Retab Samlar In 3,5 Miljoner Dollar och Lanserar En AI-Driven Plattform För Att Omvandla Röriga Dokument Till Strukturerad Data

För utvecklare som bygger AI-drivna verktyg inom branscher som logistik, finans och hälsovård, finns det ett ständigt återkommande problem: att få stora språkmodeller (LLM) att tillförlitligt extrahera data från verkliga dokument. PDF-fakturor, 200-sidors rapporter, handskrivna formulär och skannade ID-handlingar kan ofta förvilla annars kraftfulla AI-system.

Retab, ett nytt startup-bolag grundat av ingenjörer som personligen upplevt detta problem, har just lanserats för att lösa det. I samband med den offentliga lanseringen av sin plattform meddelade företaget också att de fått 3,5 miljoner dollar i förstartsfinansiering ledd av VentureFriends, Kima Ventures, och K5 Global, med deltagande från Eric Schmidt (via StemAI), Olivier Pomel (VD, Datadog (DDOG )) och Florian Douetteau (VD, Dataiku).

Till skillnad från att vara en annan LLM-leverantör, ligger Retab ett lager ovanpå – och erbjuder en utvecklarcentrerad plattform för dokument-AI som låter användare definiera exakt vilken data de vill extrahera, och sedan hanterar hela processen: märkning, utvärdering, promptteknik, modelljämförelse och routning.

”Människor fortsätter att bygga AI-demonstrationer som ser magiska ut men som faller samman i produktion,” sade Louis de Benoist, medgrundare och VD för Retab. ”Vi byggde Retab för att vi var trötta på att koppla ihop sköra pipelines bara för att extrahera några fält från ett dokument. Nu kan utvecklare fokusera på schemat de vill ha – vi hanterar resten.”

Vad Retab Verkligen Gör

Till sin kärna omvandlar Retab ostukturerade dokument – PDF:er, skannade handlingar, formulär – till rena, strukturerade JSON- eller tabellutdata som utvecklare kan infoga i produktionsystem. Byggt som ett SDK och en plattform, abstraherar det bort all komplexitet i att bygga AI-drivna dataextraktionsflöden.

Företag som använder Retab beskriver enkelt schemat för den data de vill ha. Retab genererar sedan automatiskt märkta dataset, väljer den optimala LLM (eller LLM:er), finjusterar promter och hanterar felupptäckt och omförsökslogik. Det säkerställer produktionsklassens noggrannhet genom tre kärninnovationer:

• Självoptimerande Scheman: Retab använder en intern AI-agent för att iterativt testa och förbättra extraktionsinstruktioner med hjälp av riktiga exempel, vilket eliminerar behovet av manuell justering.
• Intelligent Modellroutning: Plattformen är modellagnostisk och benchmarkar automatiskt över LLM (t.ex. OpenAI, Anthropic, Google ), och dirigerar varje dokument till den bästa modellen baserat på kostnad, hastighet och noggrannhetskrav. Detta har möjliggjort för vissa användare att minska bearbetningskostnaderna med upp till 100 gånger.
• k-LLM Konsensus & Guidad Resonemang: Istället för att förlita sig på en enda modells utdata, tillämpar Retab steg-för-steg-resonemang (tanketräng) och kör flera modeller parallellt för att nå en konsensus. Om osäkerhet kvarstår, markeras den eller beräknas om, vilket ger utvecklare förtroende för varje svar.

Denna orkestreringslager ger utvecklare möjlighet att omvandla felbenägna dokumentflöden – som kontraktanalys, identitetsverifiering eller fakturaanalys – till skalbara, självkorrigera system.

Från Logistik Till Infrastruktur

Grundarna byggde ursprungligen Retabs grundläggande komponenter medan de automatiserade interna processer för dokumenttunga operationer inom logistikbranschen. Men när de förfinade verktygen, insåg de att dess värde vida översteg varje enskild användningsfall. Idag används Retab redan av dussintals företag inom:

• Logistik: Analys av frakthandlingar, tulldeklarationer och leveransregister
• Finans: Extrahering av riskfaktorer och finansiella mått från långa rapporter
• Hälsovård: Automatisering av intagningsformulär, anspråk och medicinska journaler

Ett transportföretag använde Retab för att identifiera den minsta, snabbaste modellkonfigurationen som uppfyllde deras krav på 99 procents noggrannhet – vilket minskade beräkningskostnaden och latensen utan att offra prestanda. Ett finansföretag kortade ner dagar från kvartalsanalysen genom att använda Retab för att extrahera strukturerade riskindikatorer från investerardokument.

”AI-ekonomin är beroende av att omvandla röriga, mänskligt läsbara dokument till strukturerad, verificerbar data,” sade Florian Douetteau, VD för Dataiku. ”Retab är plattformen som gör det möjligt i stor skala.”

Blickar Framåt

Retab expanderar nu bortom dokument: kommande versioner kommer att tillåta användare att extrahera data från webbsidor och dynamiskt innehåll, vilket öppnar upp för användningsfall som konkurrentanalys, regelefterlevnad och automatiserad onboarding. Integrationer med verktyg som Zapier, n8n och Dify är också på gång, vilket låter Retab integreras i befintliga arbetsflöden utan anpassad kod.

På lång sikt syftar Retab till att bli mellanvarulagret mellan världens ostrukturerade data och de AI-agenter som förlitar sig på den – oavsett om det är för företagssökning, RPA eller AI-kopiloter.

Trots att de bara har tio anställda, är Retab redan erkänt som en grundläggande byggsten för utvecklare som bygger AI-nativa produkter – inte bara en annan leverantör, utan ett verktyg för att operationalisera den röriga verkligheten av realvärldens data.