По мере того как компании внедряют AI-агентов для автоматизации процессов, они сталкиваются с одной и той же проблемой: информация, которая находится в сложных документах с таблицами, графиками и нестандартной вёрсткой, остаётся для этих агентов практически недоступной. Unsiloed, стартап из Сан-Франциско, привлёк $7,5 млн в seed-раунде под руководством Felicis, чтобы сделать корпоративные документы полезными для AI.

Классическая проблема: LLM-модели работают вероятностно и неизбежно допускают ошибки и галлюцинации при работе со сложной структурированной информацией. Для банка, больницы или юридической фирмы это может привести к дорогостоящим ошибкам. Unsiloed предлагает специализированное ПО, которое разбирает документы на элементы, извлекает данные из таблиц и графиков, превращая их в структурированные данные, которые AI-агенты могут использовать без путаницы. При этом система показывает, откуда в исходном документе взялась каждая данная — так команда может проверить результаты вместо того, чтобы слепо верить выходу модели.

Технология компании строится на так называемых dual-stream vision-моделях, которые обрабатывают текстовые и графические данные отдельно, плюс специальный подход к «heat map-based chunking» — определение наиболее важных частей документа. Больше вычислительных ресурсов направляется на обработку именно тех элементов, где ошибка дорога: числа, таблицы, схемы. Система также учитывает специфическую терминологию разных индустрий, так что одно слово в финансовом документе и в юридическом договоре будет разобрано по-разному.

Пока что это звучит как инженерная доработка существующего подхода, а не революция. На публичном бенчмарке olmOCR-Bench компания показывает результаты лучше чем у конкурентов (Reducto, Unstructured), но эти тесты проводила сама Unsiloed, а не независимые источники. Стартап утверждает, что добился 99.78% точности на финансовых документах, но это только на своём собственном тесте с клиентом. Рынок извлечения данных из документов уже перенаселён: есть Microsoft Azure Document Intelligence, Amazon, специализированные стартапы вроде Reducto и Unstructured, плюс просто использование GenAI-моделей на общих основаниях. Преимущество Unsiloed в узкой специализации и возможно более дешёвой переработке за счёт того, что она не тратит ресурсы на весь документ равномерно.

Unsiloed основана выпускниками IIT Kharagpur Аманом Мишра и Аднаном Аббасом, попала в Y Combinator в осеннем наборе 2025 года и уже работает с клиентами в финансах, праве и здравоохранении. Названный в открытую клиент — стартап Bolna AI, который использует технологию Unsiloed для создания voice-агентов. Команда сейчас состоит из семи человек; деньги пойдут на найм инженеров-исследователей, развитие продаж и создание собственных датасетов.

В России подобная проблема стоит остро для компаний, которые работают с большими объёмами унаследованной документации в бумажном или отсканированном виде: финансовые организации, юридические фирмы, госуслуги. Локальный подход к обработке документов — возможность развернуть технологию на собственных серверах без отправки данных в облако — может быть критичен для организаций с чувствительными данными. Решения такого типа интересны как стартапам в области автоматизации (для интеграции в AI-платформы), так и корпорациям, которые строят собственные AI-системы для обработки внутренней документации.

Алексей Мартыненко

Алексей Мартыненко

Главный редактор SPV News

Это типичный пример стартапа, который закрывает реальную проблему в узкой нише, а не переоценённого решения. Проблема действительно существует: AI-модели плохо работают со сложной структурой документов, и для корпораций, которые опираются на это — банки, страховки, юридические фирмы — стоимость ошибки высока. Но это не значит, что Unsiloed монополизирует рынок. В условиях, где Microsoft и Amazon уже предлагают свои инструменты, а большие LLM-модели улучшаются сами по себе, главный вопрос не в том, сработает ли идея, а в том, останется ли для узкопрофильного игрока место, когда генералисты наконец сделают то же самое хорошо. Для инвестора это ставка на скорость: выстроить клиентскую базу и стать незаменимой до того, как конкуренция скопирует подход.