Larridin привлекает $30 млн в раунде серии A, чтобы измерять расходы на ИИ и их влияние на персонал

Larridin привлекла $30 млн в раунде серии A под руководством Pelion Ventures, увеличив общий объем финансирования до $47 млн. Компания измеряет, как расходы на ИИ преобразуются в работу сотрудников и программных агентов, помогая предприятиям получать более убедительные данные об отдаче от инвестиций в ИИ.

В раунде приняли участие действующие инвесторы Andreessen Horowitz и Gradient Ventures, а также новые инвесторы GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures и Cougar Capital.

В сообщении от 2 ноября Larridin заявила, что измерила более 2 млрд сеансов работы с ИИ и отследила свыше 82 000 рабочих процессов. Средства пойдут на разработку продукта и расширение команды.

Как связать расходы на ИИ с результатами бизнеса

Финансовая задача не сводится к подсчету активных пользователей. Организация может оплачивать лицензии, расходовать токены моделей и запускать автоматизированных агентов, не зная, какие действия улучшают ее работу. Измерение внедрения показывает, используются ли инструменты; чтобы измерить их ценность, нужно связать это использование с полезным результатом и затратами на его достижение.

В документации к продукту AI Impact Larridin описывает, как объединяет данные о выставленных счетах за лицензии, расходе токенов и затратах на облачные модели с наблюдениями за рабочими процессами и данными инженерных систем. Платформа распределяет расходы по подразделениям и сопоставляет полученные результаты с вложенными средствами.

Методология позволяет отличить прирост возможностей благодаря ИИ от фактически полученной экономии. Часы работы в пересчете на труд человека могут служить оценкой вклада ИИ, однако их финансовая ценность зависит от исходного уровня и от того, как организация использует высвободившиеся ресурсы. Дополнительное время само по себе не сокращает бюджет или потребность в персонале.

Это различие особенно важно при изучении примеров на панели мониторинга. Larridin прямо обозначает свои иллюстративные показатели, в том числе примеры коэффициентов окупаемости инвестиций и возвращенных часов. Эти демонстрационные данные объясняют методику расчета, но не подтверждают результаты какого-либо конкретного клиента.

Как платформа Workflow Intelligence отслеживает работу

Платформа Workflow Intelligence компании использует расширение для браузера и десктопный агент, чтобы отслеживать активность в приложениях, выбранных администраторами. По словам Larridin, она собирает метаданные, например сведения об активных приложениях, последовательности их использования, времени на каждом этапе и переходах между инструментами.

Согласно документации к продукту, содержимое сообщений и документов, записи экрана и нажатия клавиш не собираются. По умолчанию данные представляются в агрегированном виде на уровне команды; индивидуальные представления отключены, если администраторы не включат их.

Эти наблюдения объединяются в рабочие процессы, чтобы команды могли анализировать их продолжительность, повторяемость, проблемные места и использование ИИ. Платформа ранжирует возможности для автоматизации и отслеживает их путь от пилотных проектов до завершенных внедрений, сопоставляя результаты с зафиксированными исходными показателями.

Здесь важно различать потенциальный, смоделированный и фактически полученный прирост возможностей. Рабочий процесс, признанный кандидатом на автоматизацию, еще не принес той же пользы, что и процесс, уже успешно работающий в промышленной среде.

Оценка инженерной работы учитывает качество и проверку кода

Предложение Developer Intelligence от Larridin связывает результаты инженерной работы с затратами на ИИ, скоростью разработки и качеством кода. Среди учитываемых показателей — объем выполненной работы на каждые $1 000 расходов на ИИ, частота дефектов и длительность цикла обработки pull-запроса по сравнению с исходными показателями самой команды.

Продукт также анализирует сеансы работы агентов, зафиксированные в них шаги, расход токенов и оценочную стоимость. Компонент маршрутизации моделей позволяет организациям задавать приоритеты по стоимости и качеству для рабочих процессов программирования и сравнивать варианты моделей.

Такой подход учитывает, что генерация кода — лишь один этап разработки. Возможность проводить проверку, выполнять верификацию, исправлять недочеты и развертывать ПО определяет, превратится ли дополнительный объем кода в полезный программный продукт.

В отчете AI Impact в сфере разработки за III квартал 2026 года эта проблема показана на конкретном примере. Согласно анализу, доля объединенных pull-запросов с участием ИИ выросла с 35% в апреле до 62% в сентябре; в сообщении о привлечении финансирования также говорится, что медианное время ожидания первой проверки кода человеком увеличилось на 50%. Эти данные относятся к изученной Larridin группе, а не ко всем инженерным организациям.

Бизнес по оценке результатов, основанный на ответственности за применение ИИ

По данным Larridin, в среднем измеряемый объем работы команд увеличился на 47%, а медианный показатель оптимизации расходов на ИИ за первый год среди клиентов составил $2,4 млн. Это результаты, о которых сообщает сама компания; они отличаются от иллюстративных данных на панелях мониторинга продукта.

На странице руководства компании указано, что Русс Фрадин — сооснователь и генеральный директор, Джим Ларрисон — сооснователь и президент, а Амея Каниткар — сооснователь и технический директор. Фрадин и Ларрисон опираются на свой прежний опыт создания систем цифровых измерений в Comscore. По их словам, цель компании — предоставить сопоставимый уровень измерения для работы, выполняемой с помощью ИИ.

Как отмечает директор по продуктам Carta Врушали Пауникар в материале для Unite.AI о корпоративных рабочих процессах с ИИ, выходящих за рамки уровня подключения, доступ к инструментам — лишь часть работы по достижению надежных результатов. Larridin сосредоточена на данных, которые позволяют оценить эти результаты: сколько стоила работа, что изменилось и куда следует направить следующие инвестиции.