Diego Pérez SastreActualizado: Elige LandingAI ADE para parsing visual con citas por coordenadas dentro de una infraestructura orientada a código; elige anyformat para confianza calibrada, flujos de trabajo sin código y jurisdicción europea. Ambos devuelven anclaje visual, pero LandingAI documenta su confianza como experimental y no como probabilidad de acierto, mientras anyformat mide un 99,1% de precisión de calibración.
| Funcionalidad | anyformat | LandingAI |
|---|---|---|
| Soberanía de Datos UE | Sí | No |
| ISO 27001 | Sí | No |
| GDPR Nativo | Sí | Parcial |
| Retención Cero de Datos | Sí | Sí |
| Despliegue On-Premise | Sí | Sí |
| Constructor de Flujos de Trabajo Sin Código | Sí | No |
| Extracción Zero-Shot | Sí | Sí |
| Puntuación de Confianza por Campo | Sí | Parcial |
| Extracción de Tablas Complejas | Sí | Sí |
| Detección y Explicación de Figuras | Sí | Sí |
Agentic Document Extraction es la plataforma de inteligencia documental de LandingAI, lanzada hacia marzo de 2025 y reconstruida en septiembre de 2025 sobre DPT-2, un transformer preentrenado en documentos que trata la página como un sistema visual y no como un flujo de texto. LandingAI fue fundada por Andrew Ng y tiene su sede en Palo Alto, California; también vende LandingLens, una plataforma independiente de visión por computador sin código para inspección industrial que no comparte nada con ADE más allá de la empresa. ADE expone seis API REST (Parse, Extract, Split, Classify, Section y Build Schema), con librerías de Python y TypeScript, y acepta PDF, imágenes, ficheros de Office y hojas de cálculo. Un trabajo de parsing está limitado a 1 GB o 6.000 páginas, y el playground alojado a 100 páginas (documentación de LandingAI, 2026).
Ambas plataformas extraen en zero-shot contra un esquema definido por el usuario, sin ejemplos etiquetados ni entrenamiento de plantillas, así que aquí no gana ninguna. La API Extract de ADE acepta un esquema JSON con estructuras planas, anidadas, de array y multitabla, una API Build Schema redacta un borrador a partir de un documento de muestra, y el parsing es agnóstico al layout por diseño (documentación de LandingAI, 2026). anyformat extrae contra un esquema del mismo modo en más de 100 formatos y combina el modelo con reglas de validación deterministas, de forma que un campo se puede restringir y no solo predecir. La diferencia operativa es quién posee el esquema: los de ADE viven en código que despliega un desarrollador, mientras que los de anyformat los editan perfiles de operaciones dentro del producto, sin ciclo de release.
LandingAI hace anclaje visual de verdad, y eso no es un diferencial de anyformat: cada bloque parseado y cada campo extraído devuelve número de página y coordenadas de caja delimitadora, incluido el anclaje a nivel de celda de tabla, y Extract devuelve un valor de confianza por campo de 0 a 1 en sus metadatos de extracción (documentación de LandingAI, 2026). La diferencia está en la calibración. La propia guía de LandingAI describe la puntuación como una señal relativa de triaje y no como una probabilidad de acierto, recomienda 0,95 como umbral de partida y etiqueta la confianza como función experimental en la que las tablas y los campos con formato personalizado devuelven null (documentación de LandingAI, 2026). La confianza por campo de anyformat está calibrada, medida en un 99,1% de precisión de calibración con un Adaptive ECE de 0,009 (benchmark de anyformat, 2026), y cada valor lleva una cita visual que lo enlaza con su posición exacta en la página. La calibración es lo que hace defendible un umbral de procesamiento automático ante un auditor: una señal relativa no te dice qué porcentaje de campos aprobados automáticamente será incorrecto, y una calibrada sí.
ADE es una API de extracción y no una plataforma de orquestación, y LandingAI lo dice sin rodeos: su propio material comparativo describe ADE como orientado a desarrolladores, que necesita código Python para construir pipelines de extracción recurrentes y que no encaja con equipos que quieren automatización recurrente totalmente sin código (LandingAI, 2026). El enrutado por confianza vive en el pipeline que escribe el cliente, y la interfaz de revisión que muestra un valor, su puntuación y su ubicación de origen aparece documentada como guía de lo que el cliente debería construir. anyformat entrega esa capa como producto: un constructor visual de flujos de trabajo (Studio) con ramificación, condiciones, clasificación, división y enrutado, más una cola de revisión donde el valor corregido vuelve a la ejecución y sigue hacia los sistemas posteriores. Montar un flujo de trabajo en producción con el asistente Annie lleva unos 5 minutos frente a unas 4 horas de configuración manual (benchmark interno de anyformat, 2026).
ADE factura créditos a 0,01 $ cada uno, con Parse a 3 créditos por página, o 4 con retención cero de datos activada, lo que sitúa la página parseada en 0,03 $ y 0,04 $ respectivamente, es decir, 30 $ y 40 $ por cada 1.000 páginas (documentación de LandingAI, 2026). Extract, Split, Section y Build Schema se miden por caracteres y no por páginas, a 1 crédito por cada 5.000 caracteres de entrada y 1 crédito por cada 1.000 de salida, así que el coste de extracción sigue la densidad del documento en lugar del número de páginas y es más difícil de prever por documento; Classify son 0,5 créditos por página. Los planes son Explore de pago por uso con 1.000 créditos gratuitos que caducan a los 90 días, Team desde 250 $ al mes por 25.000 créditos, y Enterprise a medida (precios de LandingAI, 2026). anyformat factura créditos por página y por operador a 10 créditos por 0,01 €: Parse son 25 créditos por página (0,025 €, publicado como 25 $ por 1.000 páginas), Extract 35, Classify 10, Split 25 y Validate 25 créditos por regla (precios de anyformat, 2026). A precio de tarifa, una suscripción Team de 250 $ cubre unas 8.300 páginas parseadas al mes, mientras que el plan Business de 499 € cubre 500.000 créditos, unas 20.000 páginas parseadas, y la retención cero es un control incluido en Enterprise en lugar de un recargo por página.
La cifra publicada por LandingAI es un 99,16% en la partición de validación de DocVQA, respondiendo correctamente a 5.286 de 5.331 preguntas solo a partir del texto parseado, con una metodología reproducible desde un repositorio público (LandingAI, 2026). Es transparencia real en benchmarks, mejor que la de la mayoría del mercado, pero mide si la salida parseada permite responder a una pregunta, no si un esquema de muchos campos se extrae correctamente en distintos tipos de documento. anyformat obtuvo un 78,1% en una puntuación combinada de parsing sobre más de 1.000 documentos reales de más de 30 tipos (benchmark de anyformat, 2026), mantuvo cerca de un 99% de recuperación de filas en tablas que crecen hasta 50 páginas y unas 2.400 filas, y extrajo el 94% de las facturas complejas de formato mixto con todos los campos y líneas correctos (benchmark de anyformat, 2026). En figuras están a la par: ADE detecta bloques de tipo figura, logotipo, tarjeta y código de barras y devuelve descripciones concisas, y anyformat clasifica los elementos visuales en contexto y devuelve descripciones estructuradas.
LandingAI es una empresa estadounidense bajo jurisdicción de Estados Unidos que tiene SOC 2 Type II, declara cumplimiento de GDPR y HIPAA, y no publica ISO 27001 en ninguna de sus páginas de seguridad (seguridad de LandingAI, 2026). Sus opciones de despliegue son serias: un despliegue dedicado de ADE en la UE sobre AWS Irlanda con su propio portal y claves de API que no son intercambiables con las de Estados Unidos, un despliegue en contenedor dentro de una VPC gestionada por el cliente en AWS, Azure o GCP, on-premise en Enterprise, y una Snowflake Native App. La retención cero de datos procesa los documentos en memoria sin almacenar nada en reposo, en los planes Team y Enterprise, con un crédito adicional por página. anyformat es nativo europeo y está certificado en ISO 27001 en todo el pipeline documental, con procesamiento de retención cero y despliegue en la nube, nube privada u on-premise en entornos aislados. Una región europea es residencia de datos, no un cambio de jurisdicción, y para compradores sujetos a GDPR o DORA esa distinción es justo lo que pregunta el departamento de compras.
Una suite de evaluación y el pipeline de producción alrededor de la extracción. La calidad de extracción es una variable; mantenerla correcta después de la puesta en marcha es donde los proyectos documentales gastan la mayor parte de su presupuesto de ingeniería.
Evaluaciones, disponibles hoy. Cada flujo de trabajo de Extract y Classify en anyformat tiene una pestaña Health. Construyes un dataset con ground truth verificado, ya sea promoviendo un documento que el flujo ya procesó y confirmando sus valores en la interfaz de revisión, ya sea subiendo documentos etiquetados con su JSON esperado. Los ficheros se pueden etiquetar en subdatasets, de modo que la precisión se lee por proveedor, por tipo de documento o por franja de dificultad en vez de como una media única. Una evaluación vuelve a extraer cada documento incluido contra una versión concreta del flujo y lo puntúa campo a campo, con una vista de resultado frente a esperado en cada fallo; las ejecuciones están numeradas y son inmutables, así que el efecto de un cambio se mide en lugar de suponerse. Health Overview coloca después el benchmark del dataset junto a la precisión, la confianza y la tasa de paso de producción real, y reporta la diferencia entre ambos (Evals). LandingAI publica un benchmark de investigación sobre un dataset público, que es una señal de credibilidad más que una función para el cliente: en ADE no aparecen ni gestor de datasets de ground truth, ni segmentación en subdatasets, ni histórico inmutable de ejecuciones, ni comparación entre benchmark y producción.
Optimizer, anunciado y todavía no disponible. anyformat ha anunciado Optimizer, un flujo de trabajo que se ajusta a sí mismo contra su propio dataset usando tus evaluaciones como objetivo. Está en la hoja de ruta, no en el producto de hoy (Evals).
El pipeline que no tienes que construir. ADE devuelve markdown, JSON jerárquico, coordenadas de bloque y campos con forma de esquema, lo que constituye una primitiva de extracción sólida. Producción necesita además clasificación y enrutado, validación de esquema, gestión de reintentos, una interfaz de revisión, monitorización de precisión y reajuste cada vez que cambia un layout o un modelo subyacente, y la propia guía de LandingAI asigna ese pipeline al código Python del cliente. anyformat lo entrega como producto: flujos de trabajo sin código en Studio, confianza calibrada por campo con enrutado a revisión, citas visuales para auditoría y el ciclo de evaluación anterior.
Elige LandingAI cuando tengas ingenieros que quieran una primitiva de extracción limpia y bien documentada y estén dispuestos a hacerse cargo del pipeline que la rodea. El anclaje de ADE es minucioso, su metodología en DocVQA está publicada y es reproducible, su modelo DPT-2 está diseñado específicamente para layouts visuales densos, y un trabajo de parsing de 1 GB o 6.000 páginas junto con la Snowflake Native App y el despliegue en la VPC del cliente cubre requisitos técnicos exigentes. Si estás construyendo RAG o búsqueda sobre documentos en lugar de un back office operativo, si la jurisdicción estadounidense y SOC 2 Type II satisfacen tu marco de cumplimiento, y si un arranque de pago por uso con 1.000 créditos gratuitos encaja con tu evaluación, es una buena opción.
Elige anyformat cuando la confianza tenga que estar calibrada y no ser meramente indicativa, porque un umbral de procesamiento automático solo es defendible si la puntuación se corresponde con una probabilidad real; cuando los equipos de operaciones y no los desarrolladores deban poseer los esquemas y los flujos de trabajo; cuando la jurisdicción europea y la ISO 27001 sean requisitos de compras que una región europea por sí sola no satisface; o cuando quieras que los cambios de flujo se midan contra un dataset de ground truth antes de llegar a producción.
Los equipos que comparan ambas plataformas suelen acabar en los mismos tres puntos: quién escribe la orquestación, si el número de confianza aguanta una auditoría y qué derecho rige los datos.
Agentic Document Extraction de LandingAI es un conjunto de seis API REST (Parse, Extract, Split, Classify, Section y Build Schema) que un desarrollador invoca desde Python o TypeScript. anyformat es una plataforma: las mismas primitivas de extracción más un constructor de flujos de trabajo sin código, una cola de revisión humana, confianza calibrada por campo y una suite de evaluación, todo manejable por perfiles no técnicos. La pregunta práctica es si tu equipo quiere escribir y mantener la orquestación alrededor de la extracción o consumirla como producto.
Sí. La API Extract devuelve un valor de confianza de 0 a 1 por campo dentro de sus metadatos de extracción, y Parse devuelve confianza en los tipos de bloque soportados. LandingAI describe esa puntuación como una señal relativa de triaje y no como una probabilidad de acierto, recomienda 0,95 como umbral de partida y etiqueta la función como experimental, con tablas y campos de formato personalizado devolviendo null. La confianza por campo de anyformat está calibrada, medida en un 99,1% de precisión de calibración con un Adaptive ECE de 0,009 (benchmark de anyformat, 2026).
Sí, y aquí hay paridad real, no diferencia. ADE devuelve número de página y coordenadas de caja delimitadora para cada bloque parseado y cada campo extraído, incluido el anclaje hasta la celda de tabla. anyformat devuelve el mismo tipo de cita visual que enlaza cada valor con su posición exacta en la página, así que una evaluación debería girar sobre qué significa realmente el número de confianza asociado a ese valor, y no sobre si se devuelven coordenadas.
Los créditos de ADE cuestan 0,01 $ cada uno y Parse consume 3 créditos por página, o 4 con retención cero activada, así que la página parseada sale a 0,03 $ o 0,04 $, es decir, 30 $ o 40 $ por cada 1.000 páginas. Extract, Split y Section se miden por caracteres y no por páginas, de modo que el coste de extracción sigue la densidad del documento. anyformat cobra créditos por página y por operador a 10 créditos por 0,01 €, lo que sitúa Parse en 25 créditos por página, publicado como 25 $ por 1.000 páginas, con la retención cero incluida en Enterprise en lugar de facturada por página.
LandingAI tiene SOC 2 Type II y declara cumplimiento de GDPR y HIPAA, pero no publica ISO 27001 en ninguna de sus páginas de seguridad. Sí ofrece un despliegue dedicado de ADE en la UE sobre AWS Irlanda, con portal propio y claves de API que no son intercambiables con las estadounidenses. Eso es residencia de datos y no un cambio de jurisdicción: la empresa sigue siendo estadounidense y sujeta a derecho estadounidense, mientras que anyformat es nativa europea y está certificada en ISO 27001 en todo el pipeline documental.
No. El propio material comparativo de LandingAI describe ADE como orientado a desarrolladores, que necesita código Python para construir pipelines de extracción recurrentes y que no encaja con equipos que quieren automatización recurrente totalmente sin código. El enrutado por confianza vive en el pipeline que escribe el cliente, y la interfaz de revisión aparece documentada como algo que el cliente debería construir. anyformat incluye un constructor visual de flujos con ramificación y enrutado, más una cola de revisión donde el valor corregido vuelve a la ejecución.
