Unsiloed lève $7,5 millions pour la lecture de PDF par les agents IA : 99,78% de valeurs exactes dans son test
En lisant un rapport PDF, un agent peut confondre les colonnes d'un tableau, et la banque obtient alors une conclusion erronée. La startup Unsiloed a levé $7,5 millions en seed, un tour mené par Felicis. Elle transforme ces fichiers en données, chacune liée à son emplacement dans le document d'origine. Dans son propre test sur 542 documents financiers, elle a extrait correctement 99,78% des ~84 mille valeurs, mais aucune vérification externe n'existe. Testez le parseur sur vos propres fichiers.
Traité par IA depuis TechCrunch ; édité par Hamidun News
Le problème est simple : les entreprises veulent confier du travail à des agents IA, mais leurs connaissances ne se trouvent pas dans une base de données bien rangée. Elles sont enfermées dans des PDF : contrats, rapports financiers, dossiers médicaux, scans de vieux dossiers. Imaginez qu'un agent lise un rapport annuel et, à cause d'une mise en page complexe, prenne le chiffre de 2024 au lieu de celui de 2025.
Il livre ensuite avec assurance une conclusion fausse sur un crédit ou un contrat. C'est cette faille que cible la startup Unsiloed AI : elle a levé $7,5 millions en seed (le premier gros tour de financement en capital-risque), mené par Felicis. Le chiffre clé du titre, 99,78%, correspond à la part de valeurs extraites correctement parmi environ 84 mille champs, dans un test sur 542 documents financiers.
Ce test a été réalisé par l'entreprise elle-même, et aucune vérification indépendante n'existe pour l'instant.
Ce que fait concrètement Unsiloed
Le produit fonctionne comme une couche entre le document et l'agent. Il analyse le fichier, extrait les données des tableaux, des graphiques et d'autres éléments, puis les convertit sous une forme structurée que l'agent peut exploiter. Un détail important : pour chaque valeur, on voit de quel endroit du document d'origine elle provient. Une personne peut ainsi vérifier rapidement le résultat plutôt que de croire le modèle sur parole.
Y Combinator, Orange Collective, Uncorrelated Ventures et les business angels Aarti Ramamurthy et Beth Turner ont également participé au tour. Le fondateur et CEO Aman Mishra justifie le produit ainsi : les LLM sont probabilistes par nature, leurs réponses comportent toujours une part d'écart et d'hallucinations, et cela pèse fortement sur le résultat en bout de chaîne. Il a fondé l'entreprise avec Adnan Abbas, camarade de promotion à l'IIT Kharagpur, en Inde. L'équipe a suivi le programme d'automne 2025 de Y Combinator et compte aujourd'hui sept personnes.
Comment ça marche en interne
L'entreprise qualifie son architecture de « double flux » (dual-stream). C'est comme si un employé lisait le texte de la page pendant qu'un autre la regardait comme une image, puis que les deux comparent leurs notes. Un flux traite les tokens de texte, l'autre les tokens d'image.
Seconde idée : le « chunking par carte de chaleur ». Le système repère les zones les plus importantes de la page et consacre davantage de calcul aux images, aux nombres et aux graphiques, au lieu de traiter tout le document de la même façon. Selon Mishra, cela réduit aussi les coûts.
L'architecture comprend également un décodeur spécialisé, qui tient compte de la terminologie sectorielle et aide à distinguer des mots dont le sens varie d'un domaine à l'autre.
Le tarif démarre à un cent par page. Parmi les clients figurent une banque, un cabinet d'avocats (qui a déployé le système sur ses propres serveurs pour des contrats et de vieux dossiers) et la startup vocale Bolna AI, qui charge via Unsiloed les bases de connaissances de ses agents vocaux. Mishra n'a pas nommé la banque ni le cabinet.
Les chiffres et leurs réserves
Il y a deux résultats. Premier résultat : sur 542 documents financiers d'un client d'entreprise, Unsiloed a affiché une précision de 99,78% sur environ 84 mille valeurs extraites. Il a été comparé à de grands modèles d'IA, à Azure Document Intelligence de Microsoft et à l'outil interne du client. Second résultat : sur le benchmark public olmOCR-Bench d'Allen AI (1 403 pages PDF avec tableaux, formules, scans et mises en page complexes), la startup a obtenu 88,0 points, le système agentique de Reducto 66,0 et Unstructured 39,9. Ces mesures ont, elles aussi, été réalisées par Unsiloed elle-même.
Le marché est pourtant saturé : on y trouve Reducto et Unstructured, les offres de Microsoft et d'Amazon, et de nombreuses entreprises envoient simplement leurs PDF à un modèle généraliste.
Que faire en pratique
Le tour de table est modeste, mais le signal est clair : la qualité de l'analyse des documents devient une couche à part entière dans la pile des agents, et des clients sont prêts à la payer. Si vous construisez un système RAG ou un agent pour une banque, des juristes ou le secteur médical, ne prenez pas les pourcentages des autres pour argent comptant. Rassemblez 100 à 200 de vos fichiers, avec les tableaux et les scans les plus retors, annotez les valeurs de référence et comparez plusieurs parseurs.
Regardez non seulement la précision, mais aussi la possibilité de vérifier la source de chaque chiffre, ainsi que l'option d'installation sur vos propres serveurs si les données ne peuvent pas partir dans le cloud.
Unsiloed dépensera cet argent pour recruter des chercheurs et des ingénieurs, étendre ses ventes et constituer ses propres jeux de données. Dans un an, on saura si une équipe de sept personnes parvient à conserver son avantage face à des géants et à leurs clouds.
- 20 nov. 2026Microsoft et Salesforce intègrent le CRM dans Copilot : 38+ compétences prêtes à l'emploi pour les commerciaux
- 20 nov. 2026Microsoft chiffre en dollars le travail des agents IA sur plus de 6000 types de tâches, mais ce n'est qu'une estimation
- 20 nov. 2026Vague de pannes aux États-Unis : les autorités ne voient pas d'attaque, les experts accusent la course aux correctifs après les failles trouvées par l'IA
- 20 nov. 2026Anthropic lève 81,3 milliards de dollars en Bourse et bat le record de SpaceX (75 milliards)
Questions clés sur cet article
Que sait-on sur Ce que fait concrètement Unsiloed ?
Le produit fonctionne comme une couche entre le document et l'agent. Il analyse le fichier, extrait les données des tableaux, des graphiques et d'autres éléments, puis les convertit sous une forme structurée que l'agent peut exploiter. Un détail important : pour chaque valeur, on voit de quel endroit du document d'origine elle provient. Une personne peut ainsi vérifier rapidement le résultat plutôt que de croire le modèle sur parole.
Comment ça marche en interne?
L'entreprise qualifie son architecture de « double flux » (dual-stream). C'est comme si un employé lisait le texte de la page pendant qu'un autre la regardait comme une image, puis que les deux comparent leurs notes. Un flux traite les tokens de texte, l'autre les tokens d'image. Seconde idée : le « chunking par carte de chaleur ».
Que sait-on sur Les chiffres et leurs réserves ?
Il y a deux résultats. Premier résultat : sur 542 documents financiers d'un client d'entreprise, Unsiloed a affiché une précision de 99,78% sur environ 84 mille valeurs extraites. Il a été comparé à de grands modèles d'IA, à Azure Document Intelligence de Microsoft et à l'outil interne du client.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.