A Unsiloed AI captou US$ 7,5 milhões em uma rodada seed liderada pela empresa de investimentos Felicis. A startup quer facilitar o uso de documentos empresariais por agentes de inteligência artificial, transformando informações em formatos que esses sistemas consigam processar. Participaram também Y Combinator, Orange Collective e Uncorrelated Ventures, além das investidoras-anjo Aarthi Ramamurthy e Beth Turner.
Documentos de empresas podem reunir tabelas, gráficos e layouts complexos, elementos que sistemas de IA nem sempre interpretam corretamente. Erros na extração podem ter consequências para organizações que dependem desses materiais no trabalho cotidiano, como bancos, hospitais e escritórios de advocacia.
O software da Unsiloed divide documentos, extrai informações de tabelas, gráficos e outros elementos e as converte em dados estruturados para agentes de IA. Também aponta onde cada informação aparece no documento original, permitindo que os usuários confiram os resultados em vez de aceitá-los sem verificação.
A empresa foi fundada por Aman Mishra, CEO, e Adnan Abbas, que estudou com ele no Indian Institute of Technology Kharagpur. Antes de entrar na turma Fall 2025 da Y Combinator, os dois passaram um período desenvolvendo a tecnologia.
Mishra disse que a startup já trabalha com clientes dos setores financeiro, jurídico e de saúde. Segundo ele, um banco usa o sistema para processar documentos, e um escritório de advocacia o instalou em seus próprios servidores para lidar com contratos e processos antigos. Os nomes dessas duas organizações não foram divulgados. O CEO também identificou a Bolna AI como cliente: a empresa usa a tecnologia da Unsiloed para incorporar bases de conhecimento na criação de agentes de voz.
Ao explicar a proposta, Mishra afirmou que os modelos de linguagem de grande porte, ou LLMs, são probabilísticos e podem produzir desvios e alucinações. “Isso tem um impacto negativo enorme nas etapas seguintes”, disse o cofundador à TechCrunch.
A Unsiloed descreve sua abordagem como uma combinação de modelos de visão “dual-stream”, que processam texto e imagem separadamente, e uma técnica chamada “heat map-based chunking”, usada para localizar as partes mais importantes do documento. O sistema direciona mais capacidade computacional para áreas como figuras, números e gráficos. A empresa também utiliza um decodificador especializado que considera termos próprios de cada setor, que podem ter significados diferentes conforme o contexto.
A startup apresentou resultados de testes para sustentar suas afirmações, mas eles não foram verificados de forma independente. Em uma avaliação com 542 documentos financeiros fornecidos por um cliente empresarial, a empresa registrou 99,78% de precisão em cerca de 84 mil pontos de dados, de acordo com um documento técnico divulgado pela própria Unsiloed. A comparação incluiu grandes modelos de IA, o Azure Document Intelligence, da Microsoft, e a ferramenta interna de extração do cliente.
A empresa também afirmou ter superado concorrentes no olmOCR-Bench, avaliação pública desenvolvida pela Allen AI. Em testes realizados pela própria Unsiloed, a startup obteve nota 88,0, ante 66,0 do sistema agêntico da Reducto e 39,9 da Unstructured. O benchmark examinou 1.403 páginas de PDF e avaliou o tratamento de tabelas, expressões matemáticas, documentos digitalizados e layouts complexos.
A disputa, porém, inclui outros fornecedores: além de Reducto e Unstructured, há produtos da Microsoft e da Amazon. Empresas também recorrem a modelos de IA de uso geral para extrair informações de documentos, o que amplia o conjunto de alternativas à Unsiloed.
Segundo Mishra, os preços começam em um centavo por página. Ele atribuiu parte do controle de custos à estratégia de concentrar capacidade computacional nas áreas que exigem mais atenção, em vez de processar todas as partes de um documento da mesma maneira.
A Unsiloed tinha sete funcionários no momento da reportagem. A empresa planeja usar o novo financiamento para contratar pesquisadores e engenheiros, ampliar os esforços de vendas e desenvolver conjuntos de dados próprios para aprimorar sua tecnologia.










