Extracción documental on-premise y air-gapped: cómo funciona de verdad
Extracción documental air-gapped significa que cada paso, OCR, análisis de maquetación y la propia llamada al LLM, se ejecuta dentro de tu propia red sin ninguna conexión saliente hacia la nube de un proveedor. No es un endpoint privado en la nube del proveedor. No es una VPC que igualmente llama a un modelo alojado fuera. Cero salida, verificable apagando la red y comprobando que el pipeline sigue funcionando.
Esa distinción importa porque la mayoría de proveedores que venden "air-gapped" quieren decir algo más limitado.
Un endpoint regional no es soberanía
Elegir una región de la UE en una plataforma gobernada desde EE. UU. cambia dónde se almacenan los datos, no quién puede ser obligado a entregarlos ni qué ley rige el contrato. Un endpoint UE de una empresa estadounidense es un interruptor de región, no soberanía: la empresa, su gobernanza y su marco legal siguen siendo estadounidenses sin importar en qué región estén sus servidores. Una plataforma con sede en la UE, una entidad legal de la UE bajo jurisdicción de la UE, es un hecho legal distinto a una plataforma estadounidense con una casilla de región europea marcada.
Autoalojado no siempre significa air-gapped
Autoalojar tu propia instancia del producto de un proveedor habitualmente sigue significando que cada llamada al modelo sale de tu red para llegar al proveedor de LLM de ese fabricante. Haz la pregunta concreta antes de dar por buena la etiqueta "self-hosted": ¿cero salida de red, incluyendo hacia los modelos, o solo cómputo aislado en VPC que sigue saliendo para la inferencia? La mayoría de proveedores que responden con honestidad se refieren a lo segundo. Un clúster de Kubernetes que controlas tú pero que sigue llamando a casa en cada extracción no es air-gapped, lo diga como lo diga el diagrama de despliegue.
Cómo funciona el despliegue air-gapped de anyformat
El modo air-gapped de anyformat enruta cada llamada al modelo a través de un proxy LiteLLM local hacia un runtime de modelo local en vez de un proveedor de LLM en la nube, y cada etapa de procesamiento, segmentación de maquetación, OCR, rotación, se ejecuta en cómputo local en vez de un servicio alojado. Las credenciales de inferencia en la nube se eliminan, no solo se dejan sin usar, y la telemetría y el trazado quedan desactivados para ese despliegue. El resultado es un pipeline que produce extracción estructurada con confianza puntuada, con cero llamadas de red saliendo del perímetro, ejecutando la misma lógica de parsing y extracción que el producto alojado.
Esto no es una versión recortada del producto para aparentar cumplimiento normativo. Es el mismo pipeline de extracción, empaquetado para la infraestructura propia del cliente como parte del nivel Enterprise.
Qué viene incluido
- Certificación ISO 27001:2022 que cubre el pipeline de procesamiento documental de extremo a extremo, sin excluir ningún modo de despliegue.
- Arquitectura conforme al GDPR, con herramientas de anonimización y borrado integradas en el producto, no añadidas después para una región concreta.
- Retención cero de datos, disponible bajo petición. Es un modo real y configurable que una organización puede activar, no la postura por defecto de toda cuenta; pídelo explícitamente si es un requisito, y confirma que está activo antes de darlo por hecho.
- Gobernanza nativa de la UE. Lo europeo es la empresa, no solo un centro de datos, que es lo que realmente cambia qué ley aplica a una solicitud sobre tus datos.
Prueba de que funciona en producción, no solo en un diagrama
La prueba más clara de que el despliegue air-gapped es real y no una diapositiva es un cliente que lo ejecuta: el Singapore Prison Service ejecuta el stack air-gapped de anyformat en producción. Es una carga de trabajo gubernamental, el tipo de comprador que verifica una afirmación de soberanía antes de firmar y no después, corriendo la configuración de OCR local y LLM local descrita arriba, sin ninguna llamada a la nube.
Preguntas frecuentes
¿Qué significa "air-gapped" para una plataforma de extracción documental?
Ninguna conexión de red saliente desde el pipeline de extracción hacia ningún servicio externo, incluido el proveedor del LLM. El OCR, el análisis de maquetación y la llamada al modelo se ejecutan todos dentro del perímetro del cliente. Si la afirmación "air-gapped" de un proveedor sigue necesitando conexión a internet para llegar a un modelo alojado, es aislamiento de VPC, no un air gap de verdad.
¿Es lo mismo el despliegue on-premise que air-gapped?
No necesariamente. On-premise suele significar que el cómputo corre en infraestructura que tú controlas, físicamente o en tu propia cuenta cloud. Air-gapped es una afirmación más fuerte: ningún acceso de red saliente en absoluto. Un proveedor puede ser on-premise y seguir llamando a un modelo alojado en cada petición.
¿Una región de la UE satisface un requisito de soberanía de datos?
Elegir una región de la UE en una plataforma gobernada por una empresa no europea cambia dónde se procesan los datos, no qué ley del país aplica a una solicitud sobre esos datos o sobre la empresa que los opera. Una plataforma genuinamente nativa de la UE, con sede en la UE, es una posición legal distinta, no una versión reforzada de la misma.
¿Implica el despliegue air-gapped renunciar a funcionalidades?
No, en anyformat es el mismo pipeline de extracción (extracción por esquema, confianza calibrada, flujos de revisión) empaquetado para la infraestructura propia del cliente, no una versión reducida construida solo para cumplir.
Si la jurisdicción de la UE y un despliegue air-gapped verificado son requisitos obligatorios y no un extra, mira cómo se compara anyformat en soberanía específicamente frente a los proveedores con los que más se evalúa: anyformat vs Reducto, anyformat vs LlamaParse y anyformat vs Unstructured.
