Financiación
Unsiloed AI recauda 7,5 millones de dólares en una ronda semilla para ampliar sus equipos de investigación, ingeniería y ventas

Puntos claveUnsiloed AI recaudó 7,5 millones de dólares en financiación inicial liderada por…
Ver más
- Unsiloed AI recaudó 7,5 millones de dólares en financiación inicial liderada por Felicis para convertir documentos empresariales en datos estructurados.
- El analizador de la empresa obtuvo 88,0 en olmOCR-Bench en su propia evaluación de mayo de 2026 frente a herramientas rivales.
- Unsiloed debe convertir los despliegues tempranos y los resultados de precisión autodeclarados en una adopción empresarial más amplia frente a plataformas más grandes.
TechCrunch informó el 18 de noviembre de 2026 que Unsiloed AI había recaudado 7,5 millones de dólares en una ronda de financiación semilla liderada por Felicis para desarrollar tecnología que convierte documentos empresariales en datos estructurados para agentes de IA.
Y Combinator, Orange Collective y Uncorrelated Ventures también participaron, junto con los inversores ángeles Aarthi Ramamurthy y Beth Turner. El director ejecutivo, Aman Mishra, dijo que los fondos se destinarán a contratar personal de investigación e ingeniería, ampliar el equipo de ventas y crear conjuntos de datos propios para mejorar la tecnología.
El perfil de la empresa de Y Combinator presenta a Unsiloed como una empresa de San Francisco fundada en 2025 y miembro de su promoción de otoño de 2025. Identifica a Mishra como fundador y director ejecutivo, y a Adnan Abbas como fundador y director de tecnología; ambos, antiguos compañeros de clase en IIT Kharagpur, desarrollaron la tecnología antes de incorporarse a la promoción.
Análisis, extracción y verificación
La descripción general del producto de Unsiloed presenta una plataforma que convierte archivos PDF, imágenes y hojas de cálculo en JSON y Markdown para modelos de lenguaje grandes y agentes de IA. Sus tres operaciones son Parse, que conserva la estructura del documento en Markdown; Extract, que devuelve los campos solicitados conforme a un esquema JSON; y Split, que separa archivos con varios documentos y divide los documentos largos en fragmentos que se pueden recuperar.
Los campos extraídos pueden incluir puntuaciones de confianza y citas que indican su ubicación en el documento original, lo que permite a los revisores comprobar los valores inciertos antes de utilizarlos en procesos posteriores. La plataforma se conecta a S3, SharePoint, Drive, Snowflake y sistemas de gestión documental, y ofrece opciones de implementación empresarial en una nube privada virtual, en las instalaciones del cliente o en un entorno aislado de redes externas.
Los fundadores describen una arquitectura de doble flujo que mantiene el contenido extraído en un flujo y el diseño y la jerarquía del documento en otro, seguidos de un decodificador que aplica terminología específica del sector y genera JSON o Markdown. Los mapas de calor guiados por la atención dirigen el procesamiento hacia las columnas numéricas, las celdas combinadas y los encabezados de sección, a la vez que conservan las tablas que abarcan varias páginas y las relaciones entre cláusulas.
Mishra describió el problema de fiabilidad subyacente: «El problema de los modelos de lenguaje grandes es que son inherentemente probabilísticos. Se producirán ciertas desviaciones. Habrá alucinaciones, y eso tendrá un enorme impacto negativo en las etapas posteriores».
Pruebas de precisión realizadas por la empresa
En su propia evaluación de mayo de 2026, el analizador de Unsiloed obtuvo una puntuación de 88,0 en olmOCR-Bench, una prueba de referencia para el análisis de documentos, frente a 66,0 de Reducto Agentic y 39,9 de Unstructured. La evaluación utilizó 8.413 pruebas unitarias en 1.403 páginas PDF y la versión 0.4.27 sin modificaciones del evaluador olmocr. Se analizaron tablas, notación matemática, orden de lectura, texto largo o diminuto y escaneos deteriorados.
Unsiloed también advirtió que la comparación estricta de cadenas de texto puede señalar diferencias inocuas de formato o notación, mientras que las pruebas de referencia orientadas al ámbito académico pueden representar insuficientemente los gráficos, formularios y otros elementos habituales en los documentos de producción.
En otra prueba, cuyos resultados comunicó la empresa, se analizaron 542 documentos financieros y se obtuvo una precisión del 99,78 % en unos 84.000 puntos de datos extraídos. Los documentos procedían de un cliente empresarial y la comparación incluyó importantes modelos de IA, Azure Document Intelligence de Microsoft y la herramienta de extracción interna del cliente; los resultados no se habían verificado de forma independiente.
Primeros clientes y competencia en el mercado
Mishra dijo que Unsiloed trabaja con clientes de los sectores financiero, de servicios jurídicos y sanitario. Un banco cuyo nombre no se ha revelado utiliza el software para procesar documentos, mientras que un bufete de abogados lo ejecuta en sus propios servidores para gestionar contratos y expedientes antiguos. La empresa emergente de IA de voz Bolna AI lo utiliza para incorporar bases de conocimiento con las que crear agentes de voz.
Entre sus competidores figuran las empresas emergentes especializadas en procesamiento de documentos Reducto y Unstructured, productos de Microsoft y Amazon, y modelos de IA de propósito general que las empresas utilizan para extraer datos. Mishra dijo que los precios parten de un centavo por página. Atribuyó el control de costos de la empresa a que dirige el cómputo hacia las partes del documento que requieren más atención, en lugar de procesar todas las secciones de manera uniforme.
Unsiloed busca competir en ese mercado con siete empleados. La ronda semilla le proporciona recursos para expandirse; el desafío inmediato es convertir las primeras implementaciones y los resultados de precisión comunicados por la empresa en una adopción empresarial más amplia, frente a proveedores especializados y plataformas mucho más grandes.












