Financement
Unsiloed AI lève 7,5 millions de dollars en financement d’amorçage pour renforcer ses équipes de recherche, d’ingénierie et de vente

Points clésUnsiloed AI a levé 7,5 millions de dollars en financement d'amorçage mené par Felicis…
Voir plus
- Unsiloed AI a levé 7,5 millions de dollars en financement d'amorçage mené par Felicis pour transformer les documents d'entreprise en données structurées.
- Le parseur de l'entreprise a obtenu un score de 88,0 sur olmOCR-Bench lors de sa propre évaluation de mai 2026 face à des outils concurrents.
- Unsiloed doit convertir les premiers déploiements et les résultats de précision autodéclarés en une adoption plus large par les entreprises face à des plateformes plus grandes.
TechCrunch a rapporté, le 18 novembre 2026, qu’Unsiloed AI avait levé 7,5 millions de dollars lors d’un tour de financement d’amorçage mené par Felicis afin de développer une technologie qui transforme les documents d’entreprise en données structurées pour les agents d’IA.
Y Combinator, Orange Collective et Uncorrelated Ventures ont également participé au financement, aux côtés des investisseurs providentiels Aarthi Ramamurthy et Beth Turner. Le PDG Aman Mishra a déclaré que les fonds serviraient à recruter des spécialistes en recherche et en ingénierie, à développer les activités commerciales et à constituer des jeux de données propriétaires pour améliorer la technologie.
La fiche de l’entreprise de Y Combinator présente Unsiloed comme une entreprise de San Francisco fondée en 2025 et membre de sa promotion de l’automne 2025. Elle indique que Mishra en est le fondateur et PDG, et Adnan Abbas, le fondateur et directeur technique. Anciens camarades de classe à l’IIT Kharagpur, ils ont développé la technologie avant de rejoindre la promotion.
Analyse, extraction et vérification
La présentation du produit d’Unsiloed décrit une plateforme qui convertit les PDF, les images et les feuilles de calcul en JSON et en Markdown pour les grands modèles de langage et les agents d’IA. Elle propose trois opérations : Analyser, qui préserve la structure des documents en Markdown ; Extraire, qui renvoie les champs demandés selon un schéma JSON ; et Fractionner, qui sépare les fichiers contenant plusieurs documents et divise les documents longs en segments pouvant être retrouvés.
Les champs extraits peuvent inclure des scores de confiance et des citations indiquant leur emplacement dans le document d’origine, afin que les vérificateurs puissent contrôler les valeurs incertaines avant leur utilisation ultérieure. La plateforme se connecte à S3, SharePoint, Drive, Snowflake et à des systèmes de gestion documentaire. Elle peut être déployée en entreprise dans un nuage privé virtuel, sur site ou dans un environnement isolé du réseau.
Les fondateurs décrivent une architecture à deux flux : l’un conserve le contenu extrait, l’autre la mise en page et la hiérarchie du document. Un décodeur applique ensuite une terminologie propre au secteur et produit du JSON ou du Markdown. Des cartes thermiques guidées par l’attention orientent le traitement vers les colonnes numériques, les cellules fusionnées et les en-têtes de section, tout en préservant les tableaux répartis sur plusieurs pages et les liens entre les clauses.
Mishra a décrit le problème de fiabilité sous-jacent : « Le problème avec les grands modèles de langage, c’est qu’ils sont intrinsèquement probabilistes. Il y aura forcément des écarts. Il y aura forcément des hallucinations, et cela a des conséquences très négatives en aval. »
Tests de précision menés par l’entreprise
Lors de sa propre évaluation de mai 2026, le parseur d’Unsiloed a obtenu un score de 88,0 sur olmOCR-Bench, un banc d’essai d’analyse de documents, contre 66,0 pour Reducto Agentic et 39,9 pour Unstructured. L’évaluation s’appuyait sur 8 413 tests unitaires portant sur 1 403 pages PDF et sur la version 0.4.27, non modifiée, du logiciel de notation olmocr. Elle couvrait les tableaux, la notation mathématique, l’ordre de lecture, les textes longs ou très petits et les numérisations dégradées.
Unsiloed a également averti que la comparaison stricte des chaînes de caractères pouvait signaler des différences de mise en forme ou de notation sans conséquence, tandis que les bancs d’essai axés sur le milieu universitaire pouvaient sous-représenter les graphiques, les formulaires et d’autres éléments courants dans les documents utilisés en production.
Un autre test, distinct, dont les résultats ont été communiqués par l’entreprise et qui portait sur 542 documents financiers, a atteint une précision de 99,78 % sur environ 84 000 points de données extraits. Les documents provenaient d’un client d’entreprise. La comparaison incluait de grands modèles d’IA, Azure Document Intelligence de Microsoft et l’outil d’extraction interne du client ; les résultats n’avaient pas été vérifiés de manière indépendante.
Premiers clients et concurrence sur le marché
Mishra a déclaré qu’Unsiloed travaillait avec des clients des secteurs de la finance, des services juridiques et de la santé. Une banque dont le nom n’a pas été communiqué utilise le logiciel pour traiter des documents, tandis qu’un cabinet d’avocats l’exécute sur ses propres serveurs pour traiter des contrats et d’anciens dossiers judiciaires. La jeune entreprise d’IA vocale Bolna AI l’utilise pour ingérer des bases de connaissances afin de créer des agents vocaux.
Parmi ses concurrents figurent les jeunes entreprises spécialisées dans le traitement documentaire Reducto et Unstructured, des produits de Microsoft et d’Amazon, ainsi que des modèles d’IA généralistes que les entreprises utilisent pour l’extraction de données. Mishra a indiqué que les prix commençaient à un centime par page. Il attribue la maîtrise des coûts de l’entreprise au fait de concentrer la puissance de calcul sur les parties d’un document qui nécessitent le plus d’attention, plutôt que de traiter uniformément chaque section.
Unsiloed s’attaque à ce marché avec sept employés. Le tour d’amorçage lui donne les moyens de se développer ; son défi immédiat consiste à transformer ses premiers déploiements et les résultats de précision communiqués par l’entreprise en une adoption plus large par les grandes entreprises, face à des spécialistes et à des plateformes beaucoup plus importantes.












