Las mejores alternativas a Azure Document Intelligence en 2026 son anyformat, Reducto, LlamaParse, Mistral OCR, ABBYY, Nanonets y Unstructured, con Google Document AI y AWS Textract como las opciones cloud equivalentes. Los equipos dejan Azure por cuatro motivos: los campos personalizados necesitan conjuntos de datos etiquetados y reentrenamiento cada vez que cambia el esquema, la opción de contenedores solo cubre parte del servicio, las regiones de la UE siguen bajo jurisdicción estadounidense, y la capa de operaciones alrededor de la extracción (clasificación, validación, revisión humana, monitorización de la precisión) queda en manos de tus ingenieros.
Comparativa de un vistazo
| Herramienta | Ideal para | Campos personalizados sin entrenamiento | Self-hosted / air-gapped | Dónde se procesan tus datos | Modelo de precios (lista, fecha comprobada) |
|---|---|---|---|---|---|
| anyformat | Esquemas propios sobre documentos difíciles, con precisión que puedes medir | Sí, zero-shot a partir de un esquema | Sí, incluso air-gapped, verificado en producción | Nativa de la UE; opción de residencia en la UE; sin retención en todos los planes | Créditos por página y por operador; Free 50.000 créditos, Business 499 €/mes |
| Reducto | Equipos de ingeniería que quieren el motor de parsing más potente | Sí, vía esquemas por API | Sí (VPC, on-prem) | Empresa de EE. UU.; ZDR desde Growth | Parse r-1 a tarifa plana de 10 $/1.000 páginas, Extract 20 $/1.000 |
| LlamaParse | Convertir documentos a Markdown listo para LLM en RAG | Parcial, orientado a parsing | Self-hosted / VPC solo enterprise | API en la nube de EE. UU.; endpoint MCP en la UE | Créditos; parsing de 1,25 $ a 56,25 $ por 1.000 páginas según nivel |
| Mistral OCR | El OCR a Markdown creíble más barato a volumen | No, OCR más una capa fina de anotación | Contenedor único solo enterprise | Francia (UE); API sin estado | Tarifa plana de 4 $/1.000 páginas, 2 $ en batch |
| ABBYY | Grandes despliegues de IDP con tipos de documento estables | No (Skills + entrenamiento) | Sí (FlexiCapture) | Sede en EE. UU. | Licencia + servicios, implementación de 15.000 $–200.000 $+ |
| Nanonets | Automatización no-code para el mid-market | Parcial (anotación HITL) | Solo con contrato enterprise | Multi-tenant en EE. UU. | Por bloque ejecutado, 0,02 $–0,30 $ |
| Unstructured | Chunking para RAG, más de 71 conectores | No (arrays de elementos) | Sí (self-hosted) | EE. UU. | API + self-hosted |
| Google Document AI | Equipos nativos de GCP con formularios estándar | No, necesita entrenamiento para campos personalizados | No | Jurisdicción de EE. UU. | 1,50 $ por 1.000 páginas (0–5M), 0,60 $ por 1.000 (5M+) |
| AWS Textract | Equipos nativos de AWS que extraen formularios y tablas | No (Queries, solo inglés) | No | Jurisdicción de EE. UU. | 65 $ por 1.000 páginas por formularios y tablas, 70 $ con queries |
Comparamos cada herramienta según cinco criterios: extracción de campos personalizados sin entrenamiento, despliegue self-hosted o air-gapped, control sobre dónde se procesan los datos, modelo de precios, y las herramientas que miden la precisión en producción. Los datos proceden de la documentación de cada proveedor y de listas de precios publicadas, con la fecha en la que comprobamos cada una. Última evaluación: septiembre de 2026.
¿Quieres la versión corta? Lleva tus diez documentos más difíciles a dos herramientas cualquiera de esta tabla y compara la precisión campo a campo sobre el mismo esquema. El plan gratuito de anyformat cubre esa prueba sin tarjeta.
Lo que Azure Document Intelligence hace bien, y dónde los equipos chocan con el muro
Azure Document Intelligence es el servicio de procesamiento documental de Microsoft, renombrado desde Form Recognizer en 2023, y la opción por defecto para organizaciones que ya viven en Azure. Sus modelos preentrenados cubren facturas, recibos, documentos de identidad y formularios fiscales, y su modelo de layout maneja bien tablas multi-columna para un servicio de OCR en la nube. En el RD-TableBench público de Reducto, Azure obtuvo un 82,7% en tablas complejas, por delante de AWS Textract (80,9%) y Google Document AI (64,6%), y por detrás del propio 90,2% de Reducto.
El muro es el modelo personalizado. Un campo que ningún modelo preentrenado cubre exige etiquetar documentos en Document Intelligence Studio, cinco ejemplos etiquetados como mínimo, y después un entrenamiento; cada cambio de esquema implica volver a etiquetar. El despliegue en contenedores es genuinamente parcial, y se ha reducido: la API v4.0 GA actual solo ofrece contenedores para Read y Layout; los modelos de extracción personalizada no tienen ninguna vía de contenedor en v4.0, así que un despliegue totalmente desconectado de un esquema personalizado no es posible en la versión actual de la API. Las versiones anteriores de la API cubren más (v3.1 añade ID Document, Receipt e Invoice; v3.0 añade General Document, Business Card y Custom), pero son las versiones que están siendo sustituidas, no la que usaría una integración nueva.
El precio es por página y por tipo de modelo, de pago por uso: Read cuesta 1,50 $ por 1.000 páginas hasta 1M de páginas, 0,60 $ a partir de ahí; todos los modelos preentrenados (incluido Layout) cuestan 10 $ por 1.000 páginas; la clasificación personalizada cuesta 3 $ por 1.000; la extracción personalizada (incluida la extracción generativa personalizada) cuesta 30 $ por 1.000; un recargo de Add-On (alta resolución, fuente, fórmula) cuesta 6 $ por 1.000; los Query Fields añaden 10 $ por 1.000; el entrenamiento cuesta 3 $ por hora. El plan gratuito cubre de 0 a 500 páginas al mes. Existen niveles de compromiso para uso de alto volumen o contenedor desconectado, desde 540 $/mes por 20.000 páginas de extracción personalizada.
Si tus documentos encajan con un modelo preentrenado y toda tu infraestructura está en Azure, nada de esto te afecta. Si necesitas campos que Microsoft no anticipó, un despliegue que Microsoft no ofrece, o una respuesta a "¿qué precisión tiene esto en producción esta semana?", estás comprando una de las herramientas de abajo.
1. anyformat
Si buscas una alternativa a Azure Document Intelligence que te dé campos personalizados zero-shot sin reetiquetar en cada cambio de esquema, self-hosting o air-gapped que cubra también la extracción personalizada (no solo Read y Layout), y jurisdicción nativa de la UE en vez de una región UE gobernada por EE. UU., anyformat está construido exactamente para eso. Es una plataforma europea de inteligencia documental, y el mejor encaje cuando el motivo para dejar Azure es el bucle del modelo personalizado, las opciones de despliegue, o la capa operativa que falta. Describes los campos que quieres como un esquema y la plataforma los extrae sin muestras etiquetadas ni entrenamiento; cuando cambia el esquema, cambias el esquema. Cada valor extraído está enlazado a su posición en la página, y cada campo lleva una puntuación de confianza sobre la que puedes fijar umbrales, así que los valores de baja confianza se enrutan a una cola de revisión humana en lugar de a tu base de datos.
Dos cosas la separan de las opciones de API en bruto de esta lista. La clasificación, la división, las reglas de validación y la revisión humana se configuran en un Studio visual en lugar de ensamblarse a partir de funciones cloud y una interfaz de revisión que construye tu equipo, y cada flujo incluye herramientas de evaluación: construyes un dataset con verdad de referencia verificada, lanzas evaluaciones numeradas contra cualquier versión del flujo, y observas la precisión, la confianza y el through rate de producción junto al benchmark. La API pública rechaza borrar o sobrescribir en silencio una versión de flujo existente: cada cambio crea una versión nueva, así que siempre sabes exactamente cuál se ejecutó.
En el benchmark de parsing publicado sobre más de 1.000 documentos reales, anyformat obtiene un 78,1% de Parse Score a 25 $ por 1.000 páginas, frente al 77,9% de GPT-5.5 a 102,13 $ y el 77,9% de Gemini 3.5 Flash a 31,33 $. Tiene certificación ISO 27001:2022, procesa sin retención de datos, ofrece residencia de datos en la UE, y se despliega self-hosted o completamente air-gapped, con el stack air-gapped funcionando en producción en un cliente gubernamental. El cumplimiento normativo está incluido en todos los planes, no se vende como upgrade.
El precio se basa en créditos por página y por operador. El plan Free da 50.000 créditos sin tarjeta; Business son 499 € al mes por 500.000 créditos; Enterprise añade self-hosting, RBAC, SLAs y logs de auditoría.
Ideal para: esquemas propios sobre documentos difíciles, con precisión que puedes medir y un despliegue que controlas tú.
2. Reducto
Reducto es una plataforma documental estadounidense, fundada en 2023, que se ha convertido en la referencia de precisión en parsing: publica RD-TableBench, un benchmark abierto de extracción de tablas, y su Deep Extract quedó primero en el benchmark independiente de extracción compleja de micro1 en junio de 2026. Ha levantado 108 millones de dólares en total, la última ronda una serie B de 75 millones liderada por a16z en octubre de 2025. En septiembre de 2026 sustituyó su pipeline de varias etapas por un único modelo, r-1, facturado a tarifa plana de 10 $ por 1.000 páginas sin clasificación de complejidad; Extract cuesta 20 $ por 1.000 páginas con el parsing incluido, Deep Extract 40 $. La extracción es zero-shot y se define por esquema a través de la API. Lo que construyes tú es la capa alrededor: clasificación, enrutado, revisión y monitorización de precisión viven en tu código, no en un producto. Hay retención cero de datos disponible desde el plan Growth. El despliegue cubre nube, VPC y on-premise. Consulta la comparativa completa anyformat vs Reducto.
Ideal para: equipos de ingeniería que quieren el motor de parsing más potente y van a construir la plataforma alrededor.
3. LlamaParse
LlamaParse es la plataforma documental de LlamaIndex, construida para convertir documentos en Markdown listo para LLM en pipelines de recuperación, y ampliada en 2026 con Extract, Classify y Split sobre el mismo monedero de créditos. El parsing tiene cuatro niveles, desde Fast a 1,25 $ por 1.000 páginas hasta Agentic Plus a 56,25 $, así que la factura depende de qué nivel necesita tu mezcla de documentos; en septiembre de 2026 añadió un recargo de 10 créditos por cada página que contiene un formulario. Su nivel Agentic lidera el leaderboard ParseBench que ellos mismos publican. El hueco está en el bucle de revisión: la confianza y las citas llegan a través de una opción de expandir, y no hay interfaz de revisión humana ni de verificación en el producto (la comparativa anyformat vs LlamaParse lo repasa campo a campo). Es un conector listado en el directorio de Claude y publica un endpoint MCP europeo, la misma vía agent-native que describimos en nuestro post sobre MCP.
Ideal para: equipos que alimentan pipelines RAG con documentos y quieren Markdown primero y campos estructurados después.
4. Mistral OCR
Mistral OCR es un único modelo de API del laboratorio de IA parisino que convierte documentos a Markdown con bounding boxes a nivel de párrafo, con precio de 4 $ por 1.000 páginas en tarifa plana, 2 $ vía API batch, y 5 $ con la capa de anotación. El precio es el argumento y la arquitectura es el límite: es un modelo, no una plataforma, sin interfaz de revisión, sin paso de validación ni orquestación de flujos, y sus puntuaciones de confianza son de reconocimiento OCR por palabra, no de confianza de extracción por campo. Hay un self-host de contenedor único disponible para clientes enterprise. Es la opción europea de esta lista si lo único que necesitas es OCR a Markdown.
Ideal para: OCR a Markdown de alto volumen al precio suelo, con tu propia capa de extracción encima.
5. ABBYY
ABBYY es el proveedor de IDP empresarial más veterano de esta lista, fundado en 1989 y orientado a grandes organizaciones con procesos documentales estables y de gran volumen. Está más cerca del enfoque de modelos preentrenados de Azure que de la extracción zero-shot, solo que con una biblioteca de Skills más grande y una opción on-premise madura que Azure solo ofrece parcialmente. Su catálogo recoge más de 150 Skills de extracción preconstruidas en dos productos: Vantage (nube) y FlexiCapture, uno de los sistemas de captura on-premise más maduros que existen. La contrapartida es el modelo de entrega: las implantaciones suelen durar de semanas a meses con integradores externos, los presupuestos de servicios profesionales van de 15.000 a más de 200.000 dólares, y los contratos suelen exigir 3 años con pago anual anticipado. Los documentos fuera de la biblioteca de Skills necesitan entrenamiento de modelos a medida: el mismo muro que Azure, solo que con una biblioteca más grande donde apoyarse primero. Consulta la comparativa completa anyformat vs ABBYY.
Ideal para: empresas con carteras documentales estables, un requisito estricto de on-premise, y presupuesto para un despliegue tradicional.
6. Nanonets
Nanonets es una plataforma de automatización documental para el mid-market, fundada en 2017, pensada para equipos que quieren flujos no-code sin un proyecto de ingeniería, el mismo comprador que corteja el Document Intelligence Studio de Azure sin la exigencia de un conjunto de entrenamiento para cada campo nuevo. Su constructor de flujos por bloques (importación, acciones de datos y exportación) está bien diseñado para perfiles no técnicos, y su precio publicado va de 0,02 a 0,30 dólares por bloque ejecutado, con un flujo típico de facturas en cuatro a seis bloques por documento. La documentación de Nanonets reconoce que sus modelos de serie pueden necesitar anotación con humanos en el bucle para alcanzar precisión de producción en documentos no estándar. El despliegue por defecto es multi-tenant en EE. UU., el on-premise solo está disponible con contrato enterprise, y los datos pueden conservarse unos 30 días tras la baja. Consulta la comparativa completa anyformat vs Nanonets.
Ideal para: equipos mid-market que automatizan tipos de documento estándar a volumen moderado, sin requisitos estrictos de soberanía europea.
7. Unstructured
Unstructured es una plataforma de parsing parcialmente open source que trocea documentos en arrays de elementos para pipelines RAG, dirigida a equipos de IA que construyen sistemas de recuperación: un trabajo distinto al que hace Azure DI hoy. Tiene el ecosistema de conectores más amplio de la categoría, con más de 71 conectores que incluyen Databricks, Elasticsearch, S3 y Google Drive, y su plataforma comercial cuenta con certificaciones SOC 2 Type II, ISO 27001 e HIPAA (la biblioteca open source queda fuera de ese alcance), con opción de despliegue self-hosted. La salvedad clave: no hace extracción estructurada a nivel de campo, así que si necesitas totales de factura o fechas de contrato en tu ERP, resuelve un problema distinto. Consulta la comparativa completa anyformat vs Unstructured.
Ideal para: preparación de RAG con la máxima cobertura de conectores; complementa a una plataforma de extracción, no la sustituye.
8. Google Document AI
Si el motivo para dejar Azure es una decisión de proveedor cloud y no una carencia de funcionalidad, Google Document AI es uno de los dos movimientos equivalentes. Devuelve una salida de OCR moldeada por los propios modelos de Google en lugar de por tu esquema, exige entrenamiento para campos personalizados, no se despliega on-premise, y está gobernado por la jurisdicción de EE. UU. sea cual sea la región. Su Enterprise Document OCR lista a 1,50 $ por 1.000 páginas hasta 5M de páginas, 0,60 $ por 1.000 a partir de ahí; las solicitudes síncronas (online) están limitadas a 10 páginas por documento, y para más hace falta una solicitud por lotes, que admite hasta 200 páginas por documento. Comparamos esta opción en profundidad en nuestra guía de alternativas a Google Document AI.
Ideal para: equipos que se estandarizan en GCP cuyos documentos encajan con un modelo preentrenado.
9. AWS Textract
El otro movimiento equivalente en cloud es AWS Textract. Igual que Google Document AI, devuelve una salida de OCR moldeada por los modelos del proveedor, exige un lenguaje de queries para campos personalizados, no se despliega on-premise, y está gobernado por la jurisdicción de EE. UU. sea cual sea la región. Su detección de tablas está entre las más sólidas de los proveedores cloud; su análisis de formularios y tablas lista a 65 $ por 1.000 páginas (formularios, tablas y queries: 70 $ por 1.000; ambos bajan a 55 $ por 1.000 pasado el primer millón de páginas al mes). Comparamos esta opción en profundidad en nuestra guía de alternativas a AWS Textract.
Ideal para: equipos que se estandarizan en AWS cuyos documentos encajan con un modelo preentrenado.
Cuánto cuestan por página las alternativas a Azure Document Intelligence
Precios de lista para parsing, por 1.000 páginas, según lo publicado por cada proveedor en la fecha indicada. Esta tabla solo recoge proveedores con un precio de lista limpio, por página o por 1.000 páginas. ABBYY (por presupuesto, implementación de 15.000 $–200.000 $+) y Nanonets (con precio por bloque ejecutado, no por página) no tienen uno que listar. La extracción, la revisión y el cumplimiento normativo cambian el número real, así que trata esto como el suelo, no la factura.
| Herramienta | Precio de lista de parsing por 1.000 páginas |
|---|---|
| Mistral OCR | 4 $ (API), 2 $ (batch) |
| Reducto r-1 | 10 $, tarifa plana |
| LlamaParse | de 1,25 $ (Fast) a 56,25 $ (Agentic Plus), más 10 créditos por página con formulario |
| anyformat | 25 $, en el benchmark publicado |
| Azure Document Intelligence | 1,50 $ (Read, 0–1M páginas), 10 $ (todos los preentrenados incl. Layout), 30 $ (extracción personalizada) |
Dos números importan más que el precio de lista. El porcentaje de documentos que pasan sin toque humano decide cuántas páginas sigue leyendo una persona, y una variable que decide el proveedor en el medidor (complejidad de página, caracteres de salida, un recargo por formulario) decide si puedes prever la factura solo con el número de páginas. Pide ambos datos a cada proveedor antes de comparar tarifas.
Cómo elegir una alternativa a Azure Document Intelligence
Empieza por el motivo por el que te vas. Si es el bucle de entrenamiento de modelos personalizados, preselecciona las herramientas zero-shot por esquema: anyformat y Reducto extraen a partir de un esquema solo, sin ejemplos etiquetados; LlamaParse llega ahí como un segundo paso tras el parsing. Si es el despliegue o el control de datos, el campo se reduce a anyformat y Reducto para air-gapped o VPC, Mistral para una API con sede en la UE, o el FlexiCapture de ABBYY si un despliegue on-premise tradicional con presupuesto de servicios es aceptable. Si es el coste por página a volumen muy alto con tu propia capa de extracción debajo, Mistral OCR y el r-1 de Reducto marcan el suelo. Si es la capa de operaciones, hazle a cada proveedor una pregunta: cuando un campo vuelve con baja confianza, ¿qué pincha tu equipo de operaciones? Solo las herramientas con una cola de revisión en el producto tienen una buena respuesta.
Después haz un bake-off con tus propios documentos, no con las muestras del proveedor. Coge los cincuenta archivos más difíciles que tengas, define el esquema que realmente necesitas, y mide la precisión campo a campo y el porcentaje de documentos que pasan sin toque humano. Ese segundo número es el que predice tu coste.
Preguntas frecuentes
¿Azure Document Intelligence admite campos personalizados sin entrenamiento?
No. Los campos personalizados exigen etiquetar al menos cinco documentos de ejemplo en Document Intelligence Studio y ejecutar un ciclo de entrenamiento, y los cambios de esquema exigen volver a etiquetar.
¿Puede Azure Document Intelligence funcionar completamente on-premise?
Solo parcialmente, y los modelos personalizados en concreto no pueden: la API v4.0 actual solo ofrece contenedores para Read y Layout, sin vía de contenedor para modelos de extracción personalizada, así que un despliegue totalmente desconectado de un esquema personalizado no es posible en la versión actual de la API.
¿Qué alternativa extrae campos personalizados a partir de un esquema sin ejemplos etiquetados?
anyformat y Reducto extraen esquemas definidos por el usuario zero-shot; LlamaParse llega ahí como un segundo paso tras el parsing. ABBYY, Nanonets y Google Document AI siguen necesitando ejemplos etiquetados para cualquier cosa fuera de sus modelos preentrenados, y Unstructured no hace extracción a nivel de campo en absoluto.
¿Qué alternativa a Azure Document Intelligence se puede desplegar air-gapped?
anyformat se despliega completamente air-gapped, con el stack verificado en producción en un cliente gubernamental; Reducto ofrece despliegue on-premise y VPC; el FlexiCapture de ABBYY es on-premise pero no está verificado como air-gapped.
¿Cuál es la alternativa más barata por página?
Mistral OCR a 4 $ por 1.000 páginas, o 2 $ vía batch, para OCR a Markdown; el Parse r-1 de Reducto a 10 $ por 1.000 páginas. Ninguno de los dos precios incluye extracción estructurada con confianza o revisión.
Empieza con tus documentos más difíciles.
Sube los archivos que rompen tu pipeline actual, define los campos que necesitas, y mira los valores extraídos con su confianza y su evidencia en la página. El plan Free incluye 50.000 créditos sin tarjeta de crédito.
Si ya has reducido la decisión a dos opciones, empieza por el análisis en profundidad: anyformat vs Azure Document Intelligence compara enfoque de extracción, orquestación de flujos, soberanía y precios lado a lado.
