Retab Mengumpulkan $3,5M dan Meluncurkan Platform Berbasis AI untuk Mengubah Dokumen yang Berantakan menjadi Data Terstruktur

Bagi pengembang yang membangun alat berbasis AI di industri seperti logistik, keuangan, dan kesehatan, satu tantangan yang konsisten menghalangi jalan: mendapatkan model bahasa besar (LLM) untuk secara andal mengekstrak data dari dokumen dunia nyata. Faktur PDF, laporan 200 halaman, formulir tulisan tangan, dan ID yang discan sering menggagalkan sistem AI yang kuat.

Retab, sebuah startup baru yang didirikan oleh insinyur yang menghadapi masalah ini secara langsung, baru saja diluncurkan untuk memecahkan masalah ini. Bersamaan dengan debut publik platformnya, perusahaan ini juga mengumumkan $3,5 juta dalam pendanaan pra-seed yang dipimpin oleh VentureFriends, Kima Ventures, dan K5 Global, dengan partisipasi dari Eric Schmidt (melalui StemAI), Olivier Pomel (CEO, Datadog (DDOG )), dan Florian Douetteau (CEO, Dataiku).

Retab tidak hanya menyediakan penyedia LLM lain, tetapi duduk satu lapis di atas – menawarkan platform pertama pengembang untuk kecerdasan buatan dokumen yang memungkinkan pengguna untuk mendefinisikan data yang ingin diekstrak, kemudian menangani seluruh proses: pelabelan, evaluasi, teknik prompt, benchmarking model, dan pengaturan.

“Orang-orang terus membangun demo AI yang terlihat ajaib tetapi hancur dalam produksi,” kata Louis de Benoist, co-pendiri dan CEO Retab. “Kami membangun Retab karena kami lelah menghubungkan pipa yang rapuh hanya untuk mengekstrak beberapa bidang dari dokumen. Sekarang, pengembang dapat fokus pada skema yang mereka inginkan – kami menangani sisanya.”

Apa yang Sebenarnya Dilakukan Retab

Pada intinya, Retab mengubah dokumen tidak terstruktur – PDF, scan, formulir – menjadi keluaran JSON yang bersih dan terstruktur atau tabel yang dapat dimasukkan pengembang ke dalam sistem produksi. Dibangun sebagai SDK dan platform, ini mengabstraksikan semua kompleksitas membangun alur kerja ekstraksi data berbasis AI.

Perusahaan yang menggunakan Retab hanya perlu menjelaskan skema data yang mereka inginkan. Retab kemudian menghasilkan dataset yang diberi label, memilih LLM optimal, memperhalus prompt, dan menangani deteksi kesalahan dan logika pengulangan. Ini memastikan akurasi produksi melalui tiga inovasi inti:

• Skema yang Mengoptimalkan Diri: Retab menggunakan agen AI internal untuk menguji dan memperhalus instruksi ekstraksi menggunakan contoh nyata, menghilangkan kebutuhan akan penyetelan manual.
• Pengaturan Model Cerdas: Platform ini tidak bergantung pada model dan secara otomatis melakukan benchmarking di seluruh LLM (misalnya, OpenAI, Anthropic, Google ), mengarahkan setiap dokumen ke model terbaik berdasarkan biaya, kecepatan, dan persyaratan akurasi. Ini telah memungkinkan beberapa pengguna untuk mengurangi biaya pemrosesan hingga 100x.
• k-LLM Konsensus & Penalaran Terbimbing: Alih-alih mengandalkan output model tunggal, Retab menerapkan penalaran langkah demi langkah (rantai pemikiran) dan menjalankan beberapa model secara paralel untuk mencapai konsensus. Jika ketidakpastian tetap ada, maka akan diidentifikasi atau dihitung ulang, memberikan pengembang kepercayaan diri dalam setiap jawaban.

Lapisan orkestrasi ini memberikan pengembang kekuatan untuk mengubah aliran dokumen yang rentan terhadap kesalahan – seperti parsing kontrak, verifikasi identitas, atau analisis faktur – menjadi sistem yang dapat diskalakan dan self-correcting.

Dari Logistik ke Infrastruktur

Pendiri awalnya membangun fondasi Retab saat mengotomatisasi proses internal untuk operasi yang berat dokumen di industri logistik. Namun, saat mereka menyempurnakan alat ini, mereka menyadari nilainya jauh melampaui setiap kasus penggunaan tunggal. Hari ini, Retab sudah digunakan oleh puluhan perusahaan di seluruh:

• Logistik: Menganalisis bill of lading, manifest bea cukai, dan catatan pengiriman
• Keuangan: Mengekstrak faktor risiko dan metrik keuangan dari laporan panjang
• Kesehatan: Mengotomatisasi formulir intake, klaim, dan catatan medis

Sebuah perusahaan truk menggunakan Retab untuk mengidentifikasi konfigurasi model terkecil dan tercepat yang memenuhi persyaratan akurasi 99% – mengurangi biaya komputasi dan latensi tanpa mengorbankan kinerja. Sebuah firma keuangan memotong hari dari analisis kuartalan dengan menggunakan Retab untuk mengekstrak indikator risiko terstruktur dari dokumen investor.

“Ekonomi AI bergantung pada mengubah dokumen yang berantakan dan dapat dibaca manusia menjadi data terstruktur dan verifiable,” kata Florian Douetteau, CEO Dataiku. “Retab adalah platform yang membuat lompatan itu memungkinkan dalam skala.”

Menghadap ke Depan

Retab sekarang memperluas cakupannya di luar dokumen: rilis mendatang akan memungkinkan pengguna untuk mengekstrak data dari halaman web dan konten dinamis, membuka pintu untuk kasus penggunaan seperti analisis kompetitif, pengikisan kepatuhan, dan otomatisasi pendaftaran. Integrasi dengan alat seperti Zapier, n8n, dan Dify juga dalam perjalanan, memungkinkan Retab untuk dimasukkan ke dalam alur kerja yang ada tanpa kode kustom.

Dalam jangka panjang, Retab bertujuan untuk menjadi lapisan middleware antara data tidak terstruktur dunia dan agen AI yang bergantung padanya – apakah itu untuk pencarian perusahaan, RPA, atau copilot AI.

Meskipun hanya memiliki sepuluh karyawan, Retab sudah diakui sebagai blok bangunan fondamental untuk pengembang yang membangun produk asli AI – bukan hanya penyedia lain, tetapi sebuah set alat untuk mengoperasikan kenyataan yang berantakan dari data dunia nyata.