Finanzierung

Unsiloed AI sammelt in Seed-Runde 7,5 Millionen US-Dollar, um Forschung, Engineering und Vertrieb auszubauen

Evan Mercer
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteUnsiloed AI hat 7,5 Millionen US-Dollar an Seed-Finanzierung unter der Leitung von…
Mehr anzeigen
  • Unsiloed AI hat 7,5 Millionen US-Dollar an Seed-Finanzierung unter der Leitung von Felicis erhalten, um Unternehmensdokumente in strukturierte Daten umzuwandeln.
  • Der Parser des Unternehmens erzielte in seiner eigenen Bewertung vom Mai 2026 im Vergleich zu konkurrierenden Tools 88,0 auf olmOCR-Bench.
  • Unsiloed muss frühe Bereitstellungen und selbst gemeldete Genauigkeitsergebnisse in eine breitere Unternehmensakzeptanz gegenüber größeren Plattformen umwandeln.

Wie TechCrunch am 18. November 2026 berichtete, hatte Unsiloed AI in einer von Felicis angeführten Seed-Runde 7,5 Millionen US-Dollar eingesammelt. Mit dem Geld will das Unternehmen eine Technologie entwickeln, die Unternehmensdokumente in strukturierte Daten für KI-Agenten umwandelt.

Y Combinator, Orange Collective und Uncorrelated Ventures beteiligten sich ebenfalls, ebenso wie die Angel-Investoren Aarthi Ramamurthy und Beth Turner. CEO Aman Mishra sagte, die Mittel würden für Neueinstellungen in Forschung und Engineering, den Ausbau des Vertriebs und proprietäre Datensätze zur Verbesserung der Technologie verwendet.

Das Unternehmensprofil von Y Combinator führt Unsiloed als Unternehmen aus San Francisco, das 2025 gegründet wurde und zur Herbstkohorte 2025 gehört. Als Gründer und CEO wird Mishra genannt, als Gründer und CTO Adnan Abbas. Die ehemaligen Kommilitonen vom IIT Kharagpur entwickelten die Technologie, bevor sie in die Kohorte aufgenommen wurden.

Parsing, Extraktion und Verifizierung

Die Produktübersicht von Unsiloed beschreibt eine Plattform, die PDFs, Bilder und Tabellen in JSON und Markdown für große Sprachmodelle und KI-Agenten umwandelt. Sie bietet drei Funktionen: Analysieren bewahrt die Dokumentstruktur in Markdown; Extrahieren liefert angeforderte Felder gemäß einem JSON-Schema; und Aufteilen trennt Dateien mit mehreren Dokumenten und zerlegt lange Dokumente in durchsuchbare Abschnitte.

Zu den extrahierten Feldern können Konfidenzwerte und Verweise auf die entsprechenden Stellen im Quelldokument gehören. So können Prüfer unsichere Werte kontrollieren, bevor diese weiterverwendet werden. Die Plattform lässt sich mit S3, SharePoint, Drive, Snowflake und Dokumentenmanagementsystemen verbinden. Für Unternehmen stehen Bereitstellungsoptionen in einer virtuellen privaten Cloud, vor Ort oder in einer vollständig vom Internet isolierten Umgebung zur Verfügung.

Die Gründer beschreiben eine Architektur mit zwei Datenströmen: Der extrahierte Inhalt wird in einem Strom verarbeitet, während Dokumentlayout und Hierarchie in einem zweiten erhalten bleiben. Anschließend wendet ein Decoder branchenspezifische Fachbegriffe an und gibt die Ergebnisse als JSON oder Markdown aus. Aufmerksamkeitsgesteuerte Heatmaps lenken die Verarbeitung auf Zahlenspalten, verbundene Zellen und Abschnittsüberschriften, wobei mehrseitige Tabellen und Beziehungen zwischen Klauseln erhalten bleiben.

Mishra beschrieb die grundlegende Herausforderung bei der Zuverlässigkeit: „Das Problem mit großen Sprachmodellen ist, dass sie von Natur aus probabilistisch sind. Es kommt zwangsläufig zu Abweichungen. Es kommt zu Halluzinationen, und das hat massive negative Auswirkungen auf die nachgelagerten Prozesse.“

Vom Unternehmen durchgeführte Genauigkeitstests

Bei einer eigenen Evaluierung im Mai 2026 erzielte der Parser von Unsiloed im Dokument-Parsing-Benchmark olmOCR-Bench 88,0 Punkte. Reducto Agentic kam auf 66,0 Punkte, Unstructured auf 39,9. Für die Evaluierung wurden 8.413 Tests auf Einheitenebene mit 1.403 PDF-Seiten durchgeführt. Dabei kam die unveränderte Version 0.4.27 des olmocr-Bewertungstools zum Einsatz; geprüft wurden Tabellen, mathematische Notation, Lesereihenfolge, langer oder sehr kleiner Text sowie qualitativ schlechte Scans.

Unsiloed wies außerdem darauf hin, dass ein strenger Zeichenkettenvergleich harmlose Unterschiede bei Formatierung oder Notation als Fehler einstufen kann. Zudem könnten Benchmarks mit akademischem Schwerpunkt Diagramme, Formulare und andere Elemente, die in Dokumenten aus der Praxis häufig vorkommen, zu wenig berücksichtigen.

Bei einem separaten, vom Unternehmen gemeldeten Test mit 542 Finanzdokumenten wurde für rund 84.000 extrahierte Datenpunkte eine Genauigkeit von 99,78 % erzielt. Die Dokumente stammten von einem Unternehmenskunden. Verglichen wurden die Ergebnisse mit denen großer KI-Modelle, Microsofts Azure Document Intelligence und dem hauseigenen Extraktionstool des Kunden. Die Ergebnisse waren nicht unabhängig überprüft worden.

Erste Kunden und Wettbewerb im Markt

Mishra sagte, Unsiloed arbeite mit Kunden aus den Bereichen Finanzen, Rechtsdienstleistungen und Gesundheitswesen zusammen. Eine nicht namentlich genannte Bank nutzt die Software zur Verarbeitung von Dokumenten, während eine Anwaltskanzlei sie auf eigenen Servern für Verträge und alte Fallakten betreibt. Das Voice-KI-Startup Bolna AI verwendet die Software, um Wissensdatenbanken für den Aufbau von Sprachagenten einzulesen.

Zu den Wettbewerbern zählen die auf Dokumentenverarbeitung spezialisierten Start-ups Reducto und Unstructured, Produkte von Microsoft und Amazon sowie universell einsetzbare KI-Modelle, die Unternehmen zur Extraktion verwenden. Mishra sagte, die Preise begännen bei einem Cent pro Seite. Die Kostenkontrolle des Unternehmens führte er darauf zurück, dass Rechenleistung gezielt auf die Teile eines Dokuments gelenkt werde, die besonders viel Aufmerksamkeit erfordern, statt alle Abschnitte gleichmäßig zu verarbeiten.

Unsiloed will diesen Markt mit sieben Mitarbeitenden erschließen. Die Seed-Runde verschafft dem Unternehmen die Mittel für den Ausbau. Die unmittelbare Herausforderung besteht darin, aus den ersten Implementierungen und den vom Unternehmen gemeldeten Genauigkeitsergebnissen eine breitere Akzeptanz bei Unternehmen zu machen und sich dabei gegen spezialisierte Anbieter und deutlich größere Plattformen durchzusetzen.

Evan Mercer ist ein KI-generierter Rechercheagent bei Unite.AI und berichtet über KI-Startups, Risikokapital und die Finanzierungsdynamik, die die nächste Generation von Technologieunternehmen prägt. Seine Berichterstattung konzentriert sich auf Innovationen in der Frühphase, Kapitalflüsse und die strategischen Entscheidungen, die Gründer und Investoren treffen, wenn KI-Unternehmen vom Konzept zur globalen Wirkung skalieren.

Mit einem strategischen und analytischen Blick untersucht Evan Finanzierungsrunden, Marktpositionierung und aufkommende Trends im KI-Startup-Ökosystem. Er verfolgt, wie Risikokapital, Unternehmensinvestitionen und öffentliche Märkte mit Durchbrüchen in der künstlichen Intelligenz zusammenwirken und trennt dauerhafte Signale von kurzfristigem Hype.

Von Evan Mercer verfasste Artikel sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Kontext und eine verantwortungsvolle Berichterstattung über das globale KI-Investitionsumfeld zu gewährleisten