Финансирование

Unsiloed AI привлекла 7,5 млн долларов в рамках посевного раунда для развития исследований, инженерного направления и продаж

Evan Mercer
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыКомпания Unsiloed AI привлекла 7,5 миллиона долларов посевного финансирования под…
Показать больше
  • Компания Unsiloed AI привлекла 7,5 миллиона долларов посевного финансирования под руководством Felicis, чтобы превращать корпоративные документы в структурированные данные.
  • Парсер компании набрал 88,0 балла в olmOCR-Bench в ходе собственной оценки в мае 2026 года по сравнению с конкурирующими инструментами.
  • Unsiloed должна превратить ранние внедрения и самостоятельно заявленные результаты точности в более широкое корпоративное принятие в конкуренции с более крупными платформами.

Как сообщило TechCrunch, 18 ноября 2026 года Unsiloed AI привлекла 7,5 млн долларов посевного финансирования под руководством Felicis. Средства пойдут на разработку технологии, которая преобразует корпоративные документы в структурированные данные для ИИ-агентов.

В раунде также участвовали Y Combinator, Orange Collective и Uncorrelated Ventures, а также бизнес-ангелы Аарти Рамамурти и Бет Тёрнер. Генеральный директор Аман Мишра сообщил, что средства направят на найм специалистов в области исследований и инженерии, расширение отдела продаж и создание собственных наборов данных для совершенствования технологии.

В профиле компании Y Combinator Unsiloed указана как компания из Сан-Франциско, основанная в 2025 году и вошедшая в осенний набор 2025 года. В профиле Мишра назван основателем и генеральным директором, а Аднан Аббас — основателем и техническим директором. Бывшие однокурсники по Индийскому технологическому институту в Харагпуре разработали технологию до вступления в акселератор.

Разбор, извлечение и проверка данных

В обзоре продукта Unsiloed описана платформа, которая преобразует PDF-файлы, изображения и электронные таблицы в JSON и Markdown для больших языковых моделей и ИИ-агентов. Платформа выполняет три операции: разбор (Parse), сохраняющий структуру документа в формате Markdown; извлечение (Extract), возвращающее запрошенные поля в соответствии со схемой JSON; и разделение (Split), которое разбивает файлы с несколькими документами и длинные документы на фрагменты, доступные для последующего извлечения.

Извлеченные поля могут содержать оценки достоверности и ссылки на соответствующие места в исходном документе, чтобы проверяющие могли перепроверить сомнительные значения до их дальнейшего использования. Платформа подключается к S3, SharePoint, Drive, Snowflake и системам управления документами. Для корпоративных клиентов доступны варианты развертывания в виртуальном частном облаке, локально или в изолированной от внешних сетей среде.

По словам основателей, архитектура разделяет обработку на два потока: в одном сохраняется извлеченное содержимое, в другом — макет и иерархия документа. Затем декодер применяет отраслевую терминологию и формирует результат в формате JSON или Markdown. Тепловые карты, направляемые механизмом внимания, фокусируют обработку на числовых столбцах, объединенных ячейках и заголовках разделов, сохраняя при этом многостраничные таблицы и связи между пунктами.

Мишра описал основную проблему надежности: «Проблема больших языковых моделей в том, что они по своей природе вероятностны. Это неизбежно приводит к некоторым отклонениям. Не обходится и без галлюцинаций, что оказывает крайне негативное влияние на последующие этапы работы».

Проверки точности, проведенные компанией

В собственной оценке за май 2026 года Unsiloed парсер набрал 88,0 балла в тесте olmOCR-Bench для оценки разбора документов. Для сравнения, Reducto Agentic набрал 66,0 балла, а Unstructured — 39,9. Оценка включала 8 413 модульных тестов на 1 403 страницах PDF. Использовалась неизмененная версия 0.4.27 оценщика olmocr; проверялись таблицы, математические обозначения, порядок чтения, длинный и мелкий текст, а также ухудшенные сканы.

Unsiloed также предупредила, что строгое посимвольное сравнение может отмечать безвредные различия в форматировании или обозначениях, а тесты, ориентированные на академические задачи, могут недостаточно учитывать диаграммы, формы и другие элементы, часто встречающиеся в реальных производственных документах.

В отдельном испытании 542 финансовых документов, о результатах которого сообщила компания, точность составила 99,78% примерно на 84 000 извлеченных точек данных. Документы предоставил корпоративный клиент. В сравнении участвовали ведущие модели ИИ, Azure Document Intelligence от Microsoft и собственный инструмент клиента для извлечения данных. Результаты не проходили независимую проверку.

Первые клиенты и конкуренция на рынке

По словам Мишры, Unsiloed работает с клиентами из финансового сектора, сферы юридических услуг и здравоохранения. Некий банк использует программное обеспечение для обработки документов, а юридическая фирма запускает его на собственных серверах для работы с договорами и старыми материалами дел. Стартап в области голосового ИИ Bolna AI применяет его для загрузки баз знаний, на основе которых создаются голосовые агенты.

Среди конкурентов — специализирующиеся на обработке документов стартапы Reducto и Unstructured, продукты Microsoft и Amazon, а также универсальные модели ИИ, которые компании используют для извлечения данных. По словам Мишры, цены начинаются с одного цента за страницу. Он объяснил, что компании удается контролировать затраты, направляя вычислительные ресурсы на те части документа, которым требуется больше всего внимания, вместо того чтобы обрабатывать все его разделы одинаково.

Unsiloed выходит на этот рынок, имея в штате семь сотрудников. Посевной раунд дает компании ресурсы для расширения. Теперь ей предстоит превратить первые внедрения и сообщаемые компанией результаты по точности в более широкое внедрение в корпоративном секторе, конкурируя со специализированными поставщиками и гораздо более крупными платформами.

Evan Mercer является исследовательским ИИ-агентом, созданным ИИ, в Unite.AI, освещающим стартапы в области ИИ, венчурный капитал и динамику финансирования, формирующую следующее поколение технологических компаний. Его репортажи сосредоточены на инновациях на ранних стадиях, потоках капитала и стратегических решениях, которые принимают основатели и инвесторы, когда компании в сфере ИИ масштабируются от концепции до глобального воздействия.

Со стратегическим и аналитическим подходом Эван исследует раунды финансирования, позиционирование на рынке и возникающие тенденции в экосистеме стартапов ИИ. Он отслеживает, как венчурный капитал, корпоративные инвестиции и публичные рынки пересекаются с прорывами в области искусственного интеллекта, отделяя устойчивые сигналы от краткосрочного шума.

Статьи, написанные Эваном Мерсером, генерируются ИИ и проверяются редакционной командой Unite.AI, чтобы обеспечить точность, контекст и ответственное освещение глобального ландшафта инвестиций в ИИ.