การระดมทุน
Unsiloed AI ระดมทุนรอบ Seed ได้ 7.5 ล้านดอลลาร์ เพื่อขยายทีมวิจัย วิศวกรรม และฝ่ายขาย

ประเด็นสำคัญUnsiloed AI ระดมทุนได้ 7.5 ล้านดอลลาร์ในการระดมทุนรอบ seed นำโดย Felicis…
ดูเพิ่มเติม
- Unsiloed AI ระดมทุนได้ 7.5 ล้านดอลลาร์ในการระดมทุนรอบ seed นำโดย Felicis เพื่อเปลี่ยนเอกสารองค์กรให้เป็นข้อมูลที่มีโครงสร้าง
- ตัวแยกวิเคราะห์ของบริษัทได้คะแนน 88.0 ใน olmOCR-Bench ในการประเมินของบริษัทเองในเดือนพฤษภาคม 2026 เมื่อเทียบกับเครื่องมือคู่แข่ง
- Unsiloed ต้องเปลี่ยนการติดตั้งใช้งาน初期และการรายงานผลความแม่นยำด้วยตนเองให้เป็นการนำไปใช้ในองค์กรในวงกว้างขึ้นเพื่อแข่งขันกับแพลตฟอร์มขนาดใหญ่
TechCrunch รายงานเมื่อวันที่ 18 พฤศจิกายน 2026 ว่า Unsiloed AI ระดมทุนรอบ Seed ได้ 7.5 ล้านดอลลาร์ โดยมี Felicis เป็นผู้นำการลงทุน เพื่อนำไปพัฒนาเทคโนโลยีที่แปลงเอกสารขององค์กรให้เป็นข้อมูลที่มีโครงสร้างสำหรับ AI agents
Y Combinator, Orange Collective และ Uncorrelated Ventures เข้าร่วมลงทุนด้วย เช่นเดียวกับนักลงทุน angel ได้แก่ Aarthi Ramamurthy และ Beth Turner Aman Mishra ซีอีโอ กล่าวว่าเงินทุนที่ได้จะนำไปสนับสนุนการจ้างบุคลากรด้านวิจัยและวิศวกรรม ขยายงานขาย และพัฒนาชุดข้อมูลเฉพาะของบริษัทเพื่อปรับปรุงเทคโนโลยี
โปรไฟล์บริษัทของ Y Combinator ระบุว่า Unsiloed เป็นบริษัทในซานฟรานซิสโกที่ก่อตั้งในปี 2025 และเข้าร่วมรุ่น Fall 2025 โดยระบุว่า Mishra เป็นผู้ก่อตั้งและซีอีโอ ส่วน Adnan Abbas เป็นผู้ก่อตั้งและซีทีโอ ทั้งคู่เคยเป็นเพื่อนร่วมชั้นที่ IIT Kharagpur และพัฒนาเทคโนโลยีนี้ก่อนเข้าร่วมรุ่นดังกล่าว
การแยกวิเคราะห์ การดึงข้อมูล และการตรวจสอบ
ภาพรวมผลิตภัณฑ์ของ Unsiloed อธิบายว่าแพลตฟอร์มนี้แปลงไฟล์ PDF รูปภาพ และสเปรดชีตเป็น JSON และ Markdown สำหรับ large language models และ AI agents โดยมีการทำงานสามรูปแบบ ได้แก่ Parse ซึ่งรักษาโครงสร้างเอกสารไว้ใน Markdown, Extract ซึ่งส่งคืนฟิลด์ที่ร้องขอตาม JSON schema และ Split ซึ่งแยกไฟล์ที่มีเอกสารหลายฉบับออกจากกัน พร้อมแบ่งเอกสารขนาดยาวเป็นส่วนย่อยที่เรียกค้นได้
ฟิลด์ข้อมูลที่ดึงออกมาอาจมีคะแนนความเชื่อมั่นและการอ้างอิงตำแหน่งในเอกสารต้นฉบับ ช่วยให้ผู้ตรวจสอบเช็กค่าที่ไม่แน่ใจก่อนนำไปใช้ในขั้นตอนถัดไป แพลตฟอร์มนี้เชื่อมต่อกับ S3, SharePoint, Drive, Snowflake และระบบจัดการเอกสาร พร้อมตัวเลือกติดตั้งใช้งานระดับองค์กรในคลาวด์ส่วนตัวเสมือน ภายในองค์กร หรือในสภาพแวดล้อมที่แยกขาดจากเครือข่ายภายนอก
ผู้ก่อตั้งอธิบายสถาปัตยกรรมแบบสองสตรีม ซึ่งเก็บเนื้อหาที่ดึงออกมาไว้ในสตรีมหนึ่ง และเก็บเค้าโครงกับลำดับชั้นของเอกสารไว้อีกสตรีมหนึ่ง จากนั้นตัวถอดรหัสจะใช้คำศัพท์เฉพาะของแต่ละอุตสาหกรรมและสร้างผลลัพธ์เป็น JSON หรือ Markdown แผนที่ความร้อนที่ใช้กลไก Attention จะชี้นำการประมวลผลไปยังคอลัมน์ตัวเลข เซลล์ที่ผสาน และหัวข้อของส่วนต่าง ๆ พร้อมรักษาตารางที่ต่อเนื่องหลายหน้าและความเชื่อมโยงระหว่างข้อสัญญาไว้
Mishra กล่าวถึงข้อกังวลพื้นฐานด้านความน่าเชื่อถือว่า “ปัญหาของ LLM คือโดยเนื้อแท้แล้วทำงานบนพื้นฐานของความน่าจะเป็น จึงย่อมเกิดความคลาดเคลื่อนขึ้นได้ และอาจมีการหลอนข้อมูล ซึ่งส่งผลเสียอย่างมากต่อขั้นตอนถัดไป”
การทดสอบความแม่นยำที่บริษัทดำเนินการเอง
ในการประเมินผลเมื่อเดือนพฤษภาคม 2026ที่ Unsiloed ดำเนินการเอง ตัวแยกวิเคราะห์ของบริษัทได้คะแนน 88.0 ใน olmOCR-Bench ซึ่งเป็นเกณฑ์มาตรฐานสำหรับการแยกวิเคราะห์เอกสาร เทียบกับ 66.0 ของ Reducto Agentic และ 39.9 ของ Unstructured การประเมินนี้ใช้การทดสอบหน่วย 8,413 รายการจากหน้า PDF 1,403 หน้า และใช้ olmocr scorer เวอร์ชัน 0.4.27 ที่ไม่มีการดัดแปลง โดยครอบคลุมตาราง สัญกรณ์คณิตศาสตร์ ลำดับการอ่านข้อความ ข้อความที่ยาวหรือขนาดเล็กมาก และเอกสารสแกนที่มีคุณภาพลดลง
Unsiloed เตือนด้วยว่า การจับคู่ข้อความแบบตรงตัวอย่างเคร่งครัดอาจแจ้งเตือนความแตกต่างด้านรูปแบบหรือสัญกรณ์ที่ไม่มีผลต่อความหมาย ขณะที่เกณฑ์มาตรฐานที่เน้นงานวิชาการอาจให้ความสำคัญกับแผนภูมิ แบบฟอร์ม และองค์ประกอบอื่น ๆ ที่พบได้ทั่วไปในเอกสารที่ใช้จริงน้อยเกินไป
การทดสอบอีกชุดหนึ่งที่บริษัทรายงาน ซึ่งใช้เอกสารทางการเงิน 542 ฉบับ ได้ความแม่นยำ 99.78% จากจุดข้อมูลที่ดึงออกมาราว 84,000 จุด เอกสารเหล่านี้มาจากลูกค้าองค์กรรายหนึ่ง และการเปรียบเทียบครอบคลุมโมเดล AI รายใหญ่, Azure Document Intelligence ของ Microsoft และเครื่องมือดึงข้อมูลที่ลูกค้าพัฒนาขึ้นเองภายในองค์กร ทั้งนี้ ผลการทดสอบยังไม่ได้รับการตรวจสอบยืนยันอย่างเป็นอิสระ
ลูกค้าระยะแรกและการแข่งขันในตลาด
Mishra กล่าวว่า Unsiloed กำลังทำงานร่วมกับลูกค้าในภาคการเงิน บริการด้านกฎหมาย และการดูแลสุขภาพ ธนาคารแห่งหนึ่งซึ่งไม่ได้เปิดเผยชื่อใช้ซอฟต์แวร์นี้ประมวลผลเอกสาร ขณะที่สำนักงานกฎหมายแห่งหนึ่งติดตั้งซอฟต์แวร์บนเซิร์ฟเวอร์ของตนเองเพื่อจัดการสัญญาและแฟ้มคดีเก่า Bolna AI สตาร์ทอัพด้าน AI เสียง ใช้ซอฟต์แวร์นี้นำเข้าฐานความรู้เพื่อสร้าง voice agents
คู่แข่งของบริษัทมีทั้งสตาร์ทอัพเฉพาะทางด้านการประมวลผลเอกสารอย่าง Reducto และ Unstructured ผลิตภัณฑ์จาก Microsoft และ Amazon ตลอดจนโมเดล AI อเนกประสงค์ที่ธุรกิจนำมาใช้ดึงข้อมูล Mishra กล่าวว่า ราคาเริ่มต้นอยู่ที่หนึ่งเซนต์ต่อหน้า เขาระบุว่าบริษัทควบคุมต้นทุนได้ด้วยการมุ่งใช้การประมวลผลกับส่วนต่าง ๆ ของเอกสารที่ต้องให้ความสนใจมากที่สุด แทนที่จะประมวลผลทุกส่วนด้วยวิธีเดียวกัน
Unsiloed กำลังรุกตลาดนี้ด้วยพนักงานเจ็ดคน เงินทุนรอบ Seed ช่วยให้บริษัทมีทรัพยากรสำหรับการขยายธุรกิจ โดยความท้าทายเฉพาะหน้าอยู่ที่การต่อยอดการติดตั้งใช้งานระยะแรกและผลความแม่นยำที่บริษัทรายงาน ให้กลายเป็นการนำไปใช้ในวงกว้างขึ้นในองค์กร ท่ามกลางการแข่งขันกับผู้ให้บริการเฉพาะทางและแพลตฟอร์มขนาดใหญ่กว่ามาก












