Retab Raises 3,5 Mio. US-Dollar und startet KI-basierte Plattform, um unstrukturierte Dokumente in strukturierte Daten umzuwandeln

Für Entwickler, die KI-gestützte Tools in Branchen wie Logistik, Finanzen und Gesundheitswesen entwickeln, steht ein Problem immer wieder im Weg: Die zuverlässige Extraktion von Daten aus realen Dokumenten durch große Sprachmodelle (LLMs). PDF-Rechnungen, 200-seitige Berichte, handschriftliche Formulare und gescannte Ausweise können selbst leistungsstarke KI-Systeme zum Scheitern bringen.

Retab, ein neues Startup, das von Ingenieuren gegründet wurde, die dieses Problem selbst erlebt haben, hat nun eine Lösung dafür entwickelt. Neben dem öffentlichen Launch der Plattform gab das Unternehmen auch bekannt, 3,5 Millionen US-Dollar an Pre-Seed-Finanzierung von VentureFriends, Kima Ventures und K5 Global mit Beteiligung von Eric Schmidt (via StemAI), Olivier Pomel (CEO, Datadog (DDOG )) und Florian Douetteau (CEO, Dataiku) erhalten zu haben.

Anstatt ein weiterer LLM-Anbieter zu sein, positioniert sich Retab eine Ebene darüber und bietet eine Entwickler-Plattform für Dokumenten-KI, die es Benutzern ermöglicht, genau zu definieren, welche Daten sie extrahieren möchten, und dann den gesamten Prozess abwickelt: Labeling, Evaluierung, Prompt-Engineering, Modell-Benchmarking und Routing.

„Die Leute bauen KI-Demos, die magisch aussehen, aber in der Produktion zusammenbrechen“, sagte Louis de Benoist, Mitgründer und CEO von Retab. „Wir haben Retab entwickelt, weil wir es leid waren, fragile Pipelines zu verdrahten, nur um ein paar Felder aus einem Dokument zu extrahieren. Jetzt können Entwickler sich auf das Schema konzentrieren, das sie wollen – wir übernehmen den Rest.“

Was Retab eigentlich macht

Im Kern wandelt Retab unstrukturierte Dokumente – PDFs, Scans, Formulare – in saubere, strukturierte JSON- oder Tabellenausgaben um, die Entwickler direkt in Produktionssysteme einfügen können. Als SDK und Plattform abstrahiert es die gesamte Komplexität des Aufbaus von KI-gestützten Daten-Extraktions-Workflows.

Unternehmen, die Retab nutzen, beschreiben einfach das Schema der Daten, die sie extrahieren möchten. Retab generiert dann automatisch gelabelte Datensätze, wählt die optimalen LLMs aus, verfeinert Prompts und übernimmt die Fehlererkennung und Wiederholungslogik. Es gewährleistet produktionsreife Genauigkeit durch drei Kerninnovationen:

• Selbstoptimierende Schemata: Retab verwendet einen internen KI-Agenten, um Extraktionsanweisungen iterativ zu testen und zu verfeinern, indem es reale Beispiele verwendet, wodurch die Notwendigkeit von manuellem Tuning entfällt.
• Intelligentes Modell-Routing: Die Plattform ist modellunabhängig und benchmarkt automatisch über LLMs (z. B. OpenAI, Anthropic, Google ), leitet jedes Dokument an das beste Modell basierend auf Kosten-, Geschwindigkeits- und Genauigkeitsanforderungen weiter. Dies ermöglicht es einigen Benutzern, die Verarbeitungskosten um bis zu 100x zu reduzieren.
• k-LLM-Konsens und geleitetes Reasoning: Anstatt auf die Ausgabe eines einzelnen Modells zu vertrauen, erzwingt Retab schrittweises Reasoning (chain-of-thought) und führt mehrere Modelle parallel aus, um zu einem Konsens zu gelangen. Wenn Unsicherheit bleibt, wird sie markiert oder neu berechnet, was Entwicklern Vertrauen in jede Antwort gibt.

Diese Orchestrierungsschicht gibt Entwicklern die Macht, fehleranfällige Dokumenten-Flows – wie Vertragsanalyse, Identitätsprüfung oder Rechnungsanalyse – in skalierbare, selbstkorrigierende Systeme umzuwandeln.

Von Logistik zu Infrastruktur

Die Gründer haben ursprünglich die Grundlagen von Retab aufgebaut, während sie interne Prozesse für dokumentenintensive Operationen in der Logistikbranche automatisierten. Als sie jedoch die Tooling verfeinerten, erkannten sie, dass der Wert weit über jeden einzelnen Anwendungsfall hinausging. Heute wird Retab bereits von Dutzenden von Unternehmen in verschiedenen Branchen genutzt:

• Logistik: Parsen von Frachtbriefen, Zollmanifesten und Lieferunterlagen
• Finanzen: Extrahieren von Risikofaktoren und Finanzmetriken aus langen Berichten
• Gesundheitswesen: Automatisieren von Aufnahmeanträgen, Ansprüchen und medizinischen Unterlagen

Ein Transportunternehmen nutzte Retab, um die kleinste, schnellste Modellkonfiguration zu identifizieren, die ihre Anforderung von 99 % Genauigkeit erfüllte – und reduzierte so die Rechenkosten und Latenz ohne Leistungsverlust. Ein Finanzunternehmen verkürzte die Quartalsanalyse um Tage, indem es Retab nutzte, um strukturierte Risikoinikatoren aus Investitionsdokumenten zu extrahieren.

„Die KI-Wirtschaft hängt davon ab, unstrukturierte, menschenlesbare Dokumente in strukturierte, verifizierbare Daten umzuwandeln“, sagte Florian Douetteau, CEO von Dataiku. „Retab ist die Plattform, die diesen Sprung im großen Maßstab ermöglicht.“

Blick in die Zukunft

Retab erweitert sich nun über Dokumente hinaus: In den kommenden Versionen können Benutzer Daten aus Webseiten und dynamischen Inhalten extrahieren, was den Weg für Anwendungsfälle wie Wettbewerbsanalyse, Compliance-Scraping und Onboarding-Automatisierung ebnet. Integrationen mit Tools wie Zapier, n8n und Dify sind ebenfalls geplant, um Retab in bestehende Workflows ohne benutzerdefinierten Code einzubinden.

Langfristig strebt Retab danach, die Middleware-Schicht zwischen der Welt der unstrukturierten Daten und den KI-Agenten, die darauf angewiesen sind, zu werden – sei es für Unternehmenssuche, RPA oder KI-Copiloten.

Trotz nur zehn Mitarbeitern wird Retab bereits als grundlegender Baustein für Entwickler von KI-nativen Produkten anerkannt – nicht nur als ein weiterer Anbieter, sondern als Werkzeugkasten, um die unübersichtliche Realität von Echtzeit-Daten zu operationalisieren.