Larridin tar in 30 miljoner dollar i A-runda för att mäta AI-utgifter och påverkan på arbetsstyrkan

Larridin har tagit in 30 miljoner dollar i finansiering i en A-runda ledd av Pelion Ventures, vilket innebär att bolagets totala finansiering uppgår till 47 miljoner dollar. Bolaget mäter hur AI-utgifter omsätts i arbete utfört av medarbetare och programvaruagenter och riktar sig till företag som vill få tydligare belägg för avkastningen på sina AI-investeringar.

De befintliga investerarna Andreessen Horowitz och Gradient Ventures deltog tillsammans med de nya investerarna GFT, W23, Thayer, DG Daiwa Ventures, Alumni Ventures och Cougar Capital.

I sitt meddelande den 2 november uppgav Larridin att bolaget har mätt över 2 miljarder AI-sessioner och följt mer än 82 000 arbetsflöden. Finansieringen ska stödja produktutveckling och utökning av teamet.

Koppla AI-kostnader till verksamhetens resultat

Den ekonomiska utmaningen handlar om mer än att räkna aktiva användare. En organisation kan betala för användarlicenser, förbruka modelltoken och köra automatiserade agenter utan att veta vilka aktiviteter som förbättrar arbetet. Att mäta användningen visar om verktygen används; att mäta värdet kräver att användningen kopplas till ett användbart resultat och kostnaden för att uppnå det.

I Larridins dokumentation om AI Impact-produkten beskrivs hur fakturerade licenser, tokenanvändning och kostnader för molnmodeller kombineras med observerade arbetsflöden och data från tekniska system. Utgifterna kopplas till avdelningar, och det utförda arbetet jämförs med investeringen.

Metoden skiljer mellan kapacitet som AI möjliggör och faktiska besparingar i pengar. Timmar uttryckta som motsvarande mänsklig arbetstid kan uppskatta det arbete som AI bidrar med, men deras ekonomiska värde beror på utgångsläget och hur organisationen använder den kapaciteten. Mer tillgänglig tid minskar inte automatiskt budgeten eller bemanningsbehovet.

Den skillnaden är särskilt viktig när man granskar exempel i instrumentpanelen. Larridin märker uttryckligen ut sina illustrativa siffror, däribland exempel på avkastningsmultiplar och återvunna timmar. Exemplen visar hur beräkningen går till, men fastställer inte resultatet för någon särskild kund.

Så observerar Workflow Intelligence arbetet

Företagets plattformen Workflow Intelligence använder ett webbläsartillägg och en datoragent för att observera aktivitet i appar som administratörer har valt. Larridin uppger att bolaget samlar in metadata, till exempel vilka appar som är aktiva, i vilken ordning de används, hur lång tid varje steg tar och övergångar mellan verktyg.

I produktdokumentationen anges att meddelandetext, dokumentinnehåll, skärminspelningar och tangenttryckningar inte samlas in. Vyer sammanställs som standard på teamnivå, medan individvyer är avstängda om inte administratörer aktiverar dem.

Observationerna grupperas i arbetsflöden så att team kan undersöka tidsåtgång, upprepning, friktion och var AI används. Plattformen rangordnar möjligheter till automatisering och följer dem genom pilotprojekt och slutförda driftsättningar, med registrerade utgångsvärden som jämförelsegrund.

Här är det viktigt att skilja mellan potentiell, modellerad och realiserad kapacitet. Ett arbetsflöde som identifierats som lämpligt för automatisering har ännu inte gett samma nytta som ett arbetsflöde som redan körs framgångsrikt i produktion.

Mätning inom teknik omfattar kvalitet och granskning

Larridins erbjudande Developer Intelligence kopplar samman tekniska resultat med AI-kostnader, leveranshastighet och kodkvalitet. Mätvärdena omfattar resultat per 1 000 dollar i AI-utgifter, felfrekvens och ledtid för pull requests jämfört med teamets eget utgångsläge.

Produkten analyserar också agentsessioner och deras registrerade steg, tokenanvändning och uppskattade kostnad. En komponent för modellroutning låter organisationer prioritera kostnad och kvalitet i kodningsarbetsflöden och jämföra olika modellval.

Det synsättet tar hänsyn till att generering av mer kod bara är ett led i leveransen. Granskningskapacitet, verifiering, omarbete och driftsättning kan avgöra om ökad produktion faktiskt leder till användbar programvara.

Företagets rapporten AI Impact in Engineering för Q3 2026 illustrerar den här spänningen. Analysen visade att andelen sammanslagna pull requests som tagits fram med AI-stöd steg från 35 % i april till 62 % i september, och i finansieringsmeddelandet rapporteras en ökning på 50 % av den medianväntetid som föregår en första mänsklig kodgranskning. Resultaten gäller den grupp som Larridin mätt, inte alla teknikorganisationer.

Ett mätbolag byggt kring ansvar för AI

Larridin rapporterar en genomsnittlig ökning på 47 % av teamens mätbara resultat och en median på 2,4 miljoner dollar i optimering av AI-utgifter under det första året i hela kundbasen. Det här är resultat som bolaget självt rapporterar och ska skiljas från de illustrativa instrumentpanelerna i produkten.

På ledningssidan anges Russ Fradin som medgrundare och vd, Jim Larrison som medgrundare och president samt Ameya Kanitkar som medgrundare och teknisk chef. Fradin och Larrison har tidigare erfarenhet av att bygga upp digital mätning på Comscore. Deras uttalade mål är att tillhandahålla ett jämförbart mätskikt för arbete som utförs med AI.

Som Carta:s produktchef Vrushali Paunikar framhåller i en artikel för Unite.AI om företags-AI-arbetsflöden bortom anslutningslagret är tillgång till verktyg bara en del av att uppnå tillförlitliga resultat. Larridins fokus ligger på underlaget kring dessa resultat: vad arbetet kostade, vad som förändrades och vart nästa investering bör riktas.