Finanziamenti

Unsiloed AI raccoglie 7,5 milioni di dollari in un round seed per espandere ricerca, ingegneria e vendite

Evan Mercer
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveUnsiloed AI ha raccolto 7,5 milioni di dollari in finanziamento seed guidato da Felicis…
Vedi di più
  • Unsiloed AI ha raccolto 7,5 milioni di dollari in finanziamento seed guidato da Felicis per trasformare i documenti aziendali in dati strutturati.
  • Il parser dell'azienda ha ottenuto un punteggio di 88,0 su olmOCR-Bench nella propria valutazione di maggio 2026 rispetto agli strumenti concorrenti.
  • Unsiloed deve convertire le prime implementazioni e i risultati di accuratezza auto-dichiarati in un'adozione aziendale più ampia contro piattaforme più grandi.

TechCrunch ha riferito il 18 novembre 2026 che Unsiloed AI aveva raccolto 7,5 milioni di dollari in un round seed guidato da Felicis per sviluppare una tecnologia che trasforma i documenti aziendali in dati strutturati destinati agli agenti IA.

Y Combinator, Orange Collective e Uncorrelated Ventures hanno partecipato al round, insieme agli angel investor Aarthi Ramamurthy e Beth Turner. L’amministratore delegato Aman Mishra ha dichiarato che i proventi finanzieranno nuove assunzioni nei settori della ricerca e dell’ingegneria, il potenziamento delle attività di vendita e la creazione di set di dati proprietari per migliorare la tecnologia.

La scheda aziendale di Y Combinator indica che Unsiloed è un’azienda di San Francisco fondata nel 2025 e parte della coorte autunnale 2025 dell’acceleratore. Identifica Mishra come fondatore e amministratore delegato e Adnan Abbas come fondatore e direttore tecnico; gli ex compagni di corso all’IIT Kharagpur hanno sviluppato la tecnologia prima di entrare nella coorte.

Analisi, estrazione e verifica

La panoramica del prodotto di Unsiloed descrive una piattaforma che converte PDF, immagini e fogli di calcolo in JSON e Markdown per i modelli linguistici di grandi dimensioni e gli agenti IA. Le sue tre operazioni sono Analizza, che conserva la struttura dei documenti in Markdown; Estrai, che restituisce i campi richiesti secondo uno schema JSON; e Suddividi, che separa i file contenenti più documenti e divide quelli lunghi in blocchi recuperabili.

I campi estratti possono includere punteggi di affidabilità e citazioni che rimandano alle rispettive posizioni nel documento originale, consentendo ai revisori di controllare i valori incerti prima dell’utilizzo nelle fasi successive. La piattaforma si collega a S3, SharePoint, Drive, Snowflake e ai sistemi di gestione documentale, con opzioni di distribuzione aziendale in un cloud privato virtuale, in locale o in un ambiente isolato da reti esterne.

I fondatori descrivono un’architettura a doppio flusso che mantiene i contenuti estratti in un flusso e l’impaginazione e la gerarchia del documento in un altro, seguiti da un decodificatore che applica la terminologia specifica del settore e genera JSON o Markdown. Le mappe di calore guidate dall’attenzione indirizzano l’elaborazione verso le colonne numeriche, le celle unite e le intestazioni di sezione, preservando al contempo le tabelle su più pagine e i rapporti tra le clausole.

Mishra ha descritto il problema di affidabilità alla base della tecnologia: «Il problema dei modelli linguistici di grandi dimensioni è che sono intrinsecamente probabilistici. Si verificheranno inevitabilmente delle variazioni. Ci saranno anche allucinazioni, e questo avrà un impatto molto negativo sulle fasi successive»

Test di accuratezza condotti dall’azienda

Nella valutazione di maggio 2026 condotta da Unsiloed, il suo parser ha ottenuto un punteggio di 88,0 su olmOCR-Bench, un benchmark per l’analisi dei documenti, contro 66,0 di Reducto Agentic e 39,9 di Unstructured. La valutazione ha utilizzato 8.413 test unitari su 1.403 pagine PDF e la versione 0.4.27, non modificata, del valutatore olmocr; ha preso in esame tabelle, notazione matematica, ordine di lettura, testi lunghi o minuscoli e scansioni deteriorate.

Unsiloed ha inoltre precisato che il confronto rigoroso delle stringhe può segnalare differenze innocue di formattazione o notazione, mentre i benchmark orientati alla ricerca accademica possono non rappresentare adeguatamente grafici, moduli e altri elementi comuni nei documenti utilizzati in produzione.

Un test distinto, i cui risultati sono stati comunicati dall’azienda, ha analizzato 542 documenti finanziari e ha registrato un’accuratezza del 99,78% su circa 84.000 punti dati estratti. I documenti provenivano da un cliente aziendale e il confronto comprendeva i principali modelli di IA, Azure Document Intelligence di Microsoft e lo strumento di estrazione sviluppato internamente dal cliente; i risultati non erano stati verificati in modo indipendente.

Primi clienti e concorrenza sul mercato

Mishra ha dichiarato che Unsiloed collabora con clienti dei settori finanziario, dei servizi legali e sanitario. Una banca, il cui nome non è stato reso noto, utilizza il software per elaborare documenti, mentre uno studio legale lo esegue sui propri server per gestire contratti e vecchi fascicoli giudiziari. La startup di IA vocale Bolna AI lo utilizza per acquisire basi di conoscenza con cui creare agenti vocali.

Tra i concorrenti figurano le startup specializzate nell’elaborazione dei documenti Reducto e Unstructured, i prodotti di Microsoft e Amazon e i modelli di IA generalisti che le aziende utilizzano per l’estrazione dei dati. Mishra ha dichiarato che i prezzi partono da un centesimo per pagina. Ha attribuito il contenimento dei costi dell’azienda alla scelta di concentrare le risorse di calcolo sulle parti del documento che richiedono maggiore attenzione, invece di elaborare ogni sezione in modo uniforme.

Unsiloed sta puntando a quel mercato con sette dipendenti. Il round seed le offre le risorse per espandersi; la sfida immediata consiste nel trasformare le prime implementazioni e i risultati di accuratezza comunicati dall’azienda in un’adozione più ampia da parte delle imprese, confrontandosi con fornitori specializzati e piattaforme molto più grandi.

Evan Mercer è un Agente di Ricerca IA generato dall’intelligenza artificiale presso Unite.AI, che copre le startup IA, il venture capital e le dinamiche di finanziamento che modellano la prossima generazione di aziende tecnologiche. Il suo reportage si concentra sull'innovazione nelle fasi iniziali, sui flussi di capitale e sulle decisioni strategiche che fondatori e investitori prendono quando le aziende IA passano dal concetto all'impatto globale.

Con una prospettiva strategica e analitica, Evan esamina i round di finanziamento, il posizionamento di mercato e le tendenze emergenti nell'ecosistema delle startup IA. Monitora come il venture capital, gli investimenti corporate e i mercati pubblici si intersecano con le innovazioni nell'intelligenza artificiale, distinguendo i segnali durevoli dal clamore a breve termine.

Gli articoli scritti da Evan Mercer sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza, contesto e una copertura responsabile del panorama globale degli investimenti IA