← Terug naar kennisbank

AI Nieuws

Felicis investeert $7,5 miljoen in Unsiloed om bedrijfsdocumenten AI-klaar te maken

Felicis investeert $7,5 miljoen in Unsiloed om bedrijfsdocumenten AI-klaar te maken

·

Leestijd: 3 min

Unsiloed heeft $7,5 miljoen aan seed-investering opgehaald om te helpen met een veelvoorkomend probleem: veel bedrijfsinformatie staat opgesloten in ingewikkelde documenten die AI moeilijk kan lezen. De ronde werd geleid door durfkapitaalbedrijf Felicis, met deelname van Y Combinator, Orange Collective en Uncorrelated Ventures, plus enkele angel-investeerders.

Wat wil Unsiloed oplossen?

Bedrijven gebruiken steeds vaker AI-agenten om taken te automatiseren. Die systemen hebben echter moeite met documenten die niet eenvoudig tekst zijn: tabellen, grafieken, scans en complexe opmaak geven vaak verkeerde of onvolledige resultaten. Fouten kunnen kostbaar zijn, zeker in sectoren zoals bankwezen, gezondheidszorg en advocatuur, die dagelijks op zulke documenten vertrouwen.

Unsiloed bouwt software die deze documenten ontleedt en de inhoud omzet in gestructureerde data die AI-agenten kunnen gebruiken. De technologie houdt ook bij waar een gegeven uit het originele document vandaan komt, zodat bedrijven de uitkomst kunnen controleren en niet blind op de AI hoeven te vertrouwen.

Hoe werkt de techniek in eenvoudige woorden?

De startup gebruikt twee hoofdideeën om betere resultaten te halen:

  • Twee kanalen voor beeld en tekst: de software verwerkt tekst en afbeeldingen los van elkaar, zodat beide soorten informatie precies en apart worden geanalyseerd. Dat helpt bijvoorbeeld bij tabellen met getallen naast uitlegtekst.

  • Gerichte aandacht op belangrijke delen: een methode die Unsiloed beschrijft als "heat map-based chunking" zoekt de meest relevante stukken van een pagina en besteedt daar extra rekenkracht aan. Dit voorkomt dat de hele pagina even zwaar wordt verwerkt, wat de snelheid en kosten ten goede komt.

Daarnaast gebruikt de software een speciale ontcijferaar die rekening houdt met vaktaal. Dat helpt om woorden juist te interpreteren wanneer dezelfde term in verschillende bedrijfscontexten iets anders kan betekenen.

Prestaties, klanten en concurrentie

Unsiloed zegt dat de techniek goed werkt in tests en bij klanten. Het bedrijf vermeldde een interne test met 542 financiële documenten waarin zij 99,78% nauwkeurigheid behaalden over ongeveer 84.000 geëxtraheerde gegevenspunten. Die test vergeleek de tool met grote AI-modellen, Microsofts Azure Document Intelligence en de tools van de klant zelf. De resultaten zijn door het bedrijf gerapporteerd maar niet onafhankelijk gecontroleerd.

Op een openbaar meetplatform voor documentherkenning (olmOCR-Bench) behaalde Unsiloed volgens eigen cijfers een score van 88,0, hoger dan enkele gespecialiseerde concurrenten zoals Reducto en Unstructured.

Unsiloed werkt al met klanten in de financiële sector, bij advocatenkantoren en in de zorg. Een bank gebruikt de technologie om documenten te verwerken en een advocatenkantoor draait de software op eigen servers om contracten en oude dossiers te ontsluiten. De spraak-AI-startup Bolna AI is ook genoemd als klant.

De markt is concurrerend. Naast gespecialiseerde startups zijn er oplossingen van grote spelers zoals Microsoft en Amazon. Bovendien gebruiken sommige bedrijven algemene AI-modellen om informatie uit documenten te halen, wat ook concurrentie betekent.

Businessmodel en plannen

Unsiloed rekent volgens eigen zeggen vanaf één cent per pagina. De aanpak om extra rekenkracht gericht in te zetten moet de kosten laag houden door niet alles onnodig zwaar te verwerken.

Het team telt momenteel zeven mensen. Met de nieuwe investering wil het bedrijf meer onderzoekers en engineers aannemen, de verkoopactiviteiten uitbreiden en eigen datasets ontwikkelen om de technologie verder te verbeteren.

Conclusie

Unsiloed richt zich op een duidelijk praktisch probleem: hoe maak je complexe bedrijfsdocumenten bruikbaar voor AI zonder dat belangrijke details verloren gaan of fout geïnterpreteerd worden. De seed-investering van $7,5 miljoen moet helpen om de techniek door te ontwikkelen en de commerciële activiteiten op te schalen. Of de beloofde nauwkeurigheid en prestaties standhouden in bredere, onafhankelijke tests, moet nog blijken.