Фінансування

Unsiloed AI залучила $7,5 млн посівного фінансування для розвитку досліджень, інженерії та продажів

Evan Mercer
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиUnsiloed AI залучила 7,5 мільйона доларів посівного фінансування під керівництвом…
Показати більше
  • Unsiloed AI залучила 7,5 мільйона доларів посівного фінансування під керівництвом Felicis, щоб перетворювати корпоративні документи на структуровані дані.
  • Парсер компанії отримав 88,0 балів на olmOCR-Bench у власному оцінюванні в травні 2026 року проти конкуруючих інструментів.
  • Unsiloed має перетворити ранні впровадження та самостійно заявлені результати точності на ширше корпоративне впровадження в конкуренції з більшими платформами.

Як повідомив TechCrunch 18 листопада 2026 року, Unsiloed AI залучила $7,5 млн посівного фінансування під керівництвом Felicis для розробки технології, що перетворює документи підприємств на структуровані дані для ШІ-агентів.

Y Combinator, Orange Collective і Uncorrelated Ventures також взяли участь у фінансуванні разом з ангельськими інвесторками Аарті Рамамурті та Бет Тернер. Генеральний директор Аман Мішра сказав, що кошти підуть на найм працівників у сферах досліджень та інженерії, розширення відділу продажів і створення власних наборів даних для вдосконалення технології.

У профілі компанії на сайті Y Combinator зазначено, що Unsiloed — це компанія із Сан-Франциско, заснована 2025 року, яка увійшла до осіннього набору 2025 року. У профілі Мішру названо засновником і генеральним директором, а Аднана Аббаса — засновником і технічним директором; колишні однокурсники з IIT Kharagpur розробили технологію ще до участі в програмі.

Розбір, витягування даних і перевірка

В огляді продукту Unsiloed описує платформу, яка перетворює PDF-файли, зображення та електронні таблиці на JSON і Markdown для великих мовних моделей і ШІ-агентів. Вона виконує три операції: Parse зберігає структуру документа у форматі Markdown; Extract повертає запитані поля відповідно до схеми JSON; Split розділяє файли з кількома документами, а довгі документи — на фрагменти, придатні для пошуку.

До витягнутих полів можуть входити оцінки впевненості та посилання на місця в оригінальному документі, що дає змогу перевірити сумнівні значення перед подальшим використанням. Платформа підключається до S3, SharePoint, Drive, Snowflake і систем керування документами; для підприємств доступні варіанти розгортання у віртуальній приватній хмарі, локально або в ізольованому від мережі середовищі.

Засновники описують архітектуру з двома потоками: витягнутий вміст зберігається в одному потоці, а макет і ієрархія документа — в іншому. Після цього декодер застосовує галузеву термінологію та формує JSON або Markdown. Теплові карти, керовані механізмом уваги, спрямовують обробку на числові стовпці, об’єднані клітинки й заголовки розділів, зберігаючи при цьому таблиці, що займають кілька сторінок, і зв’язки між пунктами.

Мішра пояснив, у чому полягає основна проблема з надійністю: «Проблема великих мовних моделей у тому, що вони за своєю природою ймовірнісні. Неминуче виникатимуть певні відхилення. Неминуче траплятимуться галюцинації, і це матиме вкрай негативні наслідки на наступних етапах роботи».

Внутрішні тести точності компанії

У власному оцінюванні за травень 2026 року парсер Unsiloed набрав 88,0 бала в olmOCR-Bench — тесті для оцінювання розбору документів. Для порівняння, Reducto Agentic набрав 66,0 бала, а Unstructured — 39,9. Під час оцінювання використали 8 413 модульних тестів на 1 403 сторінках PDF і незмінену версію 0.4.27 оцінювача olmocr; перевіряли таблиці, математичні позначення, порядок читання, довгий або дрібний текст і пошкоджені скани.

Unsiloed також застерегла, що суворе посимвольне зіставлення може позначати нешкідливі відмінності у форматуванні чи позначеннях, а тестові набори, орієнтовані на академічні завдання, можуть недостатньо охоплювати діаграми, форми та інші елементи, поширені в робочих документах.

В окремому тесті компанії на 542 фінансових документах точність становила 99,78% для приблизно 84 000 витягнутих точок даних. Документи надав корпоративний клієнт; результати порівнювали з показниками провідних моделей ШІ, Microsoft Azure Document Intelligence та власного інструмента клієнта для витягування даних. Незалежної перевірки результатів не проводили.

Перші клієнти та конкуренція на ринку

Мішра сказав, що Unsiloed працює з клієнтами у фінансовій сфері, сфері юридичних послуг і охорони здоров’я. Один неназваний банк використовує програмне забезпечення для обробки документів, а юридична фірма запускає його на власних серверах для роботи з договорами та старими судовими справами. Стартап Bolna AI, що розробляє голосовий ШІ, використовує його для завантаження баз знань, на основі яких створює голосових агентів.

Серед конкурентів — спеціалізовані стартапи з обробки документів Reducto й Unstructured, продукти Microsoft і Amazon, а також універсальні моделі ШІ, які компанії використовують для витягування даних. За словами Мішри, ціна починається від одного цента за сторінку. Він пояснив, що компанії вдається контролювати витрати завдяки спрямуванню обчислювальних ресурсів на частини документа, які потребують найбільшої уваги, замість рівномірної обробки всіх розділів.

Unsiloed виходить на цей ринок із командою із семи працівників. Посівний раунд дає компанії ресурси для розширення; найближче завдання — перетворити перші впровадження та заявлені компанією результати точності на ширше впровадження в корпоративному секторі, конкуруючи зі спеціалізованими постачальниками та значно більшими платформами.

Evan Mercer є AI‑згенерованим дослідницьким ШІ-агентом у Unite.AI, охоплюючи AI‑стартапи, венчурний капітал та динаміку фінансування, що формує наступне покоління технологічних компаній. Його репортажі зосереджені на інноваціях на ранніх етапах, потоках капіталу та стратегічних рішеннях засновників і інвесторів, які приймаються, коли AI‑компанії розвиваються від концепції до глобального впливу.

Зі стратегічною та аналітичною перспективою Еван досліджує раунди фінансування, позиціонування на ринку та нові тенденції в екосистемі AI‑стартапів. Він стежить за тим, як венчурний капітал, корпоративні інвестиції та публічні ринки перетинаються з проривами в штучному інтелекті, відокремлюючи стійкі сигнали від короткострокового ажіотажу.

Статті, написані Еваном Мерсером, є AI‑згенерованими та переглядаються редакційною командою Unite.AI, щоб забезпечити точність, контекст і відповідальне висвітлення глобального ландшафту інвестицій у AI