Diego Pérez SastreAtualizado: Escolha o LandingAI ADE para parsing vision-first com citações por coordenadas dentro de uma stack orientada a código; escolha a anyformat para confiança calibrada, workflows sem código e jurisdição europeia. Ambos devolvem ancoragem visual, mas a LandingAI documenta a sua confiança como experimental e não como probabilidade de correção, enquanto a anyformat mede 99,1% de precisão de calibração.
| Funcionalidade | anyformat | LandingAI |
|---|---|---|
| Extração zero-shot | Sim | Sim |
| Pontuação de confiança por campo | Sim | Parcial |
| Extração de tabelas complexas | Sim | Sim |
| Deteção e explicação de figuras | Sim | Sim |
| Construtor de workflows sem código | Sim | Não |
| Soberania de dados na UE | Sim | Não |
| ISO 27001 | Sim | Não |
| RGPD nativo | Sim | Parcial |
| Retenção zero de dados | Sim | Sim |
| Implementação on-premise | Sim | Sim |
O Agentic Document Extraction é a plataforma de document intelligence da LandingAI, lançada por volta de março de 2025 e reconstruída em setembro de 2025 sobre o DPT-2, um transformer pré-treinado em documentos que trata a página como um sistema visual e não como um fluxo de texto. A LandingAI foi fundada por Andrew Ng e tem sede em Palo Alto, na Califórnia; vende também o LandingLens, uma plataforma separada de visão computacional sem código para inspeção industrial que não partilha nada com o ADE além da empresa. O ADE expõe seis API REST (Parse, Extract, Split, Classify, Section e Build Schema), com bibliotecas de Python e TypeScript, e aceita PDF, imagens, ficheiros Office e folhas de cálculo. Um trabalho de parsing está limitado a 1 GB ou 6.000 páginas, e o playground alojado a 100 páginas (documentação da LandingAI, 2026).
Ambas as plataformas extraem em zero-shot contra um esquema definido pelo utilizador, sem exemplos etiquetados nem treino de modelos, pelo que aqui nenhuma leva vantagem. A API Extract do ADE aceita um esquema JSON com estruturas planas, aninhadas, em array e multitabela, uma API Build Schema redige um rascunho a partir de um documento de amostra, e o parsing é agnóstico ao layout por conceção (documentação da LandingAI, 2026). A anyformat extrai contra um esquema da mesma forma em mais de 100 formatos e combina o modelo com regras de validação determinísticas, de modo que um campo pode ser restringido e não apenas previsto. A diferença operacional está em quem detém o esquema: os do ADE vivem em código que um programador implementa, enquanto os da anyformat são editados no produto por utilizadores de operações, sem ciclo de release.
A LandingAI faz mesmo ancoragem visual, e isso não é um diferenciador da anyformat: cada bloco processado e cada campo extraído devolve o número de página e as coordenadas da caixa delimitadora, incluindo ancoragem ao nível da célula de tabela, e o Extract devolve um valor de confiança por campo de 0 a 1 nos seus metadados de extração (documentação da LandingAI, 2026). A diferença está na calibração. O próprio guia da LandingAI descreve a pontuação como um sinal relativo de triagem e não como uma probabilidade de correção, recomenda 0,95 como limiar inicial e classifica a confiança como funcionalidade experimental, na qual tabelas e campos com formatação personalizada devolvem null (documentação da LandingAI, 2026). A confiança por campo da anyformat é calibrada, medida em 99,1% de precisão de calibração com um Adaptive ECE de 0,009 (benchmark da anyformat, 2026), e cada valor traz uma citação visual que o liga à sua posição exata na página. A calibração é o que torna defensável perante um auditor um limiar de processamento automático: um sinal relativo não lhe diz que percentagem de campos aprovados automaticamente estará errada, e um sinal calibrado diz.
O ADE é uma API de extração e não uma plataforma de orquestração, e a LandingAI di-lo sem rodeios: o seu próprio material comparativo descreve o ADE como orientado a programadores, exigindo código Python para construir pipelines de extração recorrentes e não adequado a equipas que querem automação recorrente totalmente sem código (LandingAI, 2026). O encaminhamento por confiança vive no pipeline que o cliente escreve, e a interface de revisão que mostra um valor, a sua pontuação e a sua localização de origem está documentada como orientação sobre o que o cliente deve construir. A anyformat entrega essa camada como superfície de produto: um construtor visual de workflows (Studio) com ramificações, condições, classificação, divisão e encaminhamento, mais uma fila de revisão onde o valor corrigido regressa à execução e segue para os sistemas a jusante. Montar um workflow em produção com o assistente Annie demora cerca de 5 minutos, contra aproximadamente 4 horas de configuração manual (benchmark interno da anyformat, 2026).
O ADE fatura créditos a 0,01 $ cada, com o Parse a 3 créditos por página, ou 4 com a retenção zero de dados ativada, o que coloca a página processada em 0,03 $ e 0,04 $ respetivamente, ou seja, 30 $ e 40 $ por cada 1.000 páginas (documentação da LandingAI, 2026). O Extract, o Split, o Section e o Build Schema são medidos por caracteres e não por páginas, a 1 crédito por cada 5.000 caracteres de entrada e 1 crédito por cada 1.000 de saída, pelo que o custo de extração acompanha a densidade do documento em vez do número de páginas e é mais difícil de prever por documento; o Classify custa 0,5 créditos por página. Os planos são o Explore de pagamento a uso com 1.000 créditos gratuitos que expiram ao fim de 90 dias, o Team desde 250 $ por mês por 25.000 créditos, e o Enterprise à medida (preços da LandingAI, 2026). A anyformat fatura créditos por página e por operador, a 10 créditos por 0,01 €: o Parse custa 25 créditos por página (0,025 €, publicado como 25 $ por 1.000 páginas), o Extract 35, o Classify 10, o Split 25 e o Validate 5 créditos por regra (preços da anyformat, 2026). A preço de tabela, uma subscrição Team de 250 $ cobre cerca de 8.300 páginas processadas por mês, ao passo que o plano Business de 499 € cobre 500.000 créditos, cerca de 20.000 páginas processadas, e a retenção zero é um controlo incluído no Enterprise em vez de um custo adicional por página.
O número publicado pela LandingAI é 99,16% na partição de validação do DocVQA, respondendo corretamente a 5.286 de 5.331 perguntas apenas a partir do texto processado, com uma metodologia reproduzível a partir de um repositório público (LandingAI, 2026). É transparência real em benchmarks, melhor do que a da maioria do mercado, mas mede se o resultado processado permite responder a uma pergunta, não se um esquema com muitos campos é extraído corretamente em vários tipos de documento. A anyformat obteve 78,1% numa pontuação combinada de parsing sobre mais de 1.000 documentos reais de mais de 30 tipos (benchmark da anyformat, 2026), manteve cerca de 99% de recuperação de linhas em tabelas que crescem até 50 páginas e cerca de 2.400 linhas, e extraiu 94% das faturas complexas de formato misto com todos os campos e linhas corretos (benchmark da anyformat, 2026). Nas figuras estão em pé de igualdade: o ADE deteta blocos do tipo figura, logótipo, cartão e código de barras e devolve descrições concisas, e a anyformat classifica os elementos visuais em contexto e devolve descrições estruturadas.
A LandingAI é uma empresa norte-americana sob jurisdição dos Estados Unidos, detém SOC 2 Type II, declara conformidade com o RGPD e a HIPAA, e não publica a ISO 27001 em nenhuma das suas páginas de segurança (segurança da LandingAI, 2026). As suas opções de implementação são sérias: uma implementação dedicada do ADE na UE sobre a AWS Irlanda, com portal próprio e chaves de API não intercambiáveis com as dos Estados Unidos, uma implementação em contentor dentro de uma VPC gerida pelo cliente na AWS, Azure ou GCP, on-premise no Enterprise, e uma Snowflake Native App. A retenção zero processa os documentos em memória sem guardar nada em repouso, nos planos Team e Enterprise, com um crédito adicional por página. A anyformat é nativa europeia e está certificada em ISO 27001 em todo o pipeline documental, com processamento de retenção zero e implementação em nuvem, nuvem privada ou on-premise em ambientes isolados. Uma região europeia é residência de dados, não uma mudança de jurisdição, e para compradores sujeitos ao RGPD ou à DORA essa distinção é exatamente o que o departamento de compras pergunta.
Uma suite de avaliação e o pipeline de produção em torno da extração. A qualidade da extração é uma variável; mantê-la correta depois do arranque é onde os projetos documentais gastam a maior parte do orçamento de engenharia.
Avaliações, disponíveis hoje. Cada workflow de Extract e Classify da anyformat tem um separador Health. Constrói um conjunto de dados com ground truth verificado, promovendo um documento que o workflow já processou e confirmando os seus valores na interface de revisão, ou carregando documentos etiquetados com o JSON esperado. Os ficheiros podem ser marcados em subconjuntos, pelo que a precisão se lê por fornecedor, por tipo de documento ou por faixa de dificuldade em vez de como uma média única. Uma avaliação volta a extrair cada documento abrangido contra uma versão escolhida do workflow e pontua-o campo a campo, com uma vista de resultado face ao esperado em cada falha; as execuções são numeradas e imutáveis, pelo que o efeito de uma alteração é medido e não presumido. O Health Overview coloca depois o benchmark do conjunto de dados ao lado da precisão, da confiança e da taxa de passagem da produção real, e reporta a diferença entre ambos (Evals). A LandingAI publica um benchmark de investigação sobre um conjunto de dados público, o que é um sinal de credibilidade mais do que uma funcionalidade para o cliente: no ADE não aparece gestor de conjuntos de ground truth, nem segmentação em subconjuntos, nem histórico imutável de execuções, nem comparação entre benchmark e produção.
Optimizer, anunciado e ainda não disponível. A anyformat anunciou o Optimizer, um workflow que se ajusta a si próprio contra o seu próprio conjunto de dados, usando as suas avaliações como objetivo. Está no roteiro, não no produto de hoje (Evals).
O pipeline que não tem de construir. O ADE devolve markdown, JSON hierárquico, coordenadas de bloco e campos com a forma do esquema, o que constitui uma primitiva de extração sólida. A produção precisa também de classificação e encaminhamento, validação de esquema, gestão de repetições, uma interface de revisão, monitorização da precisão e reajuste sempre que muda um layout ou um modelo subjacente, e o próprio guia da LandingAI atribui esse pipeline ao código Python do cliente. A anyformat entrega-o como produto: workflows sem código no Studio, confiança calibrada por campo com encaminhamento para revisão, citações visuais para auditoria e o ciclo de avaliação acima.
Escolha a LandingAI quando tiver engenheiros que queiram uma primitiva de extração limpa e bem documentada e estejam dispostos a assumir o pipeline à sua volta. A ancoragem do ADE é minuciosa, a sua metodologia no DocVQA está publicada e é reproduzível, o modelo DPT-2 foi concebido especificamente para layouts visuais densos, e um trabalho de parsing de 1 GB ou 6.000 páginas, a par da Snowflake Native App e da implementação na VPC do cliente, cobre requisitos técnicos exigentes. Se está a construir RAG ou pesquisa sobre documentos em vez de um back office operacional, se a jurisdição norte-americana e o SOC 2 Type II satisfazem o seu enquadramento de conformidade, e se um arranque a pagamento por uso com 1.000 créditos gratuitos serve a sua avaliação, é uma boa opção.
Escolha a anyformat quando a confiança tiver de ser calibrada e não apenas indicativa, porque um limiar de processamento automático só é defensável se a pontuação corresponder a uma probabilidade real; quando as equipas de operações e não os programadores devem deter os esquemas e os workflows; quando a jurisdição europeia e a ISO 27001 são requisitos de compras que uma região europeia por si só não satisfaz; ou quando quer que as alterações aos workflows sejam medidas contra um conjunto de dados de ground truth antes de chegarem à produção.
As equipas que comparam as duas plataformas costumam acabar nos mesmos três pontos: quem escreve a orquestração, se o número de confiança aguenta uma auditoria e que direito rege os dados.
O Agentic Document Extraction da LandingAI é um conjunto de seis API REST (Parse, Extract, Split, Classify, Section e Build Schema) que um programador invoca a partir de Python ou TypeScript. A anyformat é uma plataforma: as mesmas primitivas de extração mais um construtor de workflows sem código, uma fila de revisão humana, confiança calibrada por campo e uma suite de avaliação, tudo utilizável por perfis não técnicos. A questão prática é se a sua equipa quer escrever e manter a orquestração à volta da extração ou consumi-la como produto.
Sim. A API Extract devolve um valor de confiança de 0 a 1 por campo nos seus metadados de extração, e o Parse devolve confiança nos tipos de bloco suportados. A LandingAI descreve essa pontuação como um sinal relativo de triagem e não como uma probabilidade de correção, recomenda 0,95 como limiar inicial e classifica a funcionalidade como experimental, com tabelas e campos de formatação personalizada a devolver null. A confiança por campo da anyformat é calibrada, medida em 99,1% de precisão de calibração com um Adaptive ECE de 0,009 (benchmark da anyformat, 2026).
Sim, e aqui há paridade real, não uma diferença. O ADE devolve número de página e coordenadas da caixa delimitadora para cada bloco processado e cada campo extraído, incluindo ancoragem até à célula de tabela. A anyformat devolve o mesmo tipo de citação visual, ligando cada valor à sua posição exata na página, pelo que uma avaliação deve incidir sobre o que significa realmente o número de confiança associado a esse valor, e não sobre se são devolvidas coordenadas.
Os créditos do ADE custam 0,01 $ cada e o Parse consome 3 créditos por página, ou 4 com a retenção zero ativada, pelo que a página processada fica em 0,03 $ ou 0,04 $, ou seja, 30 $ ou 40 $ por cada 1.000 páginas. O Extract, o Split e o Section são medidos por caractere e não por página, pelo que o custo de extração acompanha a densidade do documento. A anyformat cobra créditos por página e por operador, a 10 créditos por 0,01 €, o que coloca o Parse em 25 créditos por página, publicado como 25 $ por 1.000 páginas, com a retenção zero incluída no Enterprise em vez de faturada por página.
A LandingAI detém SOC 2 Type II e declara conformidade com o RGPD e a HIPAA, mas não publica a ISO 27001 em nenhuma das suas páginas de segurança. Oferece, no entanto, uma implementação dedicada do ADE na UE sobre a AWS Irlanda, com portal próprio e chaves de API não intercambiáveis com as dos Estados Unidos. Isso é residência de dados e não uma mudança de jurisdição: a empresa continua norte-americana e sujeita ao direito dos EUA, ao passo que a anyformat é nativa europeia e está certificada em ISO 27001 em todo o pipeline documental.
Não. O próprio material comparativo da LandingAI descreve o ADE como orientado a programadores, exigindo código Python para construir pipelines de extração recorrentes e não adequado a equipas que querem automação recorrente totalmente sem código. O encaminhamento por confiança vive no pipeline que o cliente escreve, e a interface de revisão está documentada como algo que o cliente deve construir. A anyformat inclui um construtor visual de workflows com ramificações e encaminhamento, mais uma fila de revisão onde o valor corrigido regressa à execução.
