Retab hæver 3,5 millioner dollars og lancerer AI-drevet platform til at omdanne rodende dokumenter til strukturerede data

For udviklere, der bygger AI-drevne værktøjer i brancher som logistik, finans og sundhedsvesen, er der en udfordring, der konsekvent står i vejen: at få store sprogmodeller (LLM’er) til pålideligt at trække data ud af virkelige dokumenter. PDF-fakturaer, 200-siders rapporter, håndskrevne skemaer og scannede ID’er kan ofte bringe selv kraftige AI-systemer i vanskeligheder.

Retab, et nyt startup-firma grundlagt af ingeniører, der selv har stået over for dette problem, er lige lanceret for at løse det. Samtidig med den offentlige debut af deres platform annoncerede virksomheden også 3,5 millioner dollars i pre-seed-finansiering ledet af VentureFriends, Kima Ventures, og K5 Global, med deltagelse fra Eric Schmidt (via StemAI), Olivier Pomel (CEO, Datadog (DDOG )) og Florian Douetteau (CEO, Dataiku).

I stedet for at være endnu en LLM-leverandør sidder Retab et lag over – og tilbyder en udvikler-orienteret platform til dokument-AI, der giver brugerne mulighed for at definere præcis, hvilke data de ønsker at trække ud, og derefter håndterer hele processen: mærkning, evaluering, prompt-ingeniørarbejde, model-benchmarking og routing.

“Folk bliver ved med at bygge AI-demonstrationer, der ser magiske ud, men falder fra hinanden i produktion,” sagde Louis de Benoist, medstifter og CEO af Retab. “Vi byggede Retab, fordi vi var trætte af at wire op skrøbelige rørledninger bare for at trække nogle felter ud af et dokument. Nu kan udviklere fokusere på det schema, de ønsker – vi håndterer resten.”

Hvad Retab faktisk gør

Til sin kerne omdanner Retab ustrukturerede dokumenter – PDF’er, scanninger, skemaer – til rene, strukturerede JSON- eller tabel-outputs, som udviklere kan indsætte i produktions-systemer. Bygget som et SDK og en platform, abstraherer det alle kompleksiteterne ved at bygge AI-drevne data-udtræknings-arbejdsgange.

Virksomheder, der bruger Retab, skal blot beskrive skemaet for de data, de ønsker. Retab genererer derefter automatisk mærkede datasæt, vælger de optimale LLM’er, forfiner prompts og håndterer fejl-detection og retry-logik. Det sikrer produktions-grads nøjagtighed gennem tre kerne-innovationer:

• Selv-optimerende skemaer: Retab bruger en intern AI-agent til at iterativt teste og forfine udtræknings-instruktioner ved hjælp af reelle eksempler, og eliminerer dermed behovet for manuel finjustering.
• Intelligent model-routing: Platformen er model-agnostisk og benchmark’er automatisk på tværs af LLM’er (f.eks. OpenAI, Anthropic, Google ), og router hver dokument til den bedste model baseret på omkostninger, hastighed og nøjagtigheds-krav. Dette har gjort det muligt for nogle brugere at reducere behandlings-omkostningerne med op til 100x.
• k-LLM-konsensus og guidede resonnering: I stedet for at stole på en enkelt models output, gennemtvinger Retab trin-for-trin resonnering (kæde af tanker) og kører multiple modeller i parallel for at nå en konsensus. Hvis usikkerhed fortsætter, markeres eller beregnes den på ny, og giver udviklere tillid til hver enkelt svar.

Denne orkestrerings-lag giver udviklere mulighed for at omdanne fejl-prægede dokument-flows – som kontrakt-parsing, identitets-verificering eller faktura-analyse – til skalerbare, selv-korrigerende systemer.

Fra logistik til infrastruktur

Stifterne byggede oprindeligt Retabs grundlag, mens de automatiserede interne processer for dokument-tunge operationer i logistik-industrien. Men da de forfinede værktøjerne, indså de, at værdien langt overgik enhver enkelt brugs-sag. I dag bruges Retab allerede af dusinvis af virksomheder på tværs af:

• Logistik: Parsing af fragtbrev, told-meldinger og leverings-records
• Finans: Udtrækning af risiko-faktorer og finansielle målinger fra lange rapporter
• Sundhedsvesen: Automatisering af indtagelses-skemaer, krav og medicinske journaler

Et lastbils-firma brugte Retab til at identificere den mindste, hurtigste model-konfiguration, der opfyldte deres 99% nøjagtigheds-krav – og reducerede således beregnings-omkostninger og latency uden at gå på kompromis med ydelsen. Et finans-firma reducerede antallet af dage i kvartals-analyse ved at bruge Retab til at udtrække strukturerede risiko-indikatorer fra investerings-dokumenter.

“AI-økonomien afhænger af at omdanne rodende, menneske-læsbare dokumenter til strukturerede, verificerbare data,” sagde Florian Douetteau, CEO af Dataiku. “Retab er platformen, der gør det spring muligt i stor målestok.”

Udsigt fremad

Retab udvider nu beyond dokumenter: kommende udgaver vil give brugerne mulighed for at udtrække data fra web-sider og dynamisk indhold, og åbner døren for brugs-sager som konkurrent-analyse, overholdelse af regler og automatisering af onboarding. Integrationer med værktøjer som Zapier, n8n og Dify er også på vej, og giver Retab mulighed for at indsætte sig i eksisterende arbejdsgange uden brug af brugerdefineret kode.

På længere sigt sigter Retab mod at blive midlertidigt lag mellem verdens ustrukturerede data og de AI-agenter, der afhænger af dem – enten det er til virksomheds-søgning, RPA eller AI-kopiloter.

Trods kun at have ti ansatte, bliver Retab allerede anerkendt som et grundlæggende byggesten for udviklere, der bygger AI-naturlige produkter – ikke bare endnu en leverandør, men et værktøjs-sæt til at operationalisere den rodende virkelighed af virkelige data.