Firecrawl AnyDoc: 14 formatos a Markdown para agentes de IA

Firecrawl AnyDoc es una biblioteca local y rápida para convertir documentos de Office variados a Markdown, no una plataforma completa de inteligencia documental. El proyecto Rust de código abierto procesa Word, PowerPoint, Excel, OpenDocument, RTF, EPUB y CSV mediante un modelo documental común. También deriva los PDF con texto a pdf-inspector. Para una ingesta RAG, una carga de archivos para agentes de IA o una importación de conocimiento, el atractivo es directo: una dependencia, Markdown coherente y ninguna llamada API para los documentos normales.

Nuestro veredicto tras revisar el código, la metodología del benchmark y las alternativas el 10 de agosto de 2026: AnyDoc merece un piloto con tu corpus cuando predominan los documentos de oficina y el procesamiento local importa. Es una mala opción por defecto si dominan escaneos, escritura manual, maquetación visual o extracción tipada de campos. Este análisis responde a una intención de compra poco atendida, AnyDoc frente a Docling, MarkItDown o un parser gestionado, sin competir con nuestro contenido específico sobre PDF y OCR.

¿Qué es Firecrawl AnyDoc?

AnyDoc transforma los bytes de un documento en un modelo estructural compartido y lo serializa como GitHub-Flavored Markdown. El repositorio oficial y su referencia de API documentan interfaces para Rust, Node.js, Python, CLI y WebAssembly en el navegador. La detección lee marcadores del contenido en lugar de confiar en la extensión. CSV es la excepción, porque no tiene una firma propia.

El límite importa más que la lista. Los recursos incrustados siguen disponibles como bytes en el modelo, mientras Markdown los representa mediante texto alternativo o referencias. AnyDoc no ejecuta OCR, no interpreta gráficos, no infiere campos de facturas, no divide contenido para embeddings ni evalúa la recuperación. Resuelve la conversión anterior a esas tareas.

¿Qué demuestra realmente el benchmark de 4,4 ms?

Firecrawl publica para AnyDoc una mediana de 4,4 ms por documento y una puntuación global de calidad de 81 en 14 formatos. El anuncio oficial con la explicación del benchmark indica que la comparación usó 100 documentos reales y seis alternativas. AnyDoc fue la única herramienta del test que cubrió los 14 formatos.

Es evidencia de proveedor útil, no un récord universal. Fija versión de AnyDoc, hardware, calentamiento y muestra. Mide p50, p95, estructura aceptada, contenido perdido, minutos de corrección y documentos fallidos. Un parser que termina en milisegundos pero rompe una tabla financiera no es rápido para el negocio.

AnyDoc, Docling, MarkItDown o Firecrawl Parse

La documentación actual de formatos de Docling incluye PDF, Office, OpenDocument, EPUB, imágenes, HTML, lenguajes de marcado, audio y vídeo. Otras partes del toolkit aportan OCR y exportaciones estructuradas. Esa amplitud lo hace atractivo para corpus visuales o multimodales, pero no lo convierte automáticamente en el conversor de Office más ligero.

La documentación oficial de MarkItDown describe dependencias opcionales por formato, OCR mediante plugin y rutas facturables de Azure para maquetación o extracción estructurada. Encaja con productos Python que necesitan extensibilidad. AnyDoc encaja cuando quieres una biblioteca local enfocada, con varios lenguajes y una salida uniforme para documentos de oficina.

La documentación del servicio Firecrawl Parse añade modos OCR, resúmenes y JSON guiado por esquema. Elígelo cuando la gestión externa de excepciones vale más que mantener todos los bytes y procesos dentro de tu perímetro. La biblioteca local y la API alojada son productos diferentes, aunque AnyDoc forme parte del servicio.

¿Cómo encaja AnyDoc en una canalización de agentes o RAG?

1. Acepta poco: permite solo formatos necesarios, limita tamaño de archivo y descompresión, sustituye nombres y pon la carga en cuarentena.
2. Detecta desde los bytes: compara la extensión declarada con el resultado por contenido. Rechaza la discrepancia salvo que exista una recuperación explícita.
3. Procesa aislado: limita CPU, memoria, anidación y tiempo. Las cargas públicas deben vivir lejos del proceso web y de las credenciales.
4. Conserva procedencia: guarda hash, formato original, versión del parser, fecha, títulos, tablas y referencias a recursos.
5. Valida el Markdown: comprueba secciones, caracteres, filas, totales, enlaces y salida vacía antes de indexar.
6. Deriva excepciones: los PDF de imagen y escaneos incrustados van a OCR o visión aprobada. Los archivos cifrados o dañados pasan a revisión o rechazo controlado.
7. Divide después de aceptar: el parsing produce texto fuente. Metadatos, permisos, embeddings, recuperación y citas siguen siendo responsabilidades distintas.
8. Mide documentos aceptados: registra coste completo y tiempo de revisión, no solo milisegundos del parser.

Para PDF, consulta nuestro análisis de pdf-inspector y enrutamiento OCR. Esa página posee la intención sobre texto nativo, páginas mixtas y el punto donde empieza el OCR. Después de aceptar el Markdown, la lista de preparación RAG para empresas europeas cubre permisos, evaluación de recuperación y citas de respuestas. Esta separación evita canibalización.

Inicio rápido en Node.js con un límite de producción

import { toMarkdownBytes } from "@firecrawl/anydoc"

export async function parseAcceptedUpload(file) {
  enforceUploadLimits(file)
  const bytes = new Uint8Array(await file.arrayBuffer())
  const markdown = await toMarkdownBytes(bytes, file.name)
  const result = validateDocument(markdown)

  if (!result.accepted) {
    return routeForReview(file, result.reasons)
  }

  return {
    markdown,
    sha256: await hash(bytes),
    parser: "anydoc@PINNED_VERSION",
    sourceName: safeDisplayName(file.name)
  }
}

enforceUploadLimits, validateDocument, routeForReview, hash y safeDisplayName son código del producto, no API de AnyDoc. Mantén esa frontera visible en la estimación. Instalar el parser es la parte más pequeña de una función de ingesta fiable.

¿Cuándo no encaja AnyDoc?

• Escaneos y fotos: AnyDoc no incluye un modelo OCR. El soporte de PDF con texto no cambia ese límite.
• Significado visual: gráficos, firmas, correcciones manuscritas y formularios espaciales requieren visión o comprensión documental.
• Campos de negocio tipados: convertir una factura a Markdown no valida proveedor, impuestos, líneas y total contra un esquema.
• Renderizado perfecto: el objetivo es texto estructurado, no reproducir cada píxel de una hoja o presentación.
• Cargas públicas sin límite: Rust y los límites internos ayudan, pero no sustituyen sandbox, colas, antimalware y actualizaciones.
• Benchmark independiente obligatorio: las cifras proceden del equipo del proyecto y de un corpus privado.

La guía de OWASP para cargas de archivos recomienda defensa en profundidad: extensiones permitidas, comprobación de tipo y firma, nombres nuevos, límites, almacenamiento aislado, antimalware y parser reforzado. La conversión local reduce un riesgo de transferencia. No vuelve fiable un archivo de Office externo.

Evaluación de AnyDoc en diez días

1. Muestrea la realidad: elige al menos 200 documentos de todos los formatos, idiomas, edades y orígenes relevantes. Añade ejemplos dañados, cifrados, con macros y sobredimensionados.
2. Define aceptación: etiqueta títulos, notas, tablas, celdas combinadas, enlaces, fórmulas, páginas y recursos necesarios.
3. Mide la base actual: registra tasa de aceptación, p50, p95, coste, minutos de revisión y uso de fallback.
4. Prueba una versión fijada: mide los mismos resultados y separa parsing caliente de arranque y carga.
5. Compara dos alternativas: usa Docling en el subconjunto visual difícil y MarkItDown en los formatos comunes.
6. Ataca el límite: prueba archivos mal nombrados, comprimidos, anidados y costosos en el sandbox previsto.
7. Calcula el fallback: cuenta OCR, revisión manual, rechazos y fallos visibles para usuarios.
8. Decide por acción aceptada: publica solo si calidad y seguridad superan el umbral y baja el coste total o la latencia.

Nuestro modelo de coste por acción de agente de IA mantiene reintentos y reparación humana en el denominador. Si la ingesta documental se convierte en infraestructura de producto, el servicio de AI enablement de Wavect puede evaluar el corpus, construir el enrutamiento y conectarlo a recuperación o automatización. El caso Twinsoft AI muestra nuestro enfoque para salidas trazables y la guía para elegir tecnología de un MVP ayuda a decidir qué capas conviene operar.

Límite de la investigación

Estado revisado el 10 de agosto de 2026. Las cifras son resultados publicados por el proveedor, no mediciones de Wavect. Revisamos repositorio, metodología y documentación oficial de alternativas, pero no recibimos el corpus privado ni hicimos una auditoría de seguridad. Versiones, formatos, límites y precios pueden cambiar. Fíjalos y verifícalos antes de comprar.