Unsiloed capta $7,5 millones para que los agentes de IA lean PDF: 99,78% de valores correctos en su prueba
Un agente que lee un informe en PDF puede confundir las columnas de una tabla, y el banco recibirá una conclusión errónea. La startup Unsiloed ha captado $7,5 millones en una ronda seed liderada por Felicis y convierte esos archivos en datos con referencia al lugar exacto del original. En su propia prueba con 542 documentos financieros extrajo correctamente el 99,78% de unos ~84 mil valores, pero no hay verificación externa. Pruebe el parser con sus propios archivos.
Procesado por IA desde TechCrunch; editado por Hamidun News
El problema es sencillo: las empresas quieren confiar trabajo a agentes de IA, pero su conocimiento no está en una base de datos ordenada, sino en PDF: contratos, informes financieros, historiales médicos, escaneos de casos antiguos. Imagine que un agente lee un informe anual y, por una maquetación compleja, toma la cifra de 2024 en lugar de la de 2025. Después emite con total seguridad una conclusión errónea sobre un crédito o un contrato.
Ese hueco es el que quiere cerrar la startup Unsiloed AI, que ha captado $7,5 millones en una ronda seed (la primera ronda importante de capital riesgo) liderada por Felicis. La cifra principal del titular, 99,78%, es la proporción de valores extraídos correctamente de unos 84 mil campos en una prueba con 542 documentos financieros. La prueba la realizó la propia compañía y todavía no hay verificación independiente.
Qué hace exactamente Unsiloed
El producto funciona como una capa entre el documento y el agente. Analiza el archivo, extrae datos de tablas, gráficos y otros elementos, y los convierte en un formato estructurado con el que el agente puede trabajar a continuación. Un detalle importante: de cada valor se puede ver de qué parte del original procede. Una persona puede comprobar el resultado con rapidez, en lugar de creerse la respuesta del modelo sin más.
En la ronda también participaron Y Combinator, Orange Collective, Uncorrelated Ventures y los business angels Aarti Ramamurti y Beth Turner. El fundador y CEO, Aman Mishra, explica así la necesidad del producto: los LLM son probabilísticos por naturaleza, siempre habrá desviaciones y un porcentaje de alucinaciones en sus respuestas, y eso afecta mucho al resultado final a lo largo de la cadena. Fundó la empresa junto con Adnan Abbas, compañero de estudios en el IIT Kharagpur, en la India. El equipo pasó por el programa de otoño de 2025 de Y Combinator y hoy son siete personas.
Cómo funciona por dentro
La compañía llama a su esquema «de doble flujo» (dual-stream). Es como si un empleado leyera el texto de la página y otro la mirara como una imagen, y luego cotejaran sus anotaciones. Por un flujo circulan los tokens de texto y por el otro, los tokens de imagen.
La segunda idea es el «chunking por mapa de calor»: el sistema localiza las zonas más importantes de la página y dedica más cómputo a las figuras, los números y los gráficos, en lugar de procesar todo el documento por igual. Según Mishra, esto además reduce costes. También hay un decodificador especial que tiene en cuenta la terminología sectorial y ayuda a distinguir palabras que significan cosas distintas en ámbitos diferentes.
El precio parte de un centavo por página. Entre los clientes hay un banco, un despacho de abogados (que desplegó el sistema en sus propios servidores para contratos y casos antiguos) y la startup de voz Bolna AI, que carga con Unsiloed las bases de conocimiento de sus agentes de voz. Mishra no ha revelado el nombre del banco ni del despacho.
Las cifras y sus salvedades
Hay dos resultados. El primero: en 542 documentos financieros de un cliente corporativo, Unsiloed alcanzó una precisión del 99,78% sobre unos 84 mil valores extraídos. Se comparó con grandes modelos de IA, con Azure Document Intelligence de Microsoft y con la herramienta interna del propio cliente. El segundo: en el benchmark público olmOCR-Bench de Allen AI (1 403 páginas de PDF con tablas, fórmulas, escaneos y maquetación compleja), la startup obtuvo 88,0 puntos, el sistema agéntico de Reducto obtuvo 66,0 y Unstructured, 39,9. Estas mediciones también las realizó la propia Unsiloed.
Además, el mercado está saturado: existen Reducto y Unstructured, ofertas de Microsoft y Amazon, y muchas empresas simplemente envían el PDF a un modelo de propósito general.
Qué hacer en la práctica
La ronda es modesta, pero la señal es clara: la calidad del análisis de documentos se está convirtiendo en una capa independiente del stack de agentes, y hay quien está dispuesto a pagar por ella. Si construye un sistema RAG o un agente para banca, abogados o medicina, no dé por buenos los porcentajes ajenos. Reúna entre 100 y 200 archivos propios con las tablas y los escaneos más complicados, marque los valores de referencia y compare varios parsers. Fíjese no solo en la precisión, sino también en la posibilidad de verificar la fuente de cada cifra y en la opción de instalarlo en su propia infraestructura si los datos no pueden salir a la nube.
Unsiloed gastará el dinero en contratar investigadores e ingenieros, ampliar las ventas y crear datasets propios. Dentro de un año se verá si un equipo de siete personas logra mantener su ventaja frente a gigantes con sus nubes.
- 20 nov 2026Microsoft y Salesforce integran el CRM en Copilot: 38+ habilidades listas para vendedores
- 20 nov 2026Microsoft calcula en dólares el trabajo de los agentes de IA en más de 6000 tipos de tareas, pero es solo una estimación
- 20 nov 2026Ola de fallos en EE. UU.: las autoridades no ven un ataque y los expertos culpan la prisa por los parches tras los hallazgos de la IA
- 20 nov 2026Anthropic recauda $81,3 mil millones en su IPO y supera el récord de SpaceX, de $75 mil millones
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hace exactamente Unsiloed?
El producto funciona como una capa entre el documento y el agente. Analiza el archivo, extrae datos de tablas, gráficos y otros elementos, y los convierte en un formato estructurado con el que el agente puede trabajar a continuación. Un detalle importante: de cada valor se puede ver de qué parte del original procede. Una persona puede comprobar el resultado con rapidez, en lugar de creerse la respuesta del modelo sin más.
Cómo funciona por dentro?
La compañía llama a su esquema «de doble flujo» (dual-stream). Es como si un empleado leyera el texto de la página y otro la mirara como una imagen, y luego cotejaran sus anotaciones. Por un flujo circulan los tokens de texto y por el otro, los tokens de imagen. La segunda idea es el «chunking por mapa de calor»: el sistema localiza las zonas más importantes de la página y dedica más cómputo a las figuras, los números y los gráficos, en lugar de procesar todo el documento por igual.
¿Qué se sabe sobre Las cifras y sus salvedades?
Hay dos resultados. El primero: en 542 documentos financieros de un cliente corporativo, Unsiloed alcanzó una precisión del 99,78% sobre unos 84 mil valores extraídos. Se comparó con grandes modelos de IA, con Azure Document Intelligence de Microsoft y con la herramienta interna del propio cliente.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.