Finansiering

Unsiloed AI henter inn 7,5 millioner dollar i såkornfinansiering for å styrke forskning, utvikling og salg

Evan Mercer
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterUnsiloed AI hentet inn 7,5 millioner dollar i seed-finansiering ledet av Felicis for å…
Vis mer
  • Unsiloed AI hentet inn 7,5 millioner dollar i seed-finansiering ledet av Felicis for å gjøre bedriftsdokumenter om til strukturerte data.
  • Selskapets parser fikk 88,0 på olmOCR-Bench i deres egen evaluering i mai 2026 mot konkurrerende verktøy.
  • Unsiloed må gjøre tidlige utplasseringer og selvrapporterte nøyaktighetsresultater om til bredere bedriftsadopsjon mot større plattformer.

TechCrunch meldte 18. november 2026 at Unsiloed AI hadde hentet inn 7,5 millioner dollar i såkornfinansiering, ledet av Felicis, for å utvikle teknologi som gjør bedriftsdokumenter om til strukturerte data for KI-agenter.

Y Combinator, Orange Collective og Uncorrelated Ventures deltok også, sammen med engelinvestorene Aarthi Ramamurthy og Beth Turner. Administrerende direktør Aman Mishra sa at pengene skal brukes til å ansette flere innen forskning og utvikling, utvide salgsarbeidet og lage proprietære datasett for å forbedre teknologien.

Y Combinators firmaprofil oppgir at Unsiloed er et San Francisco-selskap grunnlagt i 2025 og medlem av høstkullet 2025. Der står det at Mishra er grunnlegger og administrerende direktør, og at Adnan Abbas er grunnlegger og teknologidirektør. De to tidligere medstudentene fra IIT Kharagpur utviklet teknologien før de ble med i kullet.

Parsing, uttrekk og verifisering

Unsiloeds produktoversikt beskriver en plattform som konverterer PDF-er, bilder og regneark til JSON og Markdown for store språkmodeller og KI-agenter. Plattformen har tre funksjoner: «Parse», som bevarer dokumentstrukturen i Markdown; «Extract», som henter ut forespurte felt i henhold til et JSON-skjema; og «Split», som skiller filer med flere dokumenter fra hverandre og deler lange dokumenter inn i søkbare deler.

Feltene som hentes ut, kan omfatte konfidensskårer og henvisninger til hvor de forekommer i originaldokumentet. Det gjør det mulig for kontrollører å sjekke usikre verdier før videre bruk. Plattformen kan kobles til S3, SharePoint, Drive, Snowflake og dokumenthåndteringssystemer, og kan driftes for virksomheter i en virtuell privat sky, lokalt eller i et isolert miljø uten nettverkstilkobling.

Grunnleggerne beskriver en arkitektur med to parallelle datastrømmer: én som holder på det uttrukne innholdet, og en annen som bevarer dokumentets oppsett og hierarki. Deretter bruker en dekoder bransjespesifikk terminologi og genererer JSON eller Markdown. Oppmerksomhetsstyrte varmekart retter behandlingen mot tallkolonner, sammenslåtte celler og seksjonsoverskrifter, samtidig som tabeller som går over flere sider, og forhold mellom klausuler bevares.

Mishra beskrev den underliggende pålitelighetsutfordringen: «Problemet med store språkmodeller er at de i utgangspunktet er probabilistiske. Det vil oppstå avvik. Det vil forekomme hallusinering, og det får svært negative konsekvenser senere i prosessen.»

Selskapets egne nøyaktighetstester

I Unsiloeds egen evaluering fra mai 2026 fikk parseren en skår på 88,0 på olmOCR-Bench, en referansetest for dokumenttolking, sammenlignet med 66,0 for Reducto Agentic og 39,9 for Unstructured. Evalueringen omfattet 8 413 enhetstester på tvers av 1 403 PDF-sider og brukte den uendrede versjon 0.4.27 av olmocr-skåringsverktøyet. Den dekket tabeller, matematisk notasjon, leserekkefølge, lang eller svært liten tekst og forringede skanninger.

Unsiloed påpekte også at streng tekstsammenligning kan slå ut på harmløse forskjeller i formatering eller notasjon, mens referansetester rettet mot akademiske dokumenter kan gi for liten vekt til diagrammer, skjemaer og andre elementer som er vanlige i dokumenter brukt i produksjon.

En separat test som selskapet rapporterte om, omfattet 542 finansdokumenter og viste en nøyaktighet på 99,78 % på tvers av rundt 84 000 datapunkter som var hentet ut. Dokumentene kom fra en bedriftskunde, og sammenligningen omfattet store KI-modeller, Microsofts Azure Document Intelligence og kundens eget uttrekksverktøy. Resultatene var ikke uavhengig verifisert.

Tidlige kunder og konkurransen i markedet

Mishra sa at Unsiloed samarbeider med kunder innen finans, juridiske tjenester og helsevesen. En ikke-navngitt bank bruker programvaren til å behandle dokumenter, mens et advokatfirma kjører den på egne servere for kontrakter og eldre saksdokumenter. Oppstartsbedriften Bolna AI, som utvikler stemmebasert KI, bruker den til å hente inn kunnskapsbaser for å bygge stemmeagenter.

Blant konkurrentene er de spesialiserte oppstartsbedriftene Reducto og Unstructured, produkter fra Microsoft og Amazon samt KI-modeller for generelle formål som virksomheter bruker til datauttrekk. Mishra sa at prisene starter på én cent per side. Han tilskrev selskapets kostnadskontroll at datakraften rettes mot de delene av et dokument som trenger mest oppmerksomhet, i stedet for at alle deler behandles likt.

Unsiloed satser på dette markedet med sju ansatte. Såkornrunden gir selskapet ressurser til å vokse; den umiddelbare utfordringen er å omsette de første utrullingene og selskapets egne nøyaktighetsresultater i bredere bruk blant større virksomheter, i konkurranse med spesialiserte leverandører og langt større plattformer.

Evan Mercer er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-oppstartsbedrifter, venturekapital og finansieringsdynamikken som former neste generasjon av teknologiselskaper. Rapporteringen hans fokuserer på tidligfaseinnovasjon, kapitalstrømmer og de strategiske beslutningene grunnleggere og investorer tar når AI-selskaper skalerer fra konsept til global påvirkning.

Med et strategisk og analytisk perspektiv undersøker Evan finansieringsrunder, markedsposisjonering og fremvoksende trender i AI-oppstartsmiljøet. Han følger hvordan venturekapital, bedriftsinvesteringer og børsnoterte markeder krysser med gjennombrudd innen kunstig intelligens, og skiller varige signaler fra kortsiktig hype.

Artiklene skrevet av Evan Mercer er AI-genererte og gjennomgås av Unite.AI sitt redaksjonelle team for å sikre nøyaktighet, kontekst og ansvarlig dekning av det globale AI-investeringslandskapet