Retab Haalt $3,5 Miljoen Op En Lancet Een AI-Gestuurde Platform Om Rommelige Documenten Om Te Zetten In Gestructureerde Gegevens

Voor ontwikkelaars die AI-gestuurde tools bouwen in branches als logistiek, financiën en gezondheidszorg, staat één uitdaging consistent in de weg: het krijgen van grote taalmodellen (LLM’s) om betrouwbaar gegevens te extraheren uit echte documenten. PDF-facturen, 200-pagina’s tellende rapporten, handgeschreven formulieren en gescande ID’s kunnen zelfs krachtige AI-systemen tegenhouden.

Retab, een nieuwe startup opgericht door ingenieurs die dit probleem zelf hebben ervaren, is nu gelanceerd om dit op te lossen. Naast de openbare lancering van zijn platform, kondigde het bedrijf ook $3,5 miljoen aan pre-seed financiering aan, geleid door VentureFriends, Kima Ventures, en K5 Global, met deelname van Eric Schmidt (via StemAI), Olivier Pomel (CEO, Datadog (DDOG )) en Florian Douetteau (CEO, Dataiku).

In plaats van nog een LLM-aanbieder te zijn, zit Retab een laag hoger – het biedt een ontwikkelaarsgericht platform voor document AI dat gebruikers toelaat om exact aan te geven welke gegevens ze willen extraheren, en vervolgens het hele proces afhandelt: labelen, evalueren, prompt-engineering, modelbenchmarking en routeren.

“Mensen blijven AI-demonstraties bouwen die magisch lijken, maar in productie uit elkaar vallen,” zei Louis de Benoist, mede-oprichter en CEO van Retab. “We hebben Retab gebouwd omdat we het beu waren om broze pijplijnen te bouwen om alleen maar een paar velden uit een document te extraheren. Nu kunnen ontwikkelaars zich concentreren op het schema dat ze willen – wij regelen de rest.”

Wat Retab Echt Doet

In zijn kern zet Retab ongestructureerde documenten – PDF’s, scans, formulieren – om in schone, gestructureerde JSON- of tabulaire uitvoer die ontwikkelaars kunnen droppen in productiesystemen. Gebouwd als een SDK en platform, abstracteert het alle complexiteit van het bouwen van AI-gestuurde gegevensextractie-workflows.

Bedrijven die Retab gebruiken, beschrijven eenvoudig het schema van de gegevens die ze willen. Retab genereert dan automatisch gelabelde datasets, selecteert de optimale LLM(s), verfijnt prompts en handelt foutdetectie en retry-logica. Het zorgt voor productieklasse-accuraatheid door drie kerninnovaties:

• Zelf-Optimerende Schemas: Retab gebruikt een interne AI-agent om iteratief testen en verfijnen van extractie-instructies te doen met behulp van echte voorbeelden, waardoor de noodzaak voor handmatige afstemming wordt geëlimineerd.
• Intelligente Model Routering: Het platform is model-agnostisch en benchmarkt automatisch over LLM’s (bijv. OpenAI, Anthropic, Google ), en routeert elk document naar het beste model op basis van kosten, snelheid en nauwkeurigheidsvereisten. Dit heeft ertoe geleid dat sommige gebruikers hun verwerkingskosten met tot 100x hebben verlaagd.
• k-LLM Consensus & Guided Reasoning: In plaats van te vertrouwen op de uitvoer van één model, dwingt Retab stap-voor-stap redeneren (chain-of-thought) af en voert het meerdere modellen in parallel uit om een consensus te bereiken. Als er nog onzekerheid bestaat, wordt deze gemarkeerd of opnieuw berekend, waardoor ontwikkelaars vertrouwen hebben in elk antwoord.

Deze orkestratielaag geeft ontwikkelaars de macht om foutgevoelige documentstromen – zoals contractparsing, identiteitsverificatie of factuuranalyse – om te zetten in schaalbare, zelfcorrigerende systemen.

Van Logistiek Tot Infrastructuur

De oprichters hebben oorspronkelijk de basis van Retab gebouwd terwijl ze interne processen voor documentzware operaties in de logistieke sector automatiseerden. Maar toen ze de tooling verfijnden, realiseerden ze zich dat de waarde ervan verder ging dan alleen een enkel gebruiksscenario. Vandaag de dag wordt Retab al gebruikt door tientallen bedrijven in:

• Logistiek: parseren van facturen, douane-manifesten en leveringsrecords
• Financiën: extraheren van risicofactoren en financiële metrics uit lange rapporten
• Gezondheidszorg: automatiseren van intake-formulieren, claims en medische dossiers

Een truckbedrijf gebruikte Retab om de kleinste, snelste modelconfiguratie te identificeren die aan hun 99%-nauwkeurigheidsvereiste voldeed – waardoor de compute-kosten en latentie werden verlaagd zonder prestaties te offeren. Een financieel bedrijf verkleinde de kwartaalanalyse met dagen door Retab te gebruiken om gestructureerde risicoinindicatoren uit beleggersdocumenten te extraheren.

“De AI-economie is afhankelijk van het omzetten van rommelige, door mensen leesbare documenten in gestructureerde, verifieerbare gegevens,” zei Florian Douetteau, CEO van Dataiku. “Retab is het platform dat die sprong mogelijk maakt op grote schaal.”

Kijkend Naar De Toekomst

Retab breidt zich nu uit buiten documenten: aanstaande releases zullen gebruikers in staat stellen om gegevens te extraheren uit webpagina’s en dynamische inhoud, waardoor use-cases zoals concurrentie-analyse, compliance-scraping en onboarding-automatisering mogelijk worden. Integraties met tools zoals Zapier, n8n en Dify zijn ook in aantocht, waardoor Retab zonder aangepaste code in bestaande workflows kan worden geïntegreerd.

Op lange termijn streeft Retab ernaar om de middleware-laag tussen de ongestructureerde gegevens van de wereld en de AI-agents die erop vertrouwen te worden – of dat nu is voor enterprise-search, RPA of AI-co-pilot.

Ondanks dat het maar tien medewerkers heeft, wordt Retab al erkend als een fundamentele bouwsteen voor ontwikkelaars die AI-natieve producten bouwen – niet alleen een andere leverancier, maar een toolset om de rommelige realiteit van echte gegevens operationeel te maken.