Finansiering
Unsiloed AI rejser 7,5 mio. dollars i seedfinansiering til at udvide forskning, ingeniørarbejde og salg

NøglepunkterUnsiloed AI rejste 7,5 millioner dollars i seed-finansiering ledet af Felicis for at…
Vis mere
- Unsiloed AI rejste 7,5 millioner dollars i seed-finansiering ledet af Felicis for at omdanne virksomhedsdokumenter til strukturerede data.
- Virksomhedens parser opnåede 88,0 på olmOCR-Bench i deres egen evaluering fra maj 2026 mod konkurrerende værktøjer.
- Unsiloed skal omdanne tidlige implementeringer og selvrapporterede nøjagtighedsresultater til bredere virksomhedsadoption mod større platforme.
TechCrunch rapporterede den 18. november 2026, at Unsiloed AI havde rejst 7,5 millioner dollars i seedfinansiering i en runde anført af Felicis for at udvikle teknologi, der omdanner virksomhedsdokumenter til strukturerede data til AI-agenter.
Y Combinator, Orange Collective og Uncorrelated Ventures deltog også sammen med engelinvestorerne Aarthi Ramamurthy og Beth Turner. Den administrerende direktør Aman Mishra sagde, at provenuet skal finansiere ansættelser inden for forskning og ingeniørarbejde, en udvidelse af salgsindsatsen og udvikling af proprietære datasæt, der kan forbedre teknologien.
Y Combinators virksomhedsprofil beskriver Unsiloed som en San Francisco-virksomhed, der blev grundlagt i 2025, og som deltog i Y Combinators efterårshold i 2025. Her angives Mishra som grundlægger og administrerende direktør og Adnan Abbas som grundlægger og teknologidirektør; de to tidligere klassekammerater fra IIT Kharagpur udviklede teknologien, før de kom med på holdet.
Parsing, udtræk og verifikation
Unsiloeds produktoversigt beskriver en platform, der konverterer PDF-filer, billeder og regneark til JSON og Markdown til store sprogmodeller og AI-agenter. Platformen har tre funktioner: Parse, der bevarer dokumentstrukturen i Markdown; Extract, der returnerer de ønskede felter i henhold til et JSON-skema; og Split, der adskiller filer med flere dokumenter og opdeler lange dokumenter i søgbare tekststykker.
Udtrukne felter kan omfatte konfidensscorer og henvisninger til deres placering i originaldokumentet, så kontrollanter kan efterprøve usikre værdier, før de bruges i efterfølgende processer. Platformen kan forbindes til S3, SharePoint, Drive, Snowflake og dokumenthåndteringssystemer og kan udrulles til virksomheder i en virtuel privat sky, lokalt eller i et isoleret miljø uden forbindelse til eksterne netværk.
Grundlæggerne beskriver en arkitektur med to datastrømme, hvor det udtrukne indhold holdes i den ene strøm og dokumentets layout og hierarki i den anden. Derefter anvender en dekoder branchespecifik terminologi og genererer JSON eller Markdown. Opmærksomhedsstyrede varmekort leder behandlingen hen mod talkolonner, sammenflettede celler og sektionsoverskrifter, samtidig med at tabeller over flere sider og forbindelser mellem klausuler bevares.
Mishra beskrev den underliggende bekymring om pålidelighed: »Problemet med store sprogmodeller er, at de grundlæggende er probabilistiske. Det vil medføre en vis afvigelse. Der vil forekomme hallucinationer, og det har en enorm negativ indvirkning på de efterfølgende processer.«
Virksomhedens egne nøjagtighedstests
I Unsiloeds egen evaluering fra maj 2026 fik virksomhedens parser en score på 88,0 på olmOCR-Bench, en benchmarktest af dokumentparsing, sammenlignet med 66,0 for Reducto Agentic og 39,9 for Unstructured. Evalueringen omfattede 8.413 enhedstests på tværs af 1.403 PDF-sider og anvendte den uændrede version 0.4.27 af olmocr-scoringsværktøjet. Den dækkede tabeller, matematisk notation, læserækkefølge, lang eller meget lille tekst og forringede scanninger.
Unsiloed advarede også om, at streng strengmatchning kan markere harmløse forskelle i formatering eller notation, mens benchmarks, der er målrettet akademisk brug, kan undervurdere betydningen af diagrammer, formularer og andre elementer, som ofte forekommer i produktionsdokumenter.
En separat test, som virksomheden selv har rapporteret, omfattede 542 finansielle dokumenter og viste en nøjagtighed på 99,78 % på tværs af cirka 84.000 udtrukne datapunkter. Dokumenterne kom fra en erhvervskunde, og sammenligningen omfattede større AI-modeller, Microsofts Azure Document Intelligence og kundens interne værktøj til dataudtræk; resultaterne var ikke blevet verificeret uafhængigt.
De første kunder og konkurrencesituationen på markedet
Mishra sagde, at Unsiloed samarbejder med kunder inden for finans, juridiske tjenester og sundhedspleje. En unavngiven bank bruger softwaren til at behandle dokumenter, mens et advokatfirma kører den på sine egne servere til behandling af kontrakter og gamle sagsakter. Stemme-AI-startupvirksomheden Bolna AI bruger den til at indlæse vidensbaser, som bruges til at bygge stemmeagenter.
Blandt konkurrenterne er de specialiserede startups Reducto og Unstructured, der arbejder med dokumentbehandling, produkter fra Microsoft og Amazon samt generelle AI-modeller, som virksomheder bruger til dataudtræk. Mishra sagde, at priserne starter ved én cent pr. side. Han tilskrev virksomhedens omkostningskontrol, at den retter beregningskraften mod de dele af et dokument, der kræver mest opmærksomhed, i stedet for at behandle alle afsnit ensartet.
Unsiloed går efter dette marked med syv medarbejdere. Seedfinansieringen giver virksomheden ressourcer til at vokse; den umiddelbare udfordring er at omsætte de første implementeringer og virksomhedens egne nøjagtighedsresultater til bredere udbredelse blandt virksomheder i konkurrence med specialiserede udbydere og langt større platforme.












