Rahoitus
Unsiloed AI keräsi 7,5 miljoonan dollarin siemenrahoituksen tutkimuksen, tuotekehityksen ja myynnin kasvattamiseen

Keskeiset kohdatUnsiloed AI keräsi 7,5 miljoonaa dollaria siemenvaiheen rahoitusta Felicisin johdolla…
Näytä lisää
- Unsiloed AI keräsi 7,5 miljoonaa dollaria siemenvaiheen rahoitusta Felicisin johdolla muuttaakseen yritysasiakirjat jäsennellyksi dataksi.
- Yhtiön jäsennin sai olmOCR-Bench-arvioinnissa tuloksen 88,0 omassa toukokuun 2026 arvioinnissaan kilpailevia työkaluja vastaan.
- Unsiloedin on muutettava varhaiset käyttöönotot ja itse raportoidut tarkkuustulokset laajemmaksi yrityskäytöksi suurempia alustoja vastaan.
TechCrunch kertoi 18. marraskuuta 2026, että Unsiloed AI oli kerännyt 7,5 miljoonan dollarin siemenrahoituksen Felicisin johdolla kehittääkseen teknologiaa, joka muuntaa yritysten asiakirjat jäsennellyksi dataksi tekoälyagenteille.
Y Combinator, Orange Collective ja Uncorrelated Ventures osallistuivat rahoituskierrokseen enkelisijoittajien Aarthi Ramamurthyn ja Beth Turnerin rinnalla. Toimitusjohtaja Aman Mishra kertoi, että varat käytetään tutkimus- ja tuotekehitystiimin rekrytointeihin, myynnin laajentamiseen sekä teknologiaa parantavien omien tietoaineistojen kehittämiseen.
Y Combinatorin yritysprofiilin mukaan Unsiloed on San Franciscossa toimiva vuonna 2025 perustettu yritys ja osa Y Combinatorin syksyn 2025 ohjelmaa. Profiilissa Mishra mainitaan yrityksen perustajana ja toimitusjohtajana sekä Adnan Abbas perustajana ja teknologiajohtajana. Entiset IIT Kharagpurin opiskelutoverit kehittivät teknologiaa ennen ohjelmaan liittymistään.
Jäsentäminen, poiminta ja varmentaminen
Unsiloedin tuotekuvauksen mukaan alusta muuntaa PDF-tiedostot, kuvat ja taulukkolaskentatiedostot JSON- ja Markdown-muotoon suuria kielimalleja ja tekoälyagentteja varten. Alustan kolme toimintoa ovat Jäsennä, joka säilyttää asiakirjan rakenteen Markdown-muodossa; Poimi, joka palauttaa pyydetyt kentät JSON-skeeman mukaisesti; ja Jaa, joka erottaa moniasiakirjaiset tiedostot toisistaan sekä jakaa pitkät asiakirjat haettavissa oleviin osiin.
Poimitut kentät voivat sisältää luottamusarvoja ja viittauksia kohtiin, joissa tiedot esiintyvät alkuperäisessä asiakirjassa. Näin tarkastajat voivat tarkistaa epävarmat arvot ennen niiden jatkokäyttöä. Alusta voidaan yhdistää S3:een, SharePointiin, Driveen, Snowflakeen ja asiakirjahallintajärjestelmiin. Yrityskäyttöön on tarjolla käyttöönotto virtuaalisessa yksityisessä pilvessä, paikallisesti tai muusta verkosta eristetyssä ympäristössä.
Perustajien mukaan arkkitehtuurissa on kaksi tietovirtaa: yhdessä säilytetään poimittu sisältö ja toisessa asiakirjan asettelu ja hierarkia. Tämän jälkeen dekooderi soveltaa alakohtaista terminologiaa ja tuottaa tuloksen JSON- tai Markdown-muodossa. Huomion kohdentamista ohjaavat lämpökartat suuntaavat käsittelyn numerotietoja sisältäviin sarakkeisiin, yhdistettyihin soluihin ja osioiden otsikoihin sekä säilyttävät monisivuiset taulukot ja lausekkeiden väliset suhteet.
Mishra kuvaili luotettavuuteen liittyvää perusongelmaa: ”Suurten kielimallien ongelmana on niiden luontainen todennäköisyyspohjaisuus. Tuloksiin tulee väistämättä jonkin verran vaihtelua. Mukana on väistämättä myös hallusinaatioita, joilla on vakavia kielteisiä vaikutuksia jatkokäytössä.”
Yrityksen itse tekemät tarkkuustestit
Unsiloedin omassa toukokuun 2026 arvioinnissa sen jäsennin sai asiakirjojen jäsentämiseen tarkoitetussa olmOCR-Bench-testissä tuloksen 88,0. Reducto Agenticin tulos oli 66,0 ja Unstructuredin 39,9. Arvioinnissa tehtiin 8 413 yksikkötestiä 1 403 PDF-sivulla käyttäen olmocr-arviointiohjelman muuttamatonta versiota 0.4.27. Testit kattoivat taulukot, matemaattiset merkinnät, lukujärjestyksen, pitkän tai hyvin pienen tekstin sekä heikkolaatuiset skannaukset.
Unsiloed huomautti myös, että tiukka merkkijonojen vertailu voi tulkita vaarattomat muotoilu- tai merkintäerot virheiksi. Lisäksi akateemiseen käyttöön painottuvissa vertailutesteissä kaaviot, lomakkeet ja muut tuotantoympäristön asiakirjoissa yleiset elementit voivat jäädä liian vähälle huomiolle.
Erillisessä yrityksen raportoimassa testissä käsiteltiin 542 talousasiakirjaa, ja noin 84 000 poimitun datapisteen tarkkuudeksi saatiin 99,78 %. Asiakirjat olivat peräisin yritysasiakkaalta. Vertailussa oli mukana merkittäviä tekoälymalleja, Microsoftin Azure Document Intelligence sekä asiakkaan oma poimintatyökalu. Tuloksia ei ollut varmennettu riippumattomasti.
Ensimmäiset asiakkaat ja kilpailu markkinoilla
Mishran mukaan Unsiloed tekee yhteistyötä rahoitusalan, lakipalveluiden ja terveydenhuollon asiakkaiden kanssa. Nimeämätön pankki käyttää ohjelmistoa asiakirjojen käsittelyyn, ja asianajotoimisto käyttää sitä omilla palvelimillaan sopimusten ja vanhojen oikeustapausasiakirjojen käsittelyyn. Äänitekoälyä kehittävä startup Bolna AI käyttää ohjelmistoa tietämyskantojen tuomiseen ääniohjattujen agenttien rakentamista varten.
Kilpailijoihin kuuluvat asiakirjojen käsittelyyn erikoistuneet startupit Reducto ja Unstructured, Microsoftin ja Amazonin tuotteet sekä yleiskäyttöiset tekoälymallit, joita yritykset käyttävät tietojen poimintaan. Mishran mukaan hinnoittelu alkaa yhdestä sentistä sivulta. Hän kertoi kustannusten hallinnan perustuvan siihen, että laskentatehoa kohdennetaan asiakirjan eniten huomiota vaativiin osiin sen sijaan, että kaikki osiot käsiteltäisiin samalla tavalla.
Unsiloed tavoittelee markkinoita seitsemän työntekijän voimin. Siemenrahoitus antaa yritykselle resursseja toimintansa laajentamiseen. Lähiajan haasteena on muuttaa ensimmäiset käyttöönotot ja yrityksen itse raportoimat tarkkuustulokset laajemmaksi yritysasiakkaiden käyttöönottamiseksi kilpailussa erikoistuneiden toimijoiden ja huomattavasti suurempien alustojen kanssa.












