Adit Abraham, medeoprichter en CEO van Reducto – interviewreeks

Adit Abraham is medeoprichter en CEO van Reducto. Daar richt hij zich op het omzetten van complexe bedrijfsdocumenten in betrouwbare gegevens voor AI-toepassingen. Voordat hij het bedrijf oprichtte met zijn mede-MIT-alumnus Raunak Chowdhuri, studeerde hij informatica aan MIT, deed hij onderzoek naar machine learning aan het MIT Media Lab en werkte hij bij Google als productmanager voor advertenties en zoekfunctionaliteit. Reducto kwam voort uit de inspanningen van de oprichters om geheugentools voor grote taalmodellen te bouwen. Daarbij bleek het onbetrouwbaar inlezen van documenten een terugkerend obstakel. Abrahams directe samenwerking met de eerste klanten hielp de nadruk van het bedrijf te bepalen: nauwkeurigheid, beveiliging, flexibiliteit bij de implementatie en voorspelbare prestaties in productieomgevingen.

Reducto ontwikkelt infrastructuur voor documentintelligentie waarmee AI-teams pdf’s, scans, spreadsheets en andere bestanden kunnen omzetten in gestructureerde, bruikbare informatie. Het platform combineert optische tekenherkenning, computervisie en visie-taalmodellen om tekst, tabellen, afbeeldingen, opmaak en complexe pagina-indelingen te interpreteren. Naast het parseren biedt het tools voor gestructureerde extractie, het opsplitsen en classificeren van documenten en het bewerken ervan, met bronverwijzingen die geëxtraheerde informatie koppelen aan de oorspronkelijke bron. Tot de klanten behoren Harvey, Scale AI, Vanta, Mercor en Rogo. Het bedrijf is actief op het gebied van retrieval-augmented generation, zoekfuncties en documentworkflows in sectoren zoals financiën, gezondheidszorg en recht, waar nauwkeurige gegevensinvoer en resultaten die naar hun bron zijn te herleiden essentieel zijn.

Reducto is voortgekomen uit uitdagingen die jij en Raunak Chowdhuri tegenkwamen bij het bouwen van geheugentools voor grote taalmodellen. Wat ging er precies mis met de bestaande documentverwerkingstools, en wanneer realiseerden jullie je dat het parseren op zichzelf een groot genoeg probleem was om er een bedrijf omheen te bouwen?

We wilden modellen toegang geven tot context uit documenten. Daarom voegden we een functie toe om bestanden te uploaden, maar we liepen steeds tegen problemen aan met de kwaliteit van de verwerking. We probeerden destijds alle bestaande tools, maar geen daarvan voldeed aan onze eisen voor het verwerken van de rommelige documenten uit de praktijk die mensen daadwerkelijk uploaden.

Daarom bouwden we onze eigen parseeroplossing, aanvankelijk als functie van ons product voor het geheugen van grote taalmodellen. Vervolgens merkten we dat ontwikkelaars die zelf tegen dit probleem waren aangelopen, er veel belangstelling voor hadden en onze oplossing waardeerden. Sommige teams waren weken bezig met het bouwen en onderhouden van hun eigen invoerpipelines, omdat de beschikbare tools hun documenten niet betrouwbaar konden verwerken. Die gesprekken maakten de omvang van de kans voor ons veel duidelijker. Hoewel modellen steeds intelligenter werden, maakte schone en nauwkeurige context nog altijd een enorm verschil.

Pdf’s zijn technisch gezien bedoeld om informatie weer te geven, niet om die informatie machineleesbaar te maken. Waarom zijn complexe documenten, met name documenten met tabellen, grafieken, kolomindelingen of ingesloten afbeeldingen, zo moeilijk betrouwbaar te begrijpen voor AI-systemen?

Wanneer wij mensen een document lezen, beschouwen we veel van ons natuurlijke begrip als vanzelfsprekend. We kunnen vrijwel onmiddellijk verbanden afleiden, omdat we zien dat een getal onder een bepaalde kolomkop hoort, dat tekst in een andere kolom doorloopt of dat een bijschrift verwijst naar de afbeelding erboven.

AI-modellen hebben hier juist veel moeite mee, omdat pdf’s niet zijn ontworpen om dit soort onderlinge verbanden of metadata te bewaren; het zijn in wezen zeer informatiedichte afbeeldingen. Een parser moet die verbanden aan de hand van de pagina reconstrueren. Dat wordt veel lastiger bij samengevoegde cellen, geneste tabellen, grafieken, scans en ongebruikelijke indelingen. Doordat wij ons richten op dit probleem rond documentbegrip, kunnen we de long tail aan documenten betrouwbaar verwerken: juist bij die documenten hebben AI-modellen de neiging te hallucineren en fouten te maken.

Reducto combineert computervisie, optische tekenherkenning en visie-taalmodellen in zijn pijplijn voor documentverwerking. Hoe werken deze verschillende technologieën samen, en waar schieten traditionele OCR-systemen nog tekort?

Traditionele OCR bestaat al tientallen jaren en is ontwikkeld om documenten met schone, goed leesbare tekst teken voor teken te lezen. Dat werkt al snel niet meer zodra documenten handgeschreven, gescand, scheef of in tabelvorm zijn. Dat geldt voor het merendeel van de bedrijfsgegevens.

Reducto liep voorop met de introductie van visie-taalmodellen in documentverwerking via ‘Agentic OCR’, omdat we zagen dat VLM’s meer kunnen begrijpen dan alleen de kale tekst in documenten. Echte documentintelligentie vereist context, nauwkeurigheid en multimodale mogelijkheden. Ons nieuwste parseermodel, r-1, combineert de kracht van Agentic OCR met functies zoals opmaakherkenning, bronverwijzingen en indelingsdetectie in één enkele doorgang.

Dat extra werk is belangrijk, want zelfs een parser met een zeer hoge algehele nauwkeurigheid kan een ernstig probleem veroorzaken als de kleine hoeveelheid informatie die hij mist juist de afbeelding, clausule of tabelvermelding bevat die iemand nodig heeft.

Nu AI-modellen steeds multimodaler worden en afbeeldingen en documenten steeds beter rechtstreeks kunnen interpreteren, hoe zie je de rol van gespecialiseerde platforms voor documentintelligentie veranderen? Zouden funderingsmodellen uiteindelijk een groot deel van dit werk zelf kunnen uitvoeren, of blijft gespecialiseerde infrastructuur noodzakelijk?

We vertrouwen er juist op dat AI-modellen steeds beter en sneller worden. Omdat er voortdurend nieuwe modellen verschijnen, blijven we op de hoogte van hun zwakke punten door ze te evalueren en verwerken we hun sterke punten in onze eigen pipelines, zodat we onze klanten over de hele linie de beste prestaties kunnen bieden. Reducto wil fungeren als uw team voor gegevensinname en u helpen bouwen naarmate uw bedrijf groeit.

Ondernemingen staan nog altijd voor de specifieke uitdaging dat ze niet alleen prestaties nodig hebben, maar ook schaalbare verwerkingscapaciteit, governance en verifieerbaarheid op productieschaal — iets wat foundationmodellen vandaag de dag nog moeilijk kunnen bieden.

We hebben dit onlangs getest met de GDP.pdf-benchmark. Daaruit bleek dat frontiermodellen nog altijd moeite hebben met redeneren op basis van complexe, echte professionele documenten en bij strikte slaagpercentages op taakniveau minder dan 15% tot 25% behaalden. Door Reducto deze documenten eerst te laten parseren en de gestructureerde gegevens vervolgens aan de frontiermodellen door te geven, verbeterde de nauwkeurigheid op macroniveau met negen procentpunten en daalde het aantal redeneertokens met 13 procent ten opzichte van modellen die de documenten rechtstreeks verwerkten.

Dit laat zien dat gespecialiseerde infrastructuur voor gegevensinname nog altijd veel waarde biedt, omdat de meeste bedrijfsgegevens nog niet volledig worden benut.

Veel AI-toepassingen voor ondernemingen zijn uiteindelijk afhankelijk van retrieval-augmented generation of agentische systemen die informatie uit interne documenten ophalen. In hoeverre begint het betrouwbaarheidsprobleem bij deze systemen eigenlijk al eerder, bij de inname en parsing van documenten?

Een aanzienlijk deel van het probleem ontstaat al tijdens de gegevensinname. Teams ontdekken het vaak pas veel later, omdat het onjuiste antwoord aan het einde van de pipeline verschijnt. Als een parser een rij uit een tabel weglaat, de leesvolgorde van twee kolommen door elkaar haalt of een afbeelding over het hoofd ziet, kan het systeem voor informatieontsluiting geen gegevens terughalen die nooit in de database zijn terechtgekomen.

We zien vaak dat de ervaring van de eindgebruikers van onze klanten aanzienlijk verbetert nadat ze hun oplossing voor gegevensinname door Reducto hebben vervangen, omdat RAG- en zoeksystemen consistenter betere resultaten opleveren. Zo zag Harvey het aantal klantmeldingen over OCR-gerelateerde problemen drastisch dalen en het productgebruik sterk toenemen nadat het Reducto als verwerkingslaag had geïmplementeerd.

Reducto is inmiddels verder gegaan dan alleen parsing en biedt ook gestructureerde extractie en bredere documentworkflows. Hoe ziet de volgende laag van documentintelligentie eruit zodra een systeem de onderliggende structuur van een document nauwkeurig kan begrijpen?

Gegevensinname is doorgaans slechts de eerste stap in een veel groter bedrijfsproces. Een bedrijf kan een bestand van 500 pagina’s ontvangen en daarin de afzonderlijke documenten moeten identificeren en classificeren, specifieke informatie moeten extraheren, die informatie met een ander systeem moeten vergelijken en afwijkende gevallen ter beoordeling aan een specialist moeten voorleggen. We hebben 2 jaar besteed aan het trainen van de beste modellen voor documentbegrip op de markt. Nu richten we ons steeds meer op het stroomlijnen van de processen die daarop volgen.

Zodra je de inhoud en structuur van een document betrouwbaar kunt begrijpen, kun je meer werk automatiseren dat mensen nu besteden aan het samenstellen en controleren van informatie en het overzetten ervan tussen systemen. Vrijwel elke bedrijfsworkflow met grote gevolgen kan worden opgesplitst in stappen waarin mensen informatie uit documenten lezen, beslissingen nemen en gegevens in andere documenten invoeren. We willen in de toekomst de standaardmanier worden waarop mensen of agents met documentgegevens werken.

Uw klanten variëren van AI-native bedrijven zoals Harvey, Vanta, Scale AI, Mercor en Rogo tot grote financiële instellingen en Fortune 10-bedrijven. Hoe verschillen de vereisten voor documentverwerking van een AI-start-up van die van een grote, gereguleerde onderneming?

AI-native bedrijven werken doorgaans snel en hun engineeringteams willen een API die lastige documenten aankan, zonder dat ze zelf een verwerkingsstack hoeven te bouwen en onderhouden. Grote ondernemingen hechten aan dezelfde nauwkeurigheid, maar stellen vaak ook aanvullende eisen: waar de gegevens worden opgeslagen, hoe ze de software implementeren, wat er gebeurt bij plotselinge pieken in het volume en of gebruikers een geëxtraheerde waarde kunnen herleiden tot de oorspronkelijke pagina. Scale AI gebruikt Reducto bijvoorbeeld in overheidsomgevingen waar vertrouwelijkheid en implementatie op locatie van belang zijn. Harvey heeft ons daarentegen beoordeeld op nauwkeurigheid, betrouwbaarheid, kosten, latentie en fouttypen voordat het Reducto na ongeveer zes weken in productie nam. Door met beide soorten klanten te werken, zijn we ons niet alleen gaan richten op de nauwkeurigheid waarmee Reducto één document verwerkt, maar ook op de prestaties onder reële productievereisten.

Reducto zou vóór de opbouw van een speciaal verkoopteam grotendeels via verkoop onder leiding van de oprichters meer dan $5 miljoen aan jaarlijkse terugkerende omzet hebben behaald. Wat hebben de gesprekken met die eerste klanten u geleerd over de problemen die ontwikkelaars daadwerkelijk probeerden op te lossen?

Die gesprekken leerden ons om minder tijd te besteden aan algemene gesprekken over documentverwerking en meer tijd te nemen om te begrijpen wat klanten daadwerkelijk wilden bereiken. Vroege verkoopgesprekken werden vaak werksessies waarin een klant de documenten liet zien die hun pipeline verstoorden. Vervolgens onderzochten we wat er verderop in het proces gebeurde wanneer de extractie mislukte. In de gezondheidszorg betekende dat bijvoorbeeld zien hoe een weggevallen tabelrij of verkeerd gelezen eenheid in een laboratoriumrapport een declaratie kon vertragen of een arts een onvolledige patiëntgeschiedenis kon geven. Door die grote belangen legden we de lat voor nauwkeurigheid opnieuw hoger: een hoge benchmarkscore betekent weinig als die de fouten verhult die er het meest toe doen. Klanten hadden niet alleen nauwkeurigheid nodig, maar ook betrouwbaarheid, beveiliging, flexibiliteit bij de implementatie en voorspelbare prestaties op grote schaal. Wat we rechtstreeks van hen hoorden, bepaalde mede wat we bouwden.

Reducto verwerkt inmiddels miljarden pagina’s per maand. Welke technische uitdagingen ontstaan bij die schaal, met name op het gebied van latentie, nauwkeurigheid, kosten en het behouden van consistente resultaten bij zeer uiteenlopende documenttypen?

Ik ben de tel kwijtgeraakt van het aantal pagina’s dat we verwerken, dus zelfs een kleine inefficiëntie kan al heel snel duur worden. Onnodig veel inferentie op elke pagina toepassen verhoogt zowel de kosten als de latentie, terwijl een al te sterke focus op snelheid de nauwkeurigheid bij lastige documenten kan schaden. Daarom besteden we veel technische inspanning aan het bepalen hoeveel verwerking elke pagina daadwerkelijk nodig heeft.

Met r-1 hebben we de parseernauwkeurigheid verbeterd en tegelijkertijd de latentie verlaagd en de prijs teruggebracht tot één cent per pagina. We werken ook aan een meer automatische routering, zodat een eenvoudige pagina niet dezelfde middelen verbruikt als een pagina met een ingewikkelde tabel of afbeelding. Bij ons huidige volume hebben die keuzes elke dag gevolgen voor miljoenen pagina’s, waardoor efficiëntie een kernprobleem van de engineering wordt.

Als we enkele jaren vooruitkijken en AI-agenten steeds vaker contracten, financiële documenten, onderzoeksartikelen, presentaties en andere bedrijfsdocumenten verwerken, hoe ziet volgens jou de ideale interface tussen AI-systemen en de ongestructureerde informatie in de wereld eruit?

De AI-agenten van tegenwoordig zijn in wezen op tekst gericht. Ze kunnen uitstekend redeneren op basis van schone, digitale informatie, maar de echte wereld draait nog steeds op pdf’s, spreadsheets, presentaties, scans, contracten en financiële documenten. Ik denk dat agenten op den duur op een net zo natuurlijke manier met die documenten moeten kunnen omgaan als nu met een tekstbestand.

Ontwikkelaars zouden niet diep hoeven na te denken over OCR, parsing, modelselectie of documentstructuur. Een agent moet elk bestand kunnen ontvangen, begrijpen wat erin staat, belangrijke informatie kunnen herleiden tot de bron en die informatie betrouwbaar kunnen gebruiken voor de taak die hij moet uitvoeren. De onderliggende infrastructuur moet bepalen hoe het document wordt verwerkt, de juiste modellen kiezen en onzekerheid escaleren wanneer menselijk oordeel daadwerkelijk nodig is.

Uiteindelijk is dat volgens mij de taakverdeling waar we naartoe willen: machines nemen repetitief documentwerk voor hun rekening, terwijl mensen hun tijd besteden aan beslissingen waarvoor context, institutionele kennis en beoordelingsvermogen nodig zijn. Documenten bevatten enorm veel informatie waarop bedrijven draaien. Die informatie echt geschikt maken voor agenten zal een belangrijke doorbraak betekenen voor de bruikbaarheid van AI in echte bedrijfsprocessen.

Bedankt voor het geweldige interview. Lezers die meer willen weten over hoe ze complexe documenten kunnen omzetten in betrouwbare gegevens voor AI-toepassingen, kunnen terecht bij Reducto.