Financiamento
Unsiloed AI capta US$ 7,5 milhões em rodada seed para expandir pesquisa, engenharia e vendas

Pontos-chaveA Unsiloed AI levantou US$ 7,5 milhões em financiamento inicial liderado pela Felicis…
Ver mais
- A Unsiloed AI levantou US$ 7,5 milhões em financiamento inicial liderado pela Felicis para transformar documentos empresariais em dados estruturados.
- O analisador da empresa obteve 88,0 no olmOCR-Bench em sua própria avaliação de maio de 2026 contra ferramentas rivais.
- A Unsiloed precisa converter implantações iniciais e resultados de precisão autorrelatados em adoção empresarial mais ampla diante de plataformas maiores.
O TechCrunch noticiou, em 18 de novembro de 2026, que a Unsiloed AI havia captado US$ 7,5 milhões em uma rodada seed liderada pela Felicis para desenvolver uma tecnologia que transforma documentos empresariais em dados estruturados para agentes de IA.
A Y Combinator, a Orange Collective e a Uncorrelated Ventures também participaram, junto com os investidores-anjo Aarthi Ramamurthy e Beth Turner. O CEO Aman Mishra disse que os recursos serão destinados à contratação de profissionais para as áreas de pesquisa e engenharia, à ampliação da equipe de vendas e à criação de conjuntos de dados proprietários para aprimorar a tecnologia.
O perfil da empresa na Y Combinator descreve a Unsiloed como uma empresa de São Francisco, fundada em 2025 e integrante da turma de outono de 2025 da aceleradora. O perfil identifica Mishra como fundador e CEO e Adnan Abbas como fundador e CTO; os dois, ex-colegas de turma no IIT Kharagpur, desenvolveram a tecnologia antes de ingressar na turma.
Análise, extração e verificação
A visão geral do produto da Unsiloed apresenta uma plataforma que converte PDFs, imagens e planilhas em JSON e Markdown para modelos de linguagem de grande porte e agentes de IA. A plataforma oferece três operações: Analisar, que preserva a estrutura dos documentos em Markdown; Extrair, que retorna os campos solicitados conforme um esquema JSON; e Dividir, que separa arquivos com vários documentos e fragmenta documentos longos em trechos que podem ser recuperados.
Os campos extraídos podem incluir pontuações de confiança e citações que indicam sua localização no documento original, permitindo que os revisores verifiquem valores incertos antes de seu uso em etapas posteriores. A plataforma se conecta ao S3, ao SharePoint, ao Drive, ao Snowflake e a sistemas de gerenciamento de documentos, e oferece opções de implantação empresarial em uma nuvem privada virtual, localmente ou em um ambiente isolado de redes externas.
Os fundadores descrevem uma arquitetura de fluxo duplo que mantém o conteúdo extraído em um fluxo e o layout e a hierarquia do documento em outro. Em seguida, um decodificador aplica terminologia específica do setor e gera JSON ou Markdown. Mapas de calor guiados pela atenção direcionam o processamento para colunas numéricas, células mescladas e cabeçalhos de seção, preservando tabelas que ocupam várias páginas e as relações entre cláusulas.
Mishra descreveu o problema de confiabilidade subjacente: “O problema com os LLMs é que eles são inerentemente probabilísticos. Isso inevitavelmente gera algum desvio. Também haverá alucinações, e isso tem um impacto muito negativo nas etapas seguintes.”
Testes de precisão realizados pela própria empresa
Na avaliação de maio de 2026 realizada pela própria Unsiloed, seu analisador obteve 88,0 no olmOCR-Bench, uma referência de desempenho para análise de documentos, em comparação com 66,0 do Reducto Agentic e 39,9 do Unstructured. A avaliação utilizou 8.413 testes unitários em 1.403 páginas de PDF e a versão 0.4.27, sem modificações, do avaliador olmocr. Foram avaliadas tabelas, notação matemática, ordem de leitura, textos longos ou muito pequenos e digitalizações degradadas.
A Unsiloed também alertou que a correspondência estrita de strings pode sinalizar diferenças inofensivas de formatação ou notação, enquanto referências de desempenho voltadas à área acadêmica podem representar de forma insuficiente gráficos, formulários e outros elementos comuns em documentos de produção.
Em outro teste, realizado pela empresa com 542 documentos financeiros, a precisão foi de 99,78% em cerca de 84 mil pontos de dados extraídos. Os documentos vieram de um cliente empresarial, e a comparação incluiu os principais modelos de IA, o Azure Document Intelligence da Microsoft e a ferramenta interna de extração do cliente; os resultados não haviam sido verificados de forma independente.
Primeiros clientes e concorrência no mercado
Mishra disse que a Unsiloed trabalha com clientes dos setores financeiro, de serviços jurídicos e de saúde. Um banco cujo nome não foi divulgado usa o software para processar documentos, enquanto um escritório de advocacia o executa em seus próprios servidores para analisar contratos e processos antigos. A startup de IA de voz Bolna AI usa a ferramenta para incorporar bases de conhecimento na criação de agentes de voz.
Entre seus concorrentes estão as startups especializadas em processamento de documentos Reducto e Unstructured, produtos da Microsoft e da Amazon e modelos de IA de uso geral que empresas utilizam para extração. Mishra disse que os preços começam em um centavo por página. Ele atribuiu o controle de custos da empresa ao direcionamento da computação para as partes do documento que exigem mais atenção, em vez de processar todas as seções uniformemente.
A Unsiloed busca conquistar esse mercado com uma equipe de sete funcionários. A rodada seed oferece recursos para expandir; o desafio imediato é transformar as primeiras implantações e os resultados de precisão divulgados pela empresa em uma adoção empresarial mais ampla, diante de fornecedores especializados e plataformas muito maiores.












