Unsiloed levanta US$ 7,5 milhões para ler PDFs para agentes de IA: 99,78% de valores corretos em teste
Ao ler um relatório em PDF, um agente pode confundir as colunas de uma tabela, e o banco acaba com uma conclusão errada. A startup Unsiloed levantou US$ 7,5 milhões em uma rodada seed liderada pela Felicis e transforma esses arquivos em dados, com link para o ponto exato do original. Em teste próprio com 542 documentos financeiros, extraiu corretamente 99,78% de ~84 mil valores, mas não há verificação externa. Rode o parser nos seus próprios arquivos.
Processado por IA de TechCrunch; editado por Hamidun News
O problema é simples: as empresas querem confiar trabalho a agentes de IA, mas o conhecimento delas não está em um banco de dados organizado, e sim em PDFs: contratos, relatórios financeiros, prontuários, digitalizações de processos antigos. Imagine que um agente lê um relatório anual e, por causa de um layout complicado, pega o número de 2024 em vez do de 2025. Em seguida, ele apresenta com toda a confiança uma conclusão errada sobre um crédito ou um contrato.
É essa brecha que a startup Unsiloed AI quer fechar: ela levantou US$ 7,5 milhões em uma rodada seed (a primeira rodada relevante de venture capital), liderada pela Felicis. O número do título, 99,78%, é a parcela de valores extraídos corretamente de cerca de 84 mil campos, em um teste com 542 documentos financeiros. O teste foi feito pela própria empresa, e ainda não há verificação independente.
O que exatamente a Unsiloed faz
O produto funciona como uma camada entre o documento e o agente. Ele analisa o arquivo, extrai dados de tabelas, gráficos e outros elementos e os converte em um formato estruturado, com o qual o agente pode trabalhar a partir daí. Um detalhe importante: para cada valor, é possível ver de que ponto do original ele veio. Assim, uma pessoa pode conferir o resultado rapidamente, em vez de acreditar na palavra do modelo.
Também participaram da rodada a Y Combinator, a Orange Collective, a Uncorrelated Ventures e os investidores-anjo Aarti Ramamurti e Beth Turner. O fundador e CEO Aman Mishra explica a necessidade do produto assim: os LLMs são probabilísticos por natureza, suas respostas sempre terão algum desvio e uma parcela de alucinações, e isso pesa muito no resultado ao longo do restante da cadeia. Ele fundou a empresa com Adnan Abbas, colega de turma no IIT Kharagpur, na Índia. A equipe passou pelo programa de outono de 2025 da Y Combinator e hoje tem sete pessoas.
Como funciona por dentro
A empresa chama sua arquitetura de "dual-stream" (dois fluxos). É como se um funcionário lesse o texto da página e outro olhasse para ela como uma imagem, e depois os dois comparassem suas anotações. Em um fluxo passam os tokens de texto; no outro, os tokens de imagem. A segunda ideia é o "chunking por mapa de calor": o sistema identifica as áreas mais importantes da página e gasta mais computação em figuras, números e gráficos, em vez de processar o documento inteiro de maneira uniforme. Segundo Mishra, isso também reduz custos. Há ainda um decodificador especial, que leva em conta a terminologia de cada setor e ajuda a distinguir palavras que significam coisas diferentes em áreas diferentes.
O preço começa em um centavo por página. Entre os clientes estão um banco, um escritório de advocacia (que implantou o sistema nos próprios servidores, para contratos e processos antigos) e a startup de voz Bolna AI, que carrega bases de conhecimento para seus agentes de voz por meio da Unsiloed. Mishra não revelou os nomes do banco e do escritório.
Os números e suas ressalvas
São dois resultados. O primeiro: em 542 documentos financeiros de um cliente corporativo, a Unsiloed atingiu precisão de 99,78% em cerca de 84 mil valores extraídos. A comparação foi feita com grandes modelos de IA, com o Azure Document Intelligence, da Microsoft, e com a ferramenta interna do próprio cliente. O segundo: no benchmark público olmOCR-Bench, da Allen AI (1 403 páginas de PDF com tabelas, fórmulas, digitalizações e layouts complexos), a startup marcou 88,0 pontos, o sistema agêntico da Reducto marcou 66,0 e a Unstructured, 39,9. Essas medições também foram feitas pela própria Unsiloed.
O mercado, aliás, está lotado: há a Reducto e a Unstructured, as ofertas da Microsoft e da Amazon, e muitas empresas simplesmente enviam o PDF a um modelo de uso geral.
O que fazer na prática
A rodada é modesta, mas o sinal é claro: a qualidade da análise de documentos está virando uma camada própria na stack de agentes, e há quem esteja disposto a pagar por ela. Se você está construindo um RAG ou um agente para bancos, escritórios de advocacia ou saúde, não aceite porcentagens alheias de olhos fechados. Reúna de 100 a 200 arquivos seus, com as tabelas e digitalizações mais problemáticas, marque os valores de referência e compare vários parsers. Olhe não só a precisão, mas também a possibilidade de verificar a origem de cada número e a opção de instalar na sua infraestrutura, caso os dados não possam ir para a nuvem.
A Unsiloed vai usar o dinheiro para contratar pesquisadores e engenheiros, ampliar as vendas e criar datasets próprios. Em um ano, ficará claro se uma equipe de sete pessoas consegue manter a vantagem diante de gigantes com suas nuvens.
- 20 de nov. de 2026Microsoft e Salesforce integram CRM ao Copilot: mais de 38 habilidades prontas para vendedores
- 20 de nov. de 2026A Microsoft calcula em dólares o trabalho de agentes de IA em mais de 6000 tipos de tarefas, mas é só uma estimativa
- 20 de nov. de 2026Onda de falhas nos EUA: governo não vê ataque, e especialistas culpam a pressa com patches após descobertas feitas por IA
- 20 de nov. de 2026Anthropic levanta US$ 81,3 bilhões no IPO e supera o recorde de US$ 75 bilhões da SpaceX
Perguntas frequentes sobre a notícia
O que exatamente a Unsiloed faz?
O produto funciona como uma camada entre o documento e o agente. Ele analisa o arquivo, extrai dados de tabelas, gráficos e outros elementos e os converte em um formato estruturado, com o qual o agente pode trabalhar a partir daí. Um detalhe importante: para cada valor, é possível ver de que ponto do original ele veio. Assim, uma pessoa pode conferir o resultado rapidamente, em vez de acreditar na palavra do modelo.
Como funciona por dentro?
A empresa chama sua arquitetura de "dual-stream" (dois fluxos). É como se um funcionário lesse o texto da página e outro olhasse para ela como uma imagem, e depois os dois comparassem suas anotações. Em um fluxo passam os tokens de texto; no outro, os tokens de imagem. A segunda ideia é o "chunking por mapa de calor": o sistema identifica as áreas mais importantes da página e gasta mais computação em figuras, números e gráficos, em vez de processar o documento inteiro de maneira uniforme.
O que se sabe sobre Os números e suas ressalvas?
São dois resultados. O primeiro: em 542 documentos financeiros de um cliente corporativo, a Unsiloed atingiu precisão de 99,78% em cerca de 84 mil valores extraídos. A comparação foi feita com grandes modelos de IA, com o Azure Document Intelligence, da Microsoft, e com a ferramenta interna do próprio 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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.