Financiering
Unsiloed AI haalt 7,5 miljoen dollar aan startkapitaal op om onderzoek, technische ontwikkeling en verkoop uit te breiden

Belangrijkste puntenUnsiloed AI haalde $7,5 miljoen aan seed-financiering op, geleid door Felicis, om…
Meer weergeven
- Unsiloed AI haalde $7,5 miljoen aan seed-financiering op, geleid door Felicis, om bedrijfsdocumenten om te zetten in gestructureerde data.
- De parser van het bedrijf scoorde 88,0 op olmOCR-Bench in zijn eigen evaluatie van mei 2026 tegen concurrerende tools.
- Unsiloed moet vroege implementaties en zelfgerapporteerde nauwkeurigheidsresultaten omzetten in bredere bedrijfsadoptie tegen grotere platforms.
TechCrunch meldde op 18 november 2026 dat Unsiloed AI 7,5 miljoen dollar aan startkapitaal had opgehaald in een financieringsronde onder leiding van Felicis. Het bedrijf wil met de technologie bedrijfsdocumenten omzetten in gestructureerde gegevens voor AI-agenten.
Y Combinator, Orange Collective en Uncorrelated Ventures namen ook deel, samen met angel investors Aarthi Ramamurthy en Beth Turner. CEO Aman Mishra zei dat de opbrengst zal worden gebruikt voor de aanwerving van medewerkers voor onderzoek en engineering, uitbreiding van de verkoopactiviteiten en de ontwikkeling van eigen datasets om de technologie te verbeteren.
Op het bedrijfsprofiel van Y Combinator staat dat Unsiloed een bedrijf uit San Francisco is, opgericht in 2025, en deel uitmaakt van de najaarslichting van 2025. Mishra wordt vermeld als oprichter en CEO en Adnan Abbas als oprichter en CTO. De voormalige studiegenoten van IIT Kharagpur ontwikkelden de technologie voordat ze tot de lichting toetraden.
Parsen, extraheren en verifiëren
Het productoverzicht van Unsiloed beschrijft een platform dat pdf’s, afbeeldingen en spreadsheets omzet in JSON en Markdown voor grote taalmodellen en AI-agenten. Het platform biedt drie bewerkingen: parsen, waarbij de documentstructuur behouden blijft in Markdown; extraheren, waarbij opgevraagde velden worden teruggegeven volgens een JSON-schema; en opsplitsen, waarbij bestanden met meerdere documenten worden gescheiden en lange documenten worden verdeeld in doorzoekbare fragmenten.
De geëxtraheerde velden kunnen betrouwbaarheidsscores en verwijzingen bevatten naar de locaties in het oorspronkelijke document, zodat beoordelaars onzekere waarden kunnen controleren voordat die verder worden gebruikt. Het platform kan worden gekoppeld aan S3, SharePoint, Drive, Snowflake en documentbeheersystemen. Voor implementatie bij bedrijven zijn er opties in een virtuele private cloud, op eigen servers of in een omgeving zonder netwerkverbinding.
De oprichters beschrijven een architectuur met twee gegevensstromen: de geëxtraheerde inhoud wordt in de ene stroom bijgehouden en de documentopmaak en -hiërarchie in de andere. Vervolgens past een decoder terminologie uit specifieke bedrijfstakken toe en genereert deze JSON of Markdown. Heatmaps die op aandacht zijn gebaseerd, sturen de verwerking naar numerieke kolommen, samengevoegde cellen en koppen van secties, terwijl tabellen die meerdere pagina’s beslaan en verbanden tussen clausules behouden blijven.
Mishra beschreef het onderliggende betrouwbaarheidsprobleem: “Het probleem met grote taalmodellen is dat ze van nature probabilistisch zijn. Er zal enige afwijking optreden. Er zullen hallucinaties voorkomen, en dat heeft stroomafwaarts een enorme negatieve impact.”
Nauwkeurigheidstests uitgevoerd door het bedrijf
In de eigen evaluatie van mei 2026 behaalde de parser van Unsiloed een score van 88,0 op olmOCR-Bench, een benchmark voor documentparsing. Reducto Agentic scoorde 66,0 en Unstructured 39,9. De evaluatie omvatte 8.413 unittests op 1.403 pdf-pagina’s. Daarbij werd de ongewijzigde versie 0.4.27 van de olmocr-scorer gebruikt. De tests betroffen tabellen, wiskundige notatie, leesvolgorde, lange of zeer kleine tekst en scans van slechte kwaliteit.
Unsiloed waarschuwde ook dat strikte tekenreeksvergelijking onschuldige verschillen in opmaak of notatie kan aanmerken als fouten, terwijl benchmarks die op academisch gebruik zijn gericht mogelijk onvoldoende rekening houden met grafieken, formulieren en andere elementen die veel voorkomen in productiedocumenten.
Bij een afzonderlijke test van 542 financiële documenten, waarvan de resultaten door het bedrijf zijn gemeld, werd een nauwkeurigheid van 99,78% behaald over ongeveer 84.000 geëxtraheerde gegevenspunten. De documenten waren afkomstig van een zakelijke klant. De vergelijking omvatte grote AI-modellen, Azure Document Intelligence van Microsoft en de interne extractietool van de klant. De resultaten waren niet onafhankelijk geverifieerd.
Vroege klanten en concurrentie op de markt
Mishra zei dat Unsiloed samenwerkt met klanten in de financiële sector, juridische dienstverlening en gezondheidszorg. Een niet bij naam genoemde bank gebruikt de software om documenten te verwerken, terwijl een advocatenkantoor de software op eigen servers draait voor contracten en oude zaakdossiers. De startup Bolna AI, gespecialiseerd in spraak-AI, gebruikt de software om kennisbanken in te laden voor het bouwen van spraakagenten.
Tot de concurrenten behoren gespecialiseerde startups voor documentverwerking, Reducto en Unstructured, producten van Microsoft en Amazon en algemene AI-modellen die bedrijven voor gegevensextractie gebruiken. Mishra zei dat de prijzen beginnen bij één cent per pagina. Volgens hem beheerst het bedrijf de kosten door de rekenkracht te richten op de delen van een document die de meeste aandacht nodig hebben, in plaats van elk onderdeel op dezelfde manier te verwerken.
Unsiloed richt zich op die markt met zeven medewerkers. Dankzij de startkapitaalronde heeft het bedrijf middelen om uit te breiden. De onmiddellijke uitdaging is om vroege implementaties en de door het bedrijf gemelde nauwkeurigheidsresultaten om te zetten in bredere acceptatie door bedrijven, tegenover gespecialiseerde aanbieders en veel grotere platforms.












