Unsiloed AI Lève 7,5 Millions Grâce À Felicis
Les agents d’intelligence artificielle se multiplient dans les entreprises. Pourtant, une grande partie de l’information critique reste prisonnière de documents PDF, contrats scannés, bilans financiers ou dossiers médicaux difficiles à interpréter. C’est précisément ce verrou que la jeune pousse californienne Unsiloed AI vient de s’attaquer avec un tour de table de 7,5 millions de dollars mené par Felicis.
Une levée de fonds pour libérer les documents d’entreprise
Le tour de seed, annonce faite début novembre 2026, a été conduit par le fonds Silicon Valley Felicis. Y Combinator, Orange Collective et Uncorrelated Ventures ont également participé, tout comme les business angels Aarthi Ramamurthy et Beth Turner. La société, basée à San Francisco, compte aujourd’hui sept personnes et prévoit d’utiliser les fonds pour recruter des chercheurs et des ingénieurs, renforcer ses équipes commerciales et construire des jeux de données propriétaires.
Derrière ce financement se cache un problème bien concret. Les modèles de langage généraux restent probabilistes. Ils peuvent inventer une donnée, confondre une colonne de tableau ou mal lire un graphique. Dans une banque, un cabinet d’avocats ou un hôpital, une telle erreur n’est pas anodine. Unsiloed AI se positionne donc comme une couche spécialisée capable de transformer des documents complexes en données structurées, traçables et prêtes à être consommées par des agents autonomes.
Le défi des documents complexes pour les agents IA
Les entreprises n’utilisent plus seulement des chatbots. Elles déploient des agents capables d’agir, de remplir des formulaires, de vérifier des dossiers ou de préparer des analyses. Pour fonctionner correctement, ces agents ont besoin d’informations fiables. Or les documents métier contiennent souvent des tableaux imbriqués, des graphiques, des annotations manuscrites ou des mises en page très denses. Les solutions généralistes peinent à en extraire le sens avec une fiabilité suffisante.
Aman Mishra, co-fondateur et CEO d’Unsiloed AI, le résume sans détour :
Le problème avec les LLM, c’est qu’ils sont intrinsèquement probabilistes. Il y aura toujours une déviation, une hallucination, et cela a un impact négatif massif en aval.
– Aman Mishra, co-fondateur et CEO d’Unsiloed AI
La solution proposée par la startup ne se contente pas d’envoyer le document à un grand modèle de langage. Elle combine plusieurs techniques avancées pour maximiser la précision tout en gardant une traçabilité totale.
La technologie dual-stream et le chunking par carte de chaleur
Le cœur de la plateforme repose sur ce que l’équipe appelle des modèles de vision dual-stream. Un flux traite les tokens de texte, l’autre les tokens d’image. Cette séparation permet de conserver la précision visuelle tout en exploitant la compréhension sémantique du langage. À cela s’ajoute une technique de découpage basée sur des cartes de chaleur qui identifie les zones les plus importantes d’un document : chiffres, tableaux, graphiques ou sections critiques.
Le système alloue ensuite plus de puissance de calcul aux parties sensibles plutôt que de traiter chaque page de manière uniforme. Un décodeur spécialisé, entraîné sur le vocabulaire métier, aide à distinguer les termes qui changent de sens selon le contexte (finance, juridique ou santé). Le résultat n’est pas seulement un extrait de texte, mais une structure de données claire avec un lien vers l’emplacement exact dans le document original.
Cette traçabilité est essentielle. Les entreprises peuvent vérifier chaque information extraite plutôt que de faire aveuglément confiance à la machine. C’est un point différenciant dans un marché où la confiance devient aussi importante que la performance brute.
Des résultats qui impressionnent sur le papier
Lors d’un test interne mené sur 542 documents financiers fournis par un client, Unsiloed AI aurait atteint 99,78 % de précision sur environ 84 000 points de données. La comparaison incluait des modèles généralistes, Azure Document Intelligence de Microsoft et l’outil interne du client. Ces chiffres n’ont pas été vérifiés de manière indépendante, mais ils illustrent l’ambition de la startup.
Sur le benchmark public olmOCR-Bench développé par Allen AI, qui couvre 1 403 pages de PDF contenant tableaux, expressions mathématiques, documents scannés et mises en page complexes, Unsiloed AI revendique un score de 88,0. À titre de comparaison, le système agentique de Reducto obtiendrait 66,0 et Unstructured 39,9. Là encore, les tests ont été réalisés par la startup elle-même.
Le positionnement tarifaire démarre à un centime par page. L’architecture dual-stream et le focus sélectif des ressources de calcul permettent, selon les fondateurs, de maintenir des coûts maîtrisés même sur des volumes importants.
Des clients déjà en production dans des secteurs sensibles
La société travaille déjà avec des acteurs de la finance, du juridique et de la santé. Un établissement bancaire utilise la plateforme pour traiter des flux documentaires. Un cabinet d’avocats l’a déployée en interne sur ses propres serveurs pour gérer contrats et archives. Unsiloed AI a également cité Bolna AI, une startup spécialisée dans la voix, qui s’appuie sur la technologie pour ingérer des bases de connaissances destinées à ses agents conversationnels.
Ces premiers déploiements montrent que le besoin est réel. Les entreprises qui manipulent des documents critiques ne peuvent plus se contenter d’outils approximatifs. Elles recherchent de la précision, de l’auditabilité et la possibilité de garder le contrôle sur leurs données, parfois en hébergeant la solution en local.
Un marché déjà concurrentiel mais encore ouvert
Unsiloed AI n’est pas seule. Reducto, Unstructured, ainsi que les offres d’Amazon et de Microsoft, se positionnent également sur le traitement intelligent de documents. Les grands modèles de langage généralistes sont aussi utilisés pour de l’extraction. La différenciation se joue donc sur la précision, la gestion des cas complexes, le coût et la capacité à fournir des résultats traçables.
Les fondateurs, Aman Mishra et Adnan Abbas, se sont rencontrés à l’Indian Institute of Technology de Kharagpur. Après avoir peaufiné leur technologie, ils ont rejoint la promotion Fall 2025 de Y Combinator. Leur parcours illustre une tendance forte : les startups qui réussissent dans l’IA appliquée sont souvent celles qui s’attaquent à un problème métier précis plutôt qu’à une promesse trop large.
Pourquoi cette technologie compte vraiment
L’arrivée des agents autonomes change la donne. Ces systèmes ne se contentent plus de répondre à des questions. Ils planifient, exécutent et enchaînent des actions. Si la matière première qu’ils consomment contient des erreurs, les conséquences s’amplifient. Une mauvaise extraction de montant dans un contrat, une date mal lue dans un dossier médical ou une clause juridique déformée peuvent générer des coûts ou des risques juridiques importants.
En proposant une couche d’extraction spécialisée, Unsiloed AI s’inscrit dans une logique d’infrastructure. Les entreprises n’ont pas nécessairement besoin de reconstruire leurs agents. Elles ont besoin d’une source de données fiable et structurée pour les alimenter. C’est ce créneau que la startup vise.
Les prochaines étapes seront déterminantes. Avec seulement sept personnes aujourd’hui, le défi consiste à scaler l’équipe tout en maintenant la qualité technique. Le recrutement de chercheurs et d’ingénieurs, la construction de jeux de données propriétaires et le renforcement de l’effort commercial devraient occuper l’essentiel de l’année à venir.
Ce que cette levée révèle sur le marché de l’IA d’entreprise
Le financement d’Unsiloed AI s’inscrit dans une vague plus large. Les investisseurs continuent de soutenir les solutions qui rendent l’intelligence artificielle réellement utilisable dans des contextes professionnels exigeants. Après l’engouement pour les modèles fondateurs, le focus se déplace vers les couches intermédiaires qui résolvent des problèmes concrets de données, de précision et d’intégration.
Les documents restent l’un des derniers grands silos d’information non structurée. Tant que les agents IA ne peuvent pas les lire avec fiabilité, leur déploiement à grande échelle restera limité. Des startups comme Unsiloed AI tentent de combler ce fossé. Leur succès ou leur échec dira beaucoup de la maturité réelle de l’IA appliquée aux processus métier.
En attendant, la promesse est claire : transformer des PDF complexes, des tableaux denses et des graphiques en données propres, vérifiables et prêtes à être utilisées par des machines. Si la technologie tient ses engagements de précision, elle pourrait devenir un élément discret mais essentiel de l’infrastructure d’agents d’entreprise de demain.
Le marché reste ouvert. La concurrence est réelle. Mais pour les entreprises qui manipulent des volumes importants de documents critiques, la capacité à extraire l’information avec un taux d’erreur extrêmement faible devient un avantage compétitif. Unsiloed AI mise sur cette exigence pour se faire une place. Les prochains mois diront si sa technologie dual-stream et son approche focalisée sur les zones critiques suffiront à convaincre au-delà des premiers clients early adopters.