当一家公司的 AI 账单从“几乎不存在”变成账本上最昂贵的五到十项之一，财务负责人最需要的就不再是另一个模型，而是一张能解释钱花到哪里、换回什么的表。今年头几个月的企业 AI 支出像一场没有刹车的实验：据 Business Insider 报道，从 Salesforce 到 Oracle，至少 17 家公司宣布了与 AI 相关的裁员，Oracle 在 6 月称 AI 部署与采用减少了其劳动力；Uber CTO Praveen Neppalli Naga 在 4 月表示 Uber 已用完全年 Claude Code 预算；据 Business Insider 报道，Duolingo 甚至把 AI 使用纳入员工绩效指标。到了年中前后，情绪开始反转。企业不再只问“谁在用 AI”，而开始问“用 AI 之后，产出到底变了没有”。
Larridin 试图站在这条情绪曲线的右侧。这家 2024 年成立于加州南旧金山的公司，做的是企业级 AI 衡量与智能平台：连接 AI 采用、应用、生产力和支出数据，告诉管理者 AI 在哪里产生价值、哪些工作流可以自动化、哪些支出应该被砍掉。2026 年 11 月 2 日，公司通稿称其完成 3000万美元 A 轮融资，由 Pelion Ventures 领投，Andreessen Horowitz（a16z）与 Gradient Ventures 等既有投资者继续参投，新进入者包括 GFT、W23、Thayer、DG Daiwa Ventures、Alumni Ventures 和 Cougar Capital。Business Insider 原文同样将 Pelion Ventures 列为领投方，a16z 与 Gradient Ventures 等列为参投方。
这笔钱要解决的是一个正在快速膨胀的问题：当 AI 支出从创新预算变成财务问责对象，企业却普遍缺少一套跨工具、跨团队、跨人类与智能体的第三方衡量体系。Russ Fradin 以 Comscore、Nielsen、Datadog 为例，认为 AI 支出也会出现第三方测量公司。但它的客户数据、产出提升数字和支出优化金额目前都来自公司单方披露，尚无独立第三方验证。一家成立两年的公司能否真正成为企业 AI 支出的“Nielsen”，取决于它能否把公司通稿所称的 47% 产出提升，变成客户愿意持续付费的续约证据。
| 字段 | 内容 |
|---|---|
| 公司 | Larridin, Inc. |
| 轮次 | A 轮 |
| 金额 | 3000万美元 |
| 投资方 | Pelion Ventures（领投）、Andreessen Horowitz（a16z）、Gradient Ventures、GFT、W23、Thayer、DG Daiwa Ventures、Alumni Ventures、Cougar Capital |
| 总部 | 美国加州南旧金山 |
| 创始人 | Russ Fradin（CEO，联合创始人）、Ameya Kanitkar（CTO，联合创始人）、Jim Larrison（联合创始人） |
| 官网 | https://larridin.com |
从“谁用了 AI”到“AI 换回了什么”，产品把提示词变成评分
Larridin 的产品逻辑与传统的软件资产管理工具不同。据 Business Insider 报道，其软件与公司内部系统集成，分析员工的 AI 使用情况，包括向不同 AI 工具输入的提示词，判断谁用得有效、谁需要培训、以及节省了多少时间。据 Business Insider 报道，CTO Ameya Kanitkar 称，平台通过分析 AI 交互而不存储其内容来保护员工隐私，转而生成评分和高层洞察。这意味着它并不试图成为又一个记录每一次对话的监控工具，而是把使用行为抽象成管理层可以阅读的信号。
公司通稿进一步将产品定位扩展到“人类与智能体 workforce”。也就是说，Larridin 不仅衡量员工使用 ChatGPT、Claude 或 Copilot 的效果，也试图覆盖企业里正在增加的 AI 智能体工作流。这种定位把它的竞争维度从“员工生产力工具”拉向“AI 工作流治理”，但也提高了产品复杂度：衡量一个人类员工的提示词效率，与衡量一个自主智能体的端到端任务产出，需要完全不同的数据模型和归因逻辑。来源材料没有披露 Larridin 如何处理智能体的成本归因、失败重试或人机交接环节，这是其产品叙事中最具想象空间、也最缺乏公开细节的部分。
公司通稿称，Larridin 迄今已衡量超过 20 亿次 AI 会话，端到端追踪超过 8.2 万个工作流，尚无独立第三方验证。这个量级如果属实，说明平台已经接入了一定规模的企业数据流。但“会话”和“工作流”的统计口径未披露：一次会话是否包含多轮提示词、一个工作流是否包含被中断或失败的智能体任务，都会显著影响数字的含义。对于一家以“衡量”为核心卖点的公司，其自身对外指标的定义透明度，本身就是市场观察者应该追问的问题。
客户名单从 1 到 50，但收入质量仍未公开
Business Insider 报道称，Larridin 的企业客户从去年 12 月的 1 家增至目前的 50 家，业务在今年第二季度前后明显增长。CEO Russ Fradin 将增长归因于更多公司开始担忧 AI 成本。公司通稿列出的客户包括 SurveyMonkey、Vertiv、Klaviyo、Gainsight、Globality、TigerConnect、EcoVadis 和 Sundt。这些名字横跨调研软件、数据中心基础设施、营销自动化、客户成功、采购平台、医疗通信、可持续评级和建筑行业，显示出一定的行业分散度。
但客户数量本身不能回答商业化质量的问题。Larridin 未披露合同规模、收入、毛利率、净收入留存率或客户集中度。50 家企业客户中，有多少是付费生产部署、多少是试点或设计合作伙伴，来源没有说明。从 1 家到 50 家的增速在早期 SaaS 公司中并不罕见，尤其是当创始团队拥有 Comscore 背景、能够通过既有企业网络快速打开门路时。真正需要验证的是这些客户在一年后是否仍然续约，以及 Larridin 能否把“AI 支出优化”从一次性咨询式项目变成持续订阅的软件收入。
公司通稿称，在客户群中报告可衡量团队产出平均提升 47%，第一年内优化 AI 支出的中位数为 240万美元，尚无独立第三方验证。这两个数字是 Larridin 商业叙事的核心，也是目前最需要独立验证的部分。47% 的“可衡量团队产出”具体指什么——是代码合并请求数量、工单关闭速度、还是某种综合评分——通稿没有定义。240万美元的“优化 AI 支出”是实际削减的账单金额，还是通过路由到更便宜模型、取消未使用席位等方式计算出的潜在节省，同样未披露。对于一家卖“衡量”的公司，这些口径的模糊性会反过来削弱其产品可信度。
Comscore 老兵的“第三方测量”剧本，与 a16z 的“AI boss”想象
Larridin 的创始团队带有明显的测量行业基因。据 Business Insider 报道，CEO Russ Fradin 曾在媒体与广告测量平台 Comscore 工作，联合创始人 Jim Larrison 也曾与他在 Comscore 共事。Fradin 的逻辑很直接：每当大量资金涌入一个品类，就会有人为这个品类建立第三方测量平台，Comscore、Nielsen 和 Datadog 都是例子。他说：“我们想，会有大量 AI 支出，会有一家第三方审计测量公司，让我们试着成为那家公司。”
这个类比为 Larridin 提供了叙事上的历史合法性，但也隐藏着一个关键差异。Nielsen 测量的是电视收视率，Comscore 测量的是数字广告曝光，Datadog 测量的是基础设施性能——这些品类都有相对标准化的数据生成方式和行业公认的度量单位。企业 AI 支出则完全不同：模型价格频繁变动、提示词路由策略多样、人类与智能体的产出边界模糊、不同部门的“生产力”定义各异。Larridin 要建立的不是单一度量，而是一套跨工作流的归因体系。这比 Comscore 当年面对的问题更难标准化。
a16z 普通合伙人 Alex Rampell 的表述则揭示了另一个投资逻辑。据 Business Insider 报道，他认为 Larridin 解决的是企业 AI 中“AI boss”的需求：告诉销售人员该联系哪个客户、告诉程序员该修哪个 bug，并追问“结果是否真的不同、是否获得了任何 ROI”。这个想象比“支出追踪”更激进——它暗示 Larridin 不只是被动测量，而是可能成为企业 AI 执行的决策层。但来源材料没有显示 Larridin 目前具备自动化建议或执行干预能力。Rampell 描述的是方向，而非已交付功能。
资本结构：老股东加注，新基金补位，总融资额 4700万美元
本轮 3000万美元 A 轮由 Pelion Ventures 领投。据 Business Insider 报道，a16z 和 Gradient Ventures 曾参与 Larridin 此前 1700万美元的种子轮，此次继续参投。公司通稿称，本轮融资使总融资额达到 4700万美元。新进入的投资者包括 GFT、W23、Thayer、DG Daiwa Ventures、Alumni Ventures 和 Cougar Capital。其中 W23 是澳大利亚超市巨头 Woolworths 的风险投资部门，DG Daiwa Ventures 带有日本背景，Alumni Ventures 则是典型的分散式风险投资网络。这种组合显示 Larridin 在 A 轮同时引入了战略产业资本和地理多元化的财务投资者。
所附来源对 Larridin 此前融资轮次的时间与轮次口径存在差异，本文仅采用 Business Insider 所述 1700万美元种子轮。作者分析：a16z 与 Gradient Ventures 连续参与可能反映老股东加注，但来源未披露持股比例，股权集中度无法判断。据 Business Insider 报道，CEO 计划在 A 轮后将 20 人团队规模翻倍，增加销售、工程和营销人员。团队规模计划翻倍至约 40 人，但来源未披露烧钱率与运营周期，无法据此判断资金可支撑时长。
“modelmaxxing”与便宜开源模型，正在改变 Larridin 的市场环境
Larridin 所处的市场并非静态。据 Business Insider 报道，今年头几个月“tokenmaxxing”盛行，企业鼓励员工尽可能多地使用 AI、烧掉尽可能多的 token；到了年中前后，丑陋的 AI 账单开始出现，企业转向关注投资回报。一种被称为“modelmaxxing”的做法应运而生：将提示词路由到不同 AI 模型，以最大化 token 使用效率。更多企业开始使用中国 AI 实验室开发的较便宜开源模型，如 Moonshot AI 和 Z.ai。
这个变化对 Larridin 既是机会也是挑战。机会在于，当企业开始做模型路由和成本优化时，对跨模型、跨工具的支出可视性需求会上升。挑战在于，如果企业通过直接切换到更便宜的模型就能解决大部分成本焦虑，那么对一套昂贵的企业级测量平台的需求可能被推迟。Larridin 的价值主张必须超越“帮你省钱”，进入“帮你证明 AI 值得继续投入”的层面，否则它很容易被归入成本削减工具，而非战略决策基础设施。
另一个结构性问题是数据获取。Larridin 需要接入企业的内部系统、AI 工具使用记录和支出数据。来源未披露 Larridin 的数据接入方式，其与模型提供商是官方 API 合作、浏览器插件采集还是依赖企业授权，均待核实。据 Business Insider 报道，CTO 称平台不存储 AI 交互内容，只生成评分和高层洞察，这有助于缓解隐私顾虑。作者分析：不存储内容的设计可能限制细粒度审计能力，但来源未披露其分析深度，需进一步核实。
资金用途明确，但验证路径仍然模糊
公司通稿称，本轮资金将用于加速产品开发并扩充团队，以进一步完善其 AI 智能平台能力。如前所述，团队计划翻倍。这个用途表述在 A 轮公司中属于标准配置，但它没有回答一个更关键的问题：Larridin 接下来要验证的核心假设是什么。
从已披露信息看，Larridin 至少有三个待验证假设。第一，企业是否愿意为“AI 测量”单独付费，而不是将其视为现有 IT 资产管理、SaaS 支出管理或 BI 工具的一个功能模块。第二，前述公司自述指标能否在不同行业、不同规模的企业中复现，而不是集中在少数早期采用者身上。第三，人类与智能体的统一衡量是否真的可行，还是说智能体工作流需要一套完全不同的产品架构。这三个假设中任何一个被证伪，都会动摇其“第三方 AI 测量标准”的定位。
公司通稿还披露了两个客户案例：一家客户中 92% 的工程师是活跃 AI 用户，但一名工程师在一周内占了团队约 65% 的 AI 支出；另一家客户发现两个 AI 工具在完成可比工作时，每个已发布工程变更的成本相差 66 倍，涉及数万美元可削减支出。这些案例生动地说明了“使用率”与“效率”之间的鸿沟，但它们同样是公司单方披露，未提供客户名称、时间范围或成本计算方式。对于一家以数据透明度为卖点的公司，这些案例的透明度本身就是一个测试。
验证边界与可复核指标
Larridin 的核心增长叙事依赖一组公司自述指标：47% 的可衡量团队产出平均提升、第一年内 240万美元的 AI 支出优化中位数、超过 20 亿次 AI 会话、超过 8.2 万个端到端追踪工作流。这些数字目前均无独立第三方验证，且统计口径未公开。可复核指标至少应包括：客户续约率与净收入留存率、合同规模与付费部署占比、客户集中度、上述产出与支出优化的定义和计算方法，以及是否引入第三方审计方法。公司通稿还披露了季度《Engineering AI Impact Report: Q3 2026》，称其基于客户群中 1000 多名工程师的专有数据，显示 AI 辅助 pull request 从 4 月的 35% 升至 9 月的 62%，同期首次人工代码评审的中位等待时间增加 50%。该报告同样来自公司专有数据，尚未独立核验。
从竞争格局看，来源未明确列出 Larridin 的直接竞争对手。以下为作者基于公开产品类别的分析：SaaS 支出管理领域的既有玩家、IT 资产管理厂商、以及模型提供商自身的原生分析工具，都可能向 AI 支出测量方向延伸。可核验的竞争维度包括是否支持跨模型支出归因、是否支持智能体工作流。Larridin 的窗口期取决于它能否在巨头和相邻品类玩家反应过来之前，建立起足够深的客户数据壁垒。前述公司自述的会话与工作流积累，如果集中在少数客户身上，其防御价值有限；如果分散在 50 家客户中，则可能形成初步的网络效应——但前提是这些数据能够转化为跨客户的基准洞察。
Larridin 的 3000万美元 A 轮，表面上是资本对“AI 支出测量”品类的投票，实际上是对一个更古老命题的重新下注：当钱大量涌入一个新领域，总需要有人来告诉市场，哪些钱花得值。Russ Fradin 从 Comscore 带来的第三方测量剧本，在广告和基础设施领域被验证过，但企业 AI 的度量对象更复杂、利益结构更模糊、标准化程度更低。前述客户增长和 4700万美元总融资额，说明 Larridin 已经跑过了从 0 到 1 的阶段；接下来从 1 到 10 的路，取决于它能否把“AI 测量”从一份漂亮的季度报告，变成企业预算流程中不可替代的一栏。
RecodeX 极客视：Larridin 真正的对手不是另一家 AI 测量创业公司，而是企业财务负责人心里的那个问题——“我为什么不能直接用模型提供商的 dashboard 和省钱路由脚本？”如果 Larridin 只能告诉客户花了多少钱，它会被成本优化工具替代；只有当它能告诉客户 AI 改变了什么产出、哪些工作流值得继续加码，它才可能成为 AI 时代的 Nielsen。而这一切的前提，是它自己先公布一套经得起审计的度量口径。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。