La startup Unsiloed AI a bouclé un tour de table de 7,5 millions de dollars, mené par le fonds Felicis, pour répondre au défi de l'exploitation des documents complexes par les agents d'intelligence artificielle. Cette levée de fonds vise à accélérer le développement d'une technologie capable de convertir des fichiers denses — incluant tableaux et graphiques — en données structurées, limitant ainsi les risques d'erreurs et d'hallucinations des modèles de langage.
Une réponse technique aux limites des modèles probabilistes
Le cœur de la solution repose sur une architecture dite « dual-stream », qui traite séparément les flux textuels et visuels. Cette approche permet une analyse plus fine des documents, en concentrant la puissance de calcul sur les éléments critiques tels que les chiffres et les tableaux. En intégrant une technique de « heat map-based chunking », le système identifie les zones à forte valeur ajoutée, tout en offrant une traçabilité des sources. Cette transparence est essentielle pour les secteurs sensibles comme la banque, le droit ou la santé, où une interprétation erronée peut entraîner des conséquences opérationnelles majeures.
Performance et positionnement sur un marché concurrentiel
Dans un secteur déjà occupé par des acteurs comme Microsoft, Amazon ou des startups spécialisées telles que Reducto et Unstructured, Unsiloed mise sur une précision accrue. Selon des tests internes réalisés sur 542 documents financiers, la solution a atteint un taux de précision de 99,78 % sur 84 000 points de données. La startup revendique également une supériorité sur le benchmark public olmOCR-Bench, avec un score de 88,0. Ce positionnement technique s'accompagne d'un modèle économique compétitif, avec une tarification débutant à un centime par page, optimisée par une allocation intelligente des ressources de calcul.
Stratégie de croissance et déploiement sectoriel
Déjà opérationnelle auprès de clients dans le droit, la finance et la technologie, comme la startup Bolna AI, l'entreprise compte sept collaborateurs. Les fonds récoltés auprès de Felicis, Y Combinator, Orange Collective et Uncorrelated Ventures serviront prioritairement à renforcer les équipes de recherche et d'ingénierie. L'objectif est double : intensifier les efforts commerciaux pour conquérir de nouveaux segments de marché et constituer des jeux de données propriétaires pour affiner en continu la précision de ses modèles face à la complexité croissante des documents d'entreprise.