Il 18 novembre 2026 TechCrunch ha riportato che Unsiloed AI, startup fondata nel 2025 a San Francisco da Aman Mishra (CEO) e Adnan Abbas (CTO), ha raccolto 7,5 milioni di dollari in una round seed guidata da Felicis. L’investimento è stato co‑sostenuto da Y Combinator, Orange Collective, Uncorrelated Ventures e dagli angeli Aarthi Ramamurthy e Beth Turner. I fondi serviranno per potenziare la ricerca, l’ingegneria, il reparto vendite e per creare dataset proprietari volti a migliorare la capacità del sistema di convertire documenti aziendali in dati strutturati utilizzabili da agenti IA.

Profilo aziendale e contesto di mercato

Unsiloed AI è stata inserita nella coorte autunnale 2025 di Y Combinator. I co‑fondatori, ex compagni di corso all’IIT Kharagpur, hanno sviluppato una tecnologia di parsing avanzata prima di entrare nel programma di accelerazione. L’obiettivo principale dell’azienda è quello di superare le limitazioni dei grandi modelli linguistici, che spesso generano “allucinazioni” e risultati non affidabili quando vengono utilizzati per estrarre informazioni da documenti complessi.

Il mercato della conversione di documenti in dati strutturati è altamente competitivo, con player come Reducto, Unstructured, Microsoft Azure Document Intelligence e le soluzioni offerte da Amazon. Unsiloed AI si differenzia puntando su una precisione elevata e su un modello di prezzo basato su un centesimo per pagina, grazie a un’architettura che indirizza la potenza di calcolo solo alle parti più rilevanti del documento.

Architettura della piattaforma e funzionalità chiave

La piattaforma di Unsiloed AI trasforma PDF, immagini e tabelle in JSON e Markdown, formati ottimizzati per LLM e agenti IA. Tre funzioni principali definiscono l’offerta:

    • Analizzare: conserva la struttura del documento in Markdown, mantenendo intestazioni, elenchi e formattazione.
    • Estrarre: restituisce campi specifici secondo uno schema JSON, includendo valori di confidenza e riferimenti al punto esatto di origine nel documento.
    • Dividere: segmenta file con più documenti e suddivide lunghi testi in sezioni ricercabili.

Le API consentono integrazioni con S3, SharePoint, Google Drive, Snowflake e sistemi di gestione documentale. Le opzioni di deployment includono una VPC privata, on‑premise o ambienti completamente isolati da Internet, rispondendo a esigenze di sicurezza tipiche dei settori finanziario, legale e sanitario.

Flusso di dati a doppio canale

Il motore di parsing opera su due flussi paralleli: uno per il contenuto estratto e l’altro per layout e gerarchia del documento. Un decoder contestuale applica terminologia settoriale, producendo output in JSON o Markdown. Heatmap guidate dall’attenzione focalizzano l’elaborazione su colonne numeriche, celle collegate e titoli di sezione, preservando la coerenza di tabelle multi‑pagina e le relazioni tra clausole contrattuali.

Performance e benchmark

Nel maggio 2026 Unsiloed AI ha condotto una valutazione interna sul benchmark olmOCR‑Bench, ottenendo 88,0 punti, ben al di sopra di Reducto Agentic (66,0) e Unstructured (39,9). La prova ha coinvolto 8.413 test a livello di unità su 1.403 pagine PDF, includendo tabelle, notazioni matematiche, ordine di lettura, testi lunghi o molto piccoli e scansioni di bassa qualità. La versione 0.4.27 di olmocr è stata utilizzata senza modifiche.

Gli autori hanno segnalato che il benchmark potrebbe penalizzare differenze di formattazione innocue a causa di un confronto stringa rigoroso, e che gli scenari accademici non riflettono sempre la varietà di diagrammi, moduli e altri elementi presenti nei documenti aziendali.

Un test separato, non verificato da terze parti, ha valutato 542 documenti finanziari, generando circa 84.000 punti dati estratti con una precisione dichiarata del 99,78 %. I risultati sono stati confrontati con grandi modelli IA, Azure Document Intelligence e lo strumento di estrazione interno del cliente, mostrando superiorità di Unsiloed AI.

Primi clienti e casi d’uso

Mishra ha confermato collaborazioni con clienti nei settori finanziario, legale e sanitario. Una banca, non identificata, utilizza la piattaforma per l’elaborazione di documenti interni, mentre una firma legale ha implementato la soluzione on‑premise per contratti e archivi di cause. Il startup di Voice‑AI Bolna AI impiega Unsiloed AI per alimentare le proprie knowledge base, creando agenti conversazionali più informati.

Queste prime adozioni dimostrano la flessibilità della tecnologia, capace di operare sia in ambienti cloud che in infrastrutture isolate, requisito cruciale per settori altamente regolamentati.

Strategia di crescita e sfide future

Con solo sette dipendenti attuali, Unsiloed AI intende utilizzare i 7,5 milioni di dollari per scalare il team di ricerca e ingegneria, ampliare le attività di vendita e costruire dataset proprietari. La sfida principale consiste nel tradurre i risultati di accuratezza iniziali in una più ampia adozione aziendale, confrontandosi con fornitori più grandi e specializzati.

Il modello di prezzo basato su un centesimo per pagina, unito a un’architettura che concentra le risorse computazionali sulle parti più complesse del documento, dovrebbe favorire la competitività sui costi. Tuttavia, la necessità di dimostrare la robustezza della tecnologia in scenari reali e di ottenere verifiche indipendenti rimane cruciale per guadagnare la fiducia dei grandi clienti.

Prospettive di mercato

Il mercato globale dei servizi di document parsing e data extraction è stimato in oltre 5 miliardi di dollari entro il 2030, con una crescita trainata dalla digitalizzazione dei processi aziendali e dall’adozione di LLM per l’automazione. Unsiloed AI, con la sua attenzione alla precisione, alla sicurezza dei dati e a un modello di prezzo trasparente, è posizionata per catturare una quota significativa, soprattutto tra le imprese che richiedono soluzioni on‑premise o in ambienti isolati.

In sintesi, la seed round di 7,5 milioni di dollari fornisce a Unsiloed AI le risorse necessarie per affrontare le prossime fasi di sviluppo prodotto, espansione commerciale e consolidamento della credibilità tecnica, elementi chiave per emergere in un mercato dominato da grandi player e start‑up specializzate.