdelinger og prosjekter. Økonomiteam kan fastsette budsjetter, få varsler og håndheve absolutte utgiftstak.

Verdien av denne regnskapsføringen begrenser seg ikke til å finne den dyreste modellen. En rimelig agent som stadig mislykkes, kan sløse med ressurser, mens en dyr modell kan være berettiget for en krevende oppgave med stor verdi. Ved å knytte kostnader til resultater kan team avdekke gjentatte feil, unødvendig modellkapasitet og arbeid som kan utføres mer effektivt.

Kindos utrullingsalternativer gir også kundene mulighet til å velge hvor plattformen skal kjøres: i Kindos sky, i en kundesky som kunden selv administrerer, på lokal infrastruktur eller i et miljø uten nettverkstilkobling. Valg av driftssted og modell er separate beslutninger, men begge påvirker hvordan en bedrift balanserer driftskrav, kontroll og kostnader.

Deep Hat retter seg mot ulike kilder til modellkostnader

Deep Hat-familien håndterer flere ulike måter KI-arbeidsflyter bruker ressurser på. I forbindelse med finansieringen beskriver selskapet fire verktøy:

• Sift: Lærer hvilke hendelser en agent ville avvist, og filtrerer deretter ut disse hendelsene etter at en person har godkjent terskelen. Verktøyet registrerer filtrerte hendelser og sender gjennom et utvalg for løpende måling.
• Tune: Tilpasser en mindre og rimeligere modell til en bestemt oppgave, slik at større modeller kan brukes til arbeid som krever dem.
• Reduser: Kjører repeterbare arbeidsflyttrinn som kode for å eliminere modellkostnadene for disse trinnene, og sender unntak tilbake til en modell ved behov.
• Angrip: Støtter privat, autorisert offensiv sikkerhetstesting som et alternativ til å bruke avanserte cybersikkerhetsmodeller til rutinemessig testarbeid.

KINDOs publiserte forklaring på Sift gir nyttig tilleggsinformasjon om filtreringsmekanismen. Den starter i skyggemodus, slik at hver hendelse når målagenten mens systemet lærer av agentens vurderinger. Aktivering krever godkjenning fra et menneske, og et utvalg av hendelsene som ville blitt filtrert bort, sendes likevel til agenten for å kontrollere om noe blir oversett.

Utformingen sparer modellarbeid ved å avgjøre når en full agentkjøring er nødvendig. Målingene baseres imidlertid på målagentens vurderinger, så samsvar med denne agenten må ikke forveksles med uavhengig verifisert fasit.

Kundeadopsjon og neste ekspansjonsfase

Kindo sier at løsningen er i produksjonsdrift hos store og mellomstore virksomheter innen finansielle tjenester, profesjonelle tjenester, helse, luftfart og transport. I kunngjøringen trekkes Aireon fram. Selskapets CISO rapporterte i mai 2026 at bruken av Kindo til trusseljakt og sikkerhetsoperasjoner på nivå 1 og nivå 2 bidro til å oppnå årlige besparelser på mer enn 2 millioner dollar. Dette er et resultat rapportert av en kunde, ikke et garantert resultat for andre implementeringer.

TFX Capital og CircleRock Capital deltok i finansieringen sammen med de eksisterende investorene Drive Capital, Riot Ventures, RRE Ventures, Eniac Ventures, Marlinspike Partners, New Era Ventures og Sunset Venture.

Finansieringen på 30 millioner dollar går til en virksomhet som bygger på de operative konsekvensene av å ta i bruk agenter. Det blir stadig enklere å opprette agenter, men å støtte dem i produksjon krever eierskap, tilgangspolicyer, mekanismer for inngrep og kontroll over kostnadene. Kindo har muligheten til å gjøre det enklere å håndtere dette ansvaret på tvers av agenter som er utviklet på ulike steder og brukes av ulike team.