Unstructured est une plateforme d’ingestion documentaire partiellement open source, optimisée pour les pipelines RAG, proposant plus de 71 connecteurs (Databricks, Elasticsearch, S3, Google Drive et plus). Ses certifications SOC 2 Type II, ISO 27001 et HIPAA couvrent la plateforme commerciale, pas la bibliothèque open source.
Unstructured convertit les documents en tableaux d’éléments qui alimentent des workflows LLM, et son nœud Extract produit aussi du JSON à la forme d’un schéma. Avec l’écosystème de connecteurs le plus large du domaine, c’est un choix solide pour les équipes IA qui construisent des systèmes de récupération.
Les deux produits ont assez convergé pour que « lequel des deux extrait des champs » ne soit plus la question qui sépare. Ce qui les distingue, c’est ce qui accompagne la valeur extraite, et l’endroit où s’arrête le pipeline.
Unstructured fait bien de l’extraction structurée de champs. Son nœud Extract accepte un schéma JSON que vous définissez dans un constructeur visuel et renvoie les valeurs extraites au sein du pipeline d’ingestion. Cette capacité est réelle et récente, et tout comparatif qui dit le contraire est daté.
anyformat est conçu pour l’extraction structurée comme produit entier. Définissez votre schéma pour n’importe quels champs et n’importe quel type de document, puis obtenez du JSON structuré dès le premier document.
La différence est ce qui revient avec chaque valeur. Unstructured renvoie la valeur ; anyformat renvoie la valeur, un score de confiance calibré et une citation visuelle pointant vers la région exacte de la page dont elle est issue. Sans score par champ, il n’y a pas de seuil à fixer : chaque champ est donc soit accepté à l’aveugle, soit relu à la main.
Souveraineté européenne et résidence des données
Unstructured est une entreprise américaine. Les options de déploiement incluent une API cloud et l’auto-hébergement. La résidence des données dépend du choix de déploiement, mais la gouvernance et le cadre juridique de la plateforme sont américains.
anyformat est natif de l’UE. Construit par une équipe européenne, conforme au RGPD par architecture, et déployé avec des contrôles de résidence des données conçus pour les exigences réglementaires européennes. La souveraineté est ici une obligation légale, pas une option de configuration.
Unstructured détient les certifications SOC 2 Type II, HIPAA et ISO 27001. C’est un portefeuille de conformité solide, avec une distinction à emporter en revue achats : ces certifications couvrent la plateforme commerciale et son API. La bibliothèque open source est hors périmètre, un déploiement auto-géré du code de partitionnement open source n’en hérite donc aucune.
anyformat est aussi certifié ISO 27001 et conforme au RGPD, la certification couvrant le pipeline de traitement de bout en bout. La différence n’est pas le certificat mais la juridiction : anyformat est natif de l’UE par conception, pas une plateforme américaine avec des options régionales.
Rétention zéro des données
Unstructured documente une rétention zéro des données pour sa plateforme : les documents soumis sont traités et non conservés.
anyformat propose un traitement à rétention zéro comme option native : documents traités, données restituées, fichiers sources supprimés. Les deux plateformes passent cette ligne, et la question qui reste est celle de la juridiction qui régit le sous-traitant.
Constructeur de workflows et orchestration
Unstructured propose un designer visuel de workflows. Vous assemblez un DAG de nœuds : connecteur source, partitionneur, chunker, enrichissement, embedder, Extract, connecteur de destination. C’est un vrai constructeur, et il est conçu pour l’ETL.
anyformat inclut un constructeur visuel de workflows tourné vers un autre travail : branchements, conditions, découpage, routage, opérateurs d’extraction, portes de validation et revue human-in-the-loop. Le vocabulaire des nœuds relève du processus métier plutôt que du pipeline de données : une ligne de facture à faible confiance part vers un relecteur identifié et la correction est enregistrée sur l’exécution.
Choisissez selon la destination. Si le pipeline aboutit à une base vectorielle, un DAG d’ETL est la bonne abstraction. S’il aboutit à un ERP avec une étape de validation devant, non.
Unstructured publie son propre benchmark SCORE avec de bons chiffres : 0,917 en Adjusted CCT, le taux d’hallucination le plus bas (0,027) et 0,844 en score de tableaux. Ce sont des chiffres publiés par l’éditeur.
Un benchmark tiers publié par Procycons en mars 2025 mesure autrement la vitesse de traitement : Unstructured à 51,06 secondes pour une seule page, contre 6,28 secondes pour Docling et environ 6 secondes pour LlamaParse. Ce sont les chiffres d’une seule équipe sur un seul jeu de documents, pas une annonce d’éditeur, et il vaut mieux les reproduire sur vos propres documents avant de les tenir pour décisifs.
anyformat prend en charge plus de 100 formats avec des scores de confiance calibrés sur chaque champ extrait, atteignant 99 % de précision en production. L’architecture minimise les échecs silencieux grâce à une revue humaine conditionnée par la confiance.
Déploiement on-premise
Unstructured propose un déploiement auto-hébergé, qui offre un contrôle total des données.
anyformat propose un déploiement en cloud privé et on-premise, y compris en environnements air-gapped. Les deux plateformes peuvent satisfaire des exigences de périmètre de données.
Précision en production
Le benchmark SCORE d’Unstructured mesure la qualité du parsing : alignement des éléments, précision des caractères, taux d’hallucination. C’est une métrique de parsing, et elle ne dit pas si un champ extrait donné est exact, puisque la plateforme ne renvoie aucune confiance par champ à confronter.
anyformat mesure ce qui compte pour les opérations documentaires : la précision d’extraction au niveau du champ avec des scores de confiance calibrés. Nous atteignons 99 % de précision en production, validée par des clients grands comptes, avec chaque champ noté sur sa fiabilité. Chaque workflow Extract et Classify dispose en outre d’un onglet Health où des évaluations numérotées et immuables notent champ par champ une version du workflow face à une vérité terrain vérifiée, avec le benchmark du jeu de données affiché à côté de la précision de production en temps réel (Evals).
Tableaux longs et mises en page complexes
Unstructured restitue les tableaux en HTML : la structure de lignes et de colonnes survit donc à la conversion au lieu d’être aplatie en texte. Sur le benchmark Procycons cité plus haut, il a enregistré une bonne précision numérique sur les tableaux simples, à la vitesse de traitement qui y est rapportée.
Le pipeline multi-étapes d’anyformat gère nativement la complexité des tableaux : cellules fusionnées, tableaux multipages, ruptures structurelles. La sortie est structurée et prête pour la consommation en aval, chaque cellule portant son propre score de confiance et sa position sur la page.
Unstructured génère des descriptions d’images, y compris les valeurs affichées dans un graphique, dans son étape d’enrichissement. anyformat détecte les figures, les classe dans leur contexte et produit des descriptions structurées des graphiques, diagrammes et images intégrées.
Les deux décrivent les figures. Un seul joint à la description un score de confiance et une citation visuelle, ce qui fait la différence entre un résumé citable dans un audit et un résumé à revérifier à la main.
Cela dépend de l’endroit où s’arrête votre pipeline. Les deux produits se recoupent plus qu’avant : tous deux parsent des documents complexes, tous deux acceptent un schéma JSON, tous deux offrent un constructeur visuel, tous deux proposent rétention zéro et auto-hébergement.
Si votre objectif est de découper des documents en tableaux d’éléments pour l’ingestion LLM, Unstructured est conçu exactement pour cela. Ses 71+ connecteurs et sa base open source en font le choix par défaut des équipes de pipelines RAG.
Si votre objectif est d’amener des champs spécifiques -- totaux de factures, numéros de polices, dates de contrats -- vers des systèmes dont quelqu’un répond, ce qui manque, c’est la confiance par champ, une file de revue qui enregistre les corrections sur l’exécution et des évaluations face à votre propre vérité terrain. Unstructured renvoie des valeurs extraites sans confiance associée, et son canevas de workflows modélise un job ETL plutôt qu’un processus de validation.
anyformat comble exactement cette lacune : extraction zero-shot définie par schéma, scores de confiance calibrés et citations visuelles sur chaque champ, un Studio conçu pour la revue et la validation, et une architecture native de l’UE avec traitement à rétention zéro.
Certaines équipes utilisent les deux : Unstructured pour l’ingestion RAG et anyformat pour l’extraction structurée. Ils sont plus complémentaires que concurrents.
Quand choisir Unstructured
Vous construisez des pipelines RAG et avez besoin de l’écosystème de connecteurs le plus large. Votre pipeline aboutit à une base vectorielle, et personne n’a à valider un champ pris isolément.
Vous avez besoin de champs spécifiques extraits des documents et intégrés à vos systèmes -- avec confiance calibrée, citations visuelles, revue humaine et souveraineté européenne. Prouvé à l’échelle de l’entreprise avec 99 % de précision en production.
anyformat est la plateforme d’intelligence documentaire agentique pour les entreprises européennes. Certifiée ISO 27001, conforme au RGPD, traitement à rétention zéro. Commencez sur anyformat.ai
