Kindo tar in 30 miljoner dollar för att utöka kontrollen över företags AI-agenter och sänka kostnaderna

Kindo har tagit in 30 miljoner dollar i en utökad finansieringsrunda för att vidareutveckla sin plattform för hantering av AI-agenter i företag. Därmed uppgår bolagets totala kapitalanskaffning till 57,6 miljoner dollar. Finansieringsrundan leddes gemensamt av Crosspoint Capital och Forgepoint Capital, som investerar i ett företag med fokus på ett växande operativt problem: att behålla kontrollen över vad AI-agenter kan komma åt, vad de gör och hur mycket de spenderar.

Företaget, som har sitt säte i Venice Beach i Kalifornien, planerar att använda pengarna till att bygga ut sin organisation för marknadsföring och försäljning samt påskynda utvecklingen av AI Control Center och Deep Hat-modellerna och tilläggen. Kindo uppger att intäkterna ökade med cirka 800 procent jämfört med föregående år under 2026.

Den nya finansieringsrundan innebär också att nya ledamöter utses till styrelsen. Andre Fuetsch, direktör på Crosspoint Capital, och Ernie Bio, direktör på Forgepoint Capital, tar plats i Kindos styrelse.

Ett kontrollcenter för agenter som byggs i hela företaget

Att driftsätta en agent innebär att delegera befogenheter. En agent som är ansluten till företagets system kan ha möjlighet att läsa intern information, uppdatera uppgifter, godkänna förfrågningar eller ändra infrastrukturen. När antalet driftsättningar ökar behöver säkerhets- och driftteamen förstå både vilka behörigheter en agent har och vilka åtgärder den faktiskt utför.

Kindo beskriver sin plattform som ett gemensamt driftlager för IT, säkerhet, ekonomi och regelefterlevnad. Kartläggningen visar både godkänd och skugg-IT-baserad AI, medan en samlad vy ger överblick över aktivitet, åtkomst, kostnader och resultat. Organisationer kan bygga agenter i Kindo eller ansluta agenter som utvecklats någon annanstans. Kindo beskriver detta som ett AI-driftcenter som ger företagsagenter den kontinuerliga övervakning och möjlighet till ingripande som är välbekant från säkerhets- och nätverksdriftscentraler.

På företagets webbplats beskrivs ett register med uppgifter om vem som ansvarar för varje agent, vilka behörigheter agenten ärver från personen som kör den och hur kostnaderna fördelas. Dessa funktioner hanterar olika delar av samma förvaltningsproblem: att identifiera vem som ansvarar, kontrollera befogenheterna och avgöra om det arbete som utförs motiverar resursförbrukningen.

Grundaren och vd:n Ron Williams sade att problemet inte är bristen på verktyg för att bygga agenter. Det som saknas är de verktyg organisationer behöver för att styra hur agenter byggs, vilka data de får tillgång till, vart information kan skickas och vad det kostar att driva agenterna.

Gateways styr anrop; körmiljön möjliggör mer långtgående ingripanden

I Kindos tillkännagivande beskrivs gateways som styr och granskar agenters anrop till anslutna data, verktyg och godkända modeller. Identitetskontroller tillämpar organisationens befintliga behörigheter på både personer och agenter, med möjlighet att begränsa åtkomsten ytterligare centralt.

Därmed blir kopplingen mellan en agent och dess beroenden en kontrollpunkt. Ett policybaserat lager kan styra åtkomsten via integreringar som stöds, i stället för att varje agentteam ska behöva införa egna, separata kontroller. Hur mycket lagret täcker beror på vilka agenter och resurser som är anslutna till det.

För verksamhetskritiska driftsättningar som kräver mer långtgående kontroll erbjuder Kindo en specialutvecklad körmiljö för agenter. Körmiljön hanterar agentens exekvering och ger operatörerna ytterligare möjligheter till övervakning, stöd och ingripande, bland annat att ta över en agent när något går fel.

Den skillnaden har betydelse både kommersiellt och tekniskt. Att ansluta en agent som byggts externt via gateways är inte samma sak som att köra den i Kindos körmiljö. I tillkännagivandet kopplas mer långtgående ingripanden och flera av Deep Hats kostnadsfunktioner uttryckligen till agenter som körs i företagets körmiljö.

Synliggör AI-kostnader tillsammans med resultaten

Kindos AI Control Center registrerar tokenförbrukning och resultat från agentkörningar, även misslyckade körningar, så att kostnader kan hänföras till enskilda personer, agenter, avdelningar och projekt. Ekonomiteam kan fastställa budgetar, få varningar och införa absoluta utgiftstak.

Värdet av den här kostnadsredovisningen begränsas inte till att identifiera den dyraste modellen. En billig agent som gång på gång misslyckas kan slösa med resurser, medan en dyr modell kan vara motiverad för en svår och värdefull uppgift. Genom att koppla kostnader till resultat kan team upptäcka återkommande misslyckanden, onödigt stor modellkapacitet och arbete som skulle kunna utföras effektivare.

Kindos driftsättningsalternativ ger också kunderna möjlighet att välja var plattformen ska köras: i Kindos moln, i kundens eget moln som kunden själv hanterar, i en lokal infrastruktur eller i en nätverksisolerad miljö. Valet av driftsättningsplats och modell är separata beslut, men båda påverkar hur ett företag balanserar driftskrav, kontroll och kostnader.

Deep Hat riktar in sig på olika källor till modellkostnader

Deep Hat-familjen hanterar flera olika sätt på vilka AI-arbetsflöden förbrukar resurser. I finansieringsmeddelandet beskrivs fyra verktyg:

• Sift: Lär sig vilka händelser en agent skulle avfärda och filtrerar sedan bort dem när en person har godkänt tröskelvärdet. Verktyget registrerar filtrerade händelser och skickar ett urval vidare för fortsatt mätning.
• Tune: Anpassar en mindre och billigare modell till en viss uppgift, så att de större modellerna kan användas till sådant som kräver dem.
• Minska: Kör återkommande arbetsflödessteg som kod för att eliminera modellkostnaden för dessa steg och skickar undantag vidare till en modell när det behövs.
• Angrepp: Möjliggör privat, auktoriserad offensiv säkerhetstestning som ett alternativ till att använda de mest avancerade cybersäkerhetsmodellerna för rutinmässiga tester.

KINDO:s publicerade förklaring av Sift ger användbara ytterligare detaljer om filtreringsmekanismen. Den börjar i skuggläge, där varje händelse tillåts nå målagenten samtidigt som systemet lär sig av agentens bedömningar. Aktiveringen kräver mänskligt godkännande, och ett urval av händelser som skulle filtreras bort skickas ändå till agenten för att kontrollera om något har missats.

Utformningen minskar modellernas arbetsbörda genom att avgöra när en fullständig agentkörning behövs. Mätningen görs dock mot målagentens bedömningar, så överensstämmelse med den agenten ska inte förväxlas med oberoende verifierat facit.

Kundernas användning och nästa expansionsfas

Kindo uppger att företagets lösning används i produktion hos stora och medelstora företag inom finansiella tjänster, professionella tjänster, hälso- och sjukvård samt flyg och transport. I tillkännagivandet lyfts Aireon fram. Företagets CISO uppgav i maj 2026 att användningen av Kindo för hotjakt och säkerhetsarbete på nivå 1 och 2 bidrog till årliga besparingar på över 2 miljoner dollar. Det är ett resultat som en kund har rapporterat, inte ett garanterat utfall för andra implementeringar.

TFX Capital och CircleRock Capital deltog i finansieringen tillsammans med de befintliga investerarna Drive Capital, Riot Ventures, RRE Ventures, Eniac Ventures, Marlinspike Partners, New Era Ventures och Sunset Venture.

Finansieringen på 30 miljoner dollar går till ett företag vars verksamhet bygger på de operativa följderna av att agenter tas i bruk. Det blir allt enklare att skapa agenter, men för att använda dem i produktion krävs ansvarsfördelning, åtkomstregler, mekanismer för ingripanden och utgiftskontroller. Kindo har möjlighet att göra det hanterbart att sköta dessa ansvarsområden för agenter som har byggts på olika håll och används av olika team.