Klarent rejser 8 mio. dollar – AI skriver testene, men kører dem ikke

|Forfatter: QUASA's redaktion|5 min. læsning| 1
Klarent rejser 8 mio. dollar – AI skriver testene, men kører dem ikke

I sin meddelelse af 9. oktober 2026 annoncerede Klarent fra Zürich en seedrunde på 8 mio. dollar, ledet af Mosaic Ventures med deltagelse fra Moonfire Ventures, AngelInvest Ventures og investorerne Jürgen Galler og Harris Barton. Kapitalen skal især støtte en etablering i USA, et større ingeniørteam og videreudvikling af test til web- og mobilapplikationer. Selskabets tekniske idé er at lade sprogmodeller skrive testkode og derefter udføre koden efter faste regler.

Mosaic-partner Chandar Lal beskriver i EU-Startups princippet som “using AI to write tests, not to run them”; omtalen opgør samme seedrunde til 7,13 mio. euro og nævner JD Sports, NZZ og Sixt som kunder. De to beløb betegner altså samme finansiering i hver sin valuta. For en softwarekunde er sondringen mellem at skrive og køre testen væsentlig, fordi en fejlmelding skal kunne knyttes til et forløb, der kan gentages og undersøges.

Kapitalen skal åbne det amerikanske marked

USA er den vigtigste planlagte anvendelse af seedkapitalen. Klarent vil samtidig udvide sit ingeniørteam og styrke platformens dækning af både web og mobil. Det er en plan for, hvad pengene skal bruges til, ikke et resultat af ekspansionen. De navngivne kunder er europæiske; deres brug af platformen giver selskabet referencer, men viser endnu ikke, hvordan produktet vil klare sig på et nyt marked.

Stifterne Asheem Panakkat og Momchil Ivanov er tidligere Google-ingeniører, som arbejdede med henholdsvis selskabets Lens- og Shopping-produkter, fremgår det af startupnews.ch. Klarent retter sig mod virksomheder, der løbende ændrer software og derfor også må vedligeholde de tests, som kontrollerer brugerforløb. Hvis udviklingen af ny kode går hurtigere, skal kontrollen kunne følge med uden at gøre hver ændring til et stort manuelt testarbejde.

Det forklarer, hvorfor finansieringen er knyttet til mere end salg i USA. En platform, der skal dække flere typer applikationer, skal kunne omsætte forskellige brugerforløb til tests, holde dem ajour og levere resultater, som kunderne kan bruge. Når Klarent også søger mod finansielle virksomheder, bliver det særligt relevant at kunne se, hvilken test der blev kørt, og hvad den faktisk viste. En gentagelig kørsel hjælper med den opgave, men kvaliteten afhænger også af, hvad testen er sat til at kontrollere.

Sprogmodellen skriver testen, koden udfører den

Klarents metode adskiller to opgaver, som let bliver blandet sammen i omtalen af AI-test. Sprogmodellen bruges til at fremstille og tilpasse testkode. Når koden er klar, udføres de beskrevne trin i et fastlagt testforløb. Modellen skal dermed ikke vælge næste handling på ny under hver kørsel. Det gør det muligt at gennemgå både testens instruktioner og det resultat, de førte til.

Forskellen kan illustreres med et tænkt købsforløb i en app. En genereret test kan beskrive, hvordan et produkt lægges i kurven, og hvilket udfald der forventes ved betaling. Ved den efterfølgende kørsel følger systemet den skrevne sekvens. Hvis resultatet ændrer sig, kan teamet undersøge testen, applikationen og dens data med udgangspunkt i de samme beskrevne trin. Eksemplet beskriver mekanismen, ikke et offentliggjort resultat fra en bestemt kunde.

Deterministisk kørsel betyder her, at testkoden følger de samme regler under samme betingelser. Det betyder ikke, at applikationen altid svarer ens: En ændring i software, data eller testmiljø kan give et andet udfald. Netop derfor er det nyttigt at holde selve testforløbet fast. Ellers kan en ny fejlmelding skyldes både en ændring i produktet og et nyt valg truffet af modellen under kørslen, hvilket gør årsagen sværere at finde.

Menneskelig verifikation er en del af produktet

En stabil kørsel kan stadig gennemføre den forkerte test. Sprogmodellen kan bygge kode på en misforståelse af, hvordan applikationen bør virke, eller kontrollere et udfald, der ikke er vigtigt for kunden. Så vil gentagelsen gøre resultatet konsekvent, men ikke nødvendigvis brugbart. Klarents beskrevne metode omfatter derfor menneskelig verifikation af resultaterne; kunden betaler efter selskabets model for verificerede udfald.

Den menneskelige kontrol har en anden opgave end selve kørslen. Den skal være med til at afgøre, om testen dækker det relevante forløb, og om en rapporteret afvigelse faktisk peger på et problem i produktet. Det skel er centralt for investeringscasen: Modellen kan mindske arbejdet med at skrive og tilpasse testkode, mens verifikationen skal bevare værdien af det resultat, kunden modtager.

Der følger også et spørgsmål om skala. Jo flere tests og kunder platformen håndterer, desto vigtigere bliver forholdet mellem automatiseret arbejde og den tid, mennesker bruger på at verificere resultater. Seedrunden giver Klarent mulighed for at udbygge både produkt og team, men de åbne oplysninger giver ikke et sammenligneligt mål for, hvor ofte testene finder reelle fejl, eller hvor meget kontrolarbejde hvert verificeret resultat kræver.

Europæiske kunder er udgangspunktet for udvidelsen

De eksisterende kunder spænder over detailhandel, medier og mobilitet. I arbejdet for JD Sports beskriver Klarent tests af e-handelsforløb, der går på tværs af flere systemer. Det er relevant for produktets ambition: Et samlet købsforløb kan fejle i overgangen mellem systemer, selv om de enkelte dele fungerer isoleret. Testen skal derfor fastholde både rækkefølgen af handlinger og det udfald, kunden forventer.

Den planlagte udvidelse til USA og finansielle virksomheder vil stille samme metode over for andre applikationer og krav. Her er det afgørende, om genereret testkode kan holdes ajour, om gentagne kørsler giver klare fejlmeldinger, og om den menneskelige verifikation kan følge med. Det er spørgsmål, som kundelisten og finansieringen alene ikke besvarer.

Det næste konkrete holdepunkt bliver derfor, hvad Klarent kan vise fra bredere brug af platformen: amerikanske kunder, testforløb på tværs af web og mobil og dokumentation for de resultater, kunderne betaler for. For softwarevirksomheder, der overvejer metoden, ligger dens mulige værdi i den kombination af hurtigere udarbejdelse og efterprøvbar udførelse. Hvor godt kombinationen fungerer i større skala, må fremgå af den videre anvendelse.

Læs også:

Del:

Relaterede artikler

Tilmeld dig vores nyhedsbrev

Få de seneste nyheder om Web3, AI og krypto direkte i din indbakke.

0