Finanțare
Unsiloed AI obține o finanțare inițială de 7,5 milioane de dolari pentru a-și extinde activitățile de cercetare, inginerie și vânzări

Puncte cheieUnsiloed AI a strâns 7,5 milioane de dolari în finanțare inițială condusă de Felicis…
Vezi mai mult
- Unsiloed AI a strâns 7,5 milioane de dolari în finanțare inițială condusă de Felicis pentru a transforma documentele întreprinderilor în date structurate.
- Parserul companiei a obținut 88,0 la olmOCR-Bench în propria evaluare din mai 2026 față de instrumentele concurente.
- Unsiloed trebuie să transforme implementările timpurii și rezultatele de precizie auto-raportate în adoptare mai largă la nivel de întreprindere împotriva platformelor mai mari.
TechCrunch a relatat pe 18 noiembrie 2026 că Unsiloed AI a obținut 7,5 milioane de dolari în finanțare inițială, într-o rundă condusă de Felicis, pentru a dezvolta o tehnologie care transformă documentele companiilor în date structurate pentru agenți IA.
Y Combinator, Orange Collective și Uncorrelated Ventures au participat, de asemenea, la rundă, alături de investitoarele-îngeri Aarthi Ramamurthy și Beth Turner. Directorul general Aman Mishra a spus că fondurile vor fi folosite pentru angajări în cercetare și inginerie, extinderea eforturilor de vânzări și crearea unor seturi de date proprietare care să îmbunătățească tehnologia.
Profilul companiei Unsiloed de pe site-ul Y Combinator o prezintă drept o companie din San Francisco, fondată în 2025 și membră a promoției de toamnă 2025. Acesta îl identifică pe Mishra drept fondator și director general, iar pe Adnan Abbas drept fondator și director tehnic; foștii colegi de la IIT Kharagpur au dezvoltat tehnologia înainte de a se alătura promoției.
Analizare, extragere și verificare
Prezentarea produsului Unsiloed descrie o platformă care convertește fișiere PDF, imagini și foi de calcul în JSON și Markdown pentru modele lingvistice mari și agenți IA. Aceasta oferă trei operațiuni: Parsare, care păstrează structura documentului în Markdown; Extragere, care returnează câmpurile solicitate conform unei scheme JSON; și Separare, care desparte fișierele cu mai multe documente și împarte documentele lungi în fragmente ce pot fi regăsite.
Câmpurile extrase pot include scoruri de încredere și citări care indică locul în care apar în documentul original, permițând celor care le verifică să controleze valorile incerte înainte de utilizarea ulterioară. Platforma se conectează la S3, SharePoint, Drive, Snowflake și sisteme de gestionare a documentelor și oferă opțiuni de implementare pentru companii într-un cloud privat virtual, local sau într-un mediu izolat de rețea.
Fondatorii descriu o arhitectură cu două fluxuri, care păstrează conținutul extras într-un flux, iar aspectul și ierarhia documentului în altul; apoi, un decodor aplică terminologia specifică domeniului și generează JSON sau Markdown. Hărțile de căldură ghidate de mecanismul de atenție direcționează procesarea către coloanele numerice, celulele îmbinate și anteturile secțiunilor, păstrând în același timp tabelele care se întind pe mai multe pagini și relațiile dintre clauze.
Mishra a descris problema fundamentală a fiabilității: „Problema modelelor lingvistice mari este că sunt, prin natura lor, probabilistice. Vor apărea inevitabil anumite abateri. Vor exista și halucinații, iar acestea au un impact negativ major în etapele ulterioare.”
Teste de acuratețe realizate de companie
În propria evaluare din mai 2026 realizată de Unsiloed, analizatorul său a obținut 88,0 la olmOCR-Bench, un set de referință pentru analizarea documentelor, comparativ cu 66,0 pentru Reducto Agentic și 39,9 pentru Unstructured. Evaluarea a folosit 8.413 teste unitare pe 1.403 de pagini PDF și versiunea 0.4.27 nemodificată a evaluatorului olmocr, acoperind tabele, notație matematică, ordinea de citire, text lung sau foarte mic și scanări degradate.
Unsiloed a avertizat, de asemenea, că potrivirea strictă a șirurilor de caractere poate semnala diferențe inofensive de formatare sau notație, în timp ce seturile de referință orientate spre mediul academic pot să nu reflecte suficient graficele, formularele și alte elemente frecvente în documentele utilizate în producție.
Un test separat, raportat de companie și efectuat pe 542 de documente financiare, a obținut o acuratețe de 99,78% pentru aproximativ 84.000 de puncte de date extrase. Documentele proveneau de la un client corporativ, iar comparația a inclus modele IA importante, Azure Document Intelligence de la Microsoft și instrumentul intern de extragere al clientului; rezultatele nu fuseseră verificate independent.
Primii clienți și concurența de pe piață
Mishra a spus că Unsiloed lucrează cu clienți din domeniul financiar, al serviciilor juridice și al sănătății. O bancă al cărei nume nu a fost dezvăluit folosește software-ul pentru procesarea documentelor, iar o firmă de avocatură îl rulează pe propriile servere pentru contracte și dosare vechi. Startupul de inteligență artificială vocală Bolna AI îl folosește pentru a introduce baze de cunoștințe în vederea creării de agenți vocali.
Printre concurenții săi se numără startupurile specializate în procesarea documentelor Reducto și Unstructured, produsele Microsoft și Amazon, precum și modelele IA de uz general pe care companiile le folosesc pentru extragerea datelor. Mishra a spus că prețurile încep de la un cent pe pagină. El a atribuit controlul costurilor companiei direcționării resurselor de calcul către părțile documentului care necesită cea mai multă atenție, în locul procesării uniforme a fiecărei secțiuni.
Unsiloed încearcă să cucerească această piață cu o echipă de șapte angajați. Runda de finanțare inițială îi oferă resurse pentru extindere; provocarea imediată este să transforme implementările timpurii și rezultatele privind acuratețea raportate de companie într-o adopție mai largă în rândul companiilor, în competiția cu furnizorii specializați și platformele mult mai mari.












