Finansowanie

Unsiloed AI pozyskuje 7,5 mln dolarów w rundzie zalążkowej na rozwój badań, prac inżynieryjnych i sprzedaży

Evan Mercer
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyUnsiloed AI pozyskało 7,5 miliona dolarów w rundzie finansowania zalążkowego…
Zobacz więcej
  • Unsiloed AI pozyskało 7,5 miliona dolarów w rundzie finansowania zalążkowego prowadzonej przez Felicis, aby przekształcać dokumenty przedsiębiorstw w dane strukturalne.
  • Parser firmy uzyskał wynik 88,0 w olmOCR-Bench w jej własnej ocenie z maja 2026 roku w porównaniu z konkurencyjnymi narzędziami.
  • Unsiloed musi przekształcić wczesne wdrożenia i samodzielnie zgłaszane wyniki dokładności w szerszą adopcję w przedsiębiorstwach w rywalizacji z większymi platformami.

Jak poinformował TechCrunch 18 listopada 2026 roku, Unsiloed AI pozyskało 7,5 mln dolarów finansowania zalążkowego w rundzie prowadzonej przez Felicis. Środki zostaną przeznaczone na rozwój technologii przekształcającej dokumenty przedsiębiorstw w dane strukturalne dla agentów AI.

Y Combinator, Orange Collective i Uncorrelated Ventures również uczestniczyły w rundzie, podobnie jak anielscy inwestorzy Aarthi Ramamurthy i Beth Turner. Dyrektor generalny Aman Mishra powiedział, że pozyskane środki zostaną przeznaczone na zatrudnienie osób do zespołów badawczych i inżynieryjnych, rozszerzenie działań sprzedażowych oraz opracowanie własnych zbiorów danych, które usprawnią technologię.

Profil firmy Unsiloed w serwisie Y Combinator podaje, że jest to firma z San Francisco, założona w 2025 roku i należąca do jesiennej edycji programu z 2025 roku. Wskazuje Mishrę jako założyciela i dyrektora generalnego, a Adnana Abbasa jako założyciela i dyrektora technicznego. Dawni koledzy z IIT Kharagpur opracowali tę technologię, zanim dołączyli do programu.

Analiza, ekstrakcja i weryfikacja

Opis produktu Unsiloed przedstawia platformę, która przekształca pliki PDF, obrazy i arkusze kalkulacyjne w formaty JSON i Markdown na potrzeby dużych modeli językowych i agentów AI. Obejmuje ona trzy operacje: Parse, która zachowuje strukturę dokumentu w formacie Markdown; Extract, która zwraca żądane pola zgodnie ze schematem JSON; oraz Split, która rozdziela pliki zawierające wiele dokumentów i dzieli długie dokumenty na fragmenty, które można wyszukiwać.

Wyodrębnione pola mogą zawierać oceny pewności i odnośniki do miejsc w dokumencie źródłowym, co pozwala weryfikatorom sprawdzić niepewne wartości przed ich dalszym wykorzystaniem. Platforma łączy się z S3, SharePoint, Drive, Snowflake i systemami zarządzania dokumentami. Można ją wdrożyć w chmurze prywatnej, lokalnie lub w środowisku odizolowanym od sieci.

Założyciele opisują architekturę dwustrumieniową, w której wyodrębniona treść jest przechowywana w jednym strumieniu, a układ i hierarchia dokumentu — w drugim. Następnie dekoder stosuje terminologię właściwą dla danej branży i generuje wynik w formacie JSON lub Markdown. Mapy cieplne kierowane mechanizmem uwagi skupiają przetwarzanie na kolumnach liczbowych, scalonych komórkach i nagłówkach sekcji, jednocześnie zachowując tabele rozłożone na wiele stron oraz powiązania między klauzulami.

Mishra opisał problem z niezawodnością, który leży u podstaw tego rozwiązania: „Problem z dużymi modelami językowymi polega na tym, że z natury działają probabilistycznie. Nieuniknione są pewne odchylenia. Pojawiają się też halucynacje, co ma ogromny negatywny wpływ na dalsze etapy pracy”.

Testy dokładności przeprowadzone przez firmę

W przeprowadzonej przez Unsiloed ocenie z maja 2026 roku parser firmy uzyskał wynik 88,0 w teście olmOCR-Bench, służącym do oceny analizy dokumentów. Dla porównania Reducto Agentic uzyskało 66,0, a Unstructured — 39,9. W ocenie wykorzystano 8 413 testów jednostkowych obejmujących 1 403 strony PDF oraz niezmodyfikowaną wersję 0.4.27 programu oceniającego olmocr. Testy dotyczyły tabel, zapisu matematycznego, kolejności czytania, długiego lub bardzo drobnego tekstu oraz uszkodzonych skanów.

Unsiloed zastrzegło również, że ścisłe dopasowywanie ciągów znaków może oznaczać nieszkodliwe różnice w formatowaniu lub zapisie, a testy ukierunkowane na publikacje akademickie mogą niedostatecznie uwzględniać wykresy, formularze i inne elementy często spotykane w dokumentach wykorzystywanych w praktyce.

W odrębnym teście obejmującym 542 dokumenty finansowe, którego wyniki podała firma, uzyskano dokładność 99,78% dla około 84 000 wyodrębnionych punktów danych. Dokumenty pochodziły od klienta korporacyjnego, a porównanie objęło główne modele AI, usługę Azure Document Intelligence firmy Microsoft oraz wewnętrzne narzędzie klienta do ekstrakcji danych. Wyniki nie zostały niezależnie zweryfikowane.

Pierwsi klienci i konkurencja rynkowa

Mishra powiedział, że Unsiloed współpracuje z klientami z branży finansowej, usług prawnych i ochrony zdrowia. Nienazwany bank korzysta z oprogramowania do przetwarzania dokumentów, a kancelaria prawna uruchamia je na własnych serwerach, by przetwarzać umowy i starsze akta spraw. Startup Bolna AI, działający w obszarze sztucznej inteligencji głosowej, używa go do wczytywania baz wiedzy, na podstawie których tworzy agentów głosowych.

Do konkurentów firmy należą wyspecjalizowane startupy zajmujące się przetwarzaniem dokumentów, Reducto i Unstructured, produkty Microsoftu i Amazona, a także ogólnego przeznaczenia modele AI wykorzystywane przez przedsiębiorstwa do ekstrakcji danych. Mishra powiedział, że ceny zaczynają się od jednego centa za stronę. Kontrolę kosztów firma zawdzięcza, jak wyjaśnił, kierowaniu mocy obliczeniowej na te części dokumentu, które wymagają największej uwagi, zamiast jednakowego przetwarzania każdej sekcji.

Unsiloed działa na tym rynku, zatrudniając siedem osób. Runda zalążkowa zapewnia firmie środki na rozwój; jej bezpośrednim wyzwaniem jest przełożenie pierwszych wdrożeń i deklarowanych przez firmę wyników dokładności na szersze przyjęcie rozwiązania przez przedsiębiorstwa, które mogą wybierać spośród wyspecjalizowanych dostawców i znacznie większych platform.

Evan Mercer jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się startupami AI, kapitałem ryzyka i dynamiką finansowania kształtującą kolejną generację firm technologicznych. Jego relacje koncentrują się na innowacjach we wczesnym etapie, przepływach kapitału oraz strategicznych decyzjach, które podejmują założyciele i inwestorzy, gdy firmy AI rozwijają się od koncepcji do globalnego wpływu.

Ze strategicznej i analitycznej perspektywy Evan bada rundy finansowania, pozycjonowanie rynkowe oraz pojawiające się trendy w ekosystemie startupów AI. Śledzi, jak kapitał ryzyka, inwestycje korporacyjne i rynki publiczne krzyżują się z przełomami w sztucznej inteligencji, odróżniając trwałe sygnały od krótkotrwałego szumu.

Artykuły autorstwa Evana Mercera są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, kontekst i odpowiedzialne relacjonowanie globalnego krajobrazu inwestycji w AI