Gartner cita Altilia nel Magic Quadrant 2026 per l'IDP. Ecco come la piattaforma risponde al mercato che descrive.

L'8 settembre 2026 Gartner ha pubblicato il suo Magic Quadrant™ for Intelligent Document Processing. Il report valuta quindici vendor e cita altri quattro fornitori come Honorable Mention: aziende che considera degne di nota pur non avendole incluse nell'analisi formale. Altilia è uno dei quattro, e l'unica azienda italiana nel report. Più che come un distintivo, lo prendiamo come l'occasione per verificare la piattaforma con il metro che usa Gartner: use case per use case, feature per feature.

Il metro si è spostato. Gartner definisce oggi l'IDP come una piattaforma che combina più tecniche di AI, tra cui machine learning, modelli linguistici e knowledge graph, per catturare e arricchire dati da documenti complessi e per supportare flussi di lavoro tra applicazioni. Nei prossimi tre anni si aspetta che l'IDP smetta di essere un passaggio di acquisizione a monte di un processo e diventi il livello di intelligenza che fornisce dati pronti per la decisione ai sistemi di record e ai sistemi di AI che sempre più li consumano. I vendor che si limitano a estrarre, senza collegare l'acquisizione all'azione a valle, sono descritti come esposti alla commoditizzazione. È una definizione del mercato che riconosciamo, perché è quella per cui abbiamo costruito la piattaforma.

Quattro use case, un solo grafo

Gartner elenca quattro use case principali per l'IDP. Altilia li esegue tutti e quattro sullo stesso sistema operativo, e le differenze tra loro sono gestite dal knowledge graph, non da quattro prodotti separati.

Elaborazione di documenti transazionali: documenti singoli e indipendenti come fatture, ordini di acquisto o moduli di sinistro. Gli agenti pre-costruiti in Altilia Extract classificano, estraggono e validano ad alto volume; i dati validati fluiscono verso il sistema di record tramite Altilia Sheets o API; solo le eccezioni arrivano alla coda di revisione in Notebook.

Elaborazione di documenti interdipendenti: più documenti correlati da elaborare insieme, e l'esempio di Gartner è la verifica know-your-customer. È qui che Altilia ha il suo track record di produzione più profondo. Nel credito corporate, gli agenti leggono una pratica di 27 tipologie documentali, popolano 250 datapoint, eseguono i controlli KYC e sul titolare effettivo e riconciliano le cifre tra i documenti, portando il ciclo da cinque giorni a due ore. Nella due diligence NPL, gli agenti hanno elaborato 130 milioni di pagine, estratto 330 datapoint per pratica e raggiunto il 98,3% di accuratezza su un campione di audit di 10.000 documenti. Poiché ogni estrazione finisce nel grafo, la coerenza tra documenti è una query, non uno script.

Intelligenza contestuale: dati arricchiti semanticamente che attivano conoscenza per agenti e assistenti, con i manuali tecnici come esempio. È lo use case per cui il knowledge graph è stato progettato. I documenti popolano un'ontologia; il retrieval gira sul grafo; Notebook risponde alle domande con una citazione del passaggio da cui proviene la risposta; assistenza normativa, policy interne e documentazione di prodotto diventano conoscenza che altri agenti possono usare, non solo testo che le persone possono cercare.

Elaborazione di documenti specialistici: documenti formattati per una specializzazione tecnica, dove è il layout a portare il significato. Qui non diamo un prompt a un modello generalista sperando che basti. Le ontologie di dominio descrivono cosa contiene il documento, e Altilia Model Trainer addestra modelli piccoli sulle famiglie documentali del cliente, dalle perizie giudiziarie e le visure catastali agli allegati tecnici delle polizze assicurative.

Le quattro feature obbligatorie

Estrazione. Gartner chiede cattura, validazione e mappatura delle entità in dati strutturati. In Altilia l'estrazione mappa sulle classi e le proprietà di un'ontologia, così l'output è un grafo tipizzato e non un insieme piatto di campi, e ogni valore conserva un collegamento alla pagina da cui proviene.

ModelOps. Governare il ciclo di vita dei modelli di AI composita e di decisione. Altilia Model Trainer copre l'intero ciclo: dataset costruiti con generazione di dati sintetici e curatela guidata dagli esperti, addestramento, valutazione rispetto alle soglie di accuratezza del cliente, versionamento e promozione in produzione. I modelli addestrati sulla piattaforma sono di proprietà del cliente.

Architettura componibile. Altilia è un sistema operativo, non un monolite. Robots, Skills e Notebook sono i suoi livelli utente; gli agenti arrivano come app (Write, Sheets, Slides, Extract); il knowledge graph, il livello di import, il livello di revisione e la model foundry sono moduli che si possono installare e scalare separatamente.

Pre-elaborazione. Integrazione con le applicazioni a monte per acquisire e preparare i contenuti. Il livello di import raccoglie i documenti da caselle di posta, file share e sistemi di gestione documentale, separa i fascicoli nei documenti che li compongono, li classifica e recupera testo e layout dalle scansioni.

Le sedici feature opzionali

Le feature opzionali di Gartner descrivono ciò che separa uno strumento di acquisizione da una piattaforma. Altilia le copre così.

• Post-elaborazione: i dati validati vengono esportati verso i sistemi a valle tramite Sheets, API e connettori, con la provenienza allegata.
• Human in the loop: la coda di revisione di Notebook contiene solo ciò che gli agenti non hanno potuto risolvere, instradato per confidenza e per competenza del revisore.
• Orchestrazione dei flussi: i processi documentali si modellano una volta e li eseguono gli agenti, in modo deterministico dove le regole sono note e agentico dove non lo sono.
• Orchestrazione agentica: gli agenti richiamano skill e altri agenti per completare un compito, e il sistema operativo autorizza e registra ogni passo.
• Repository centralizzato: il knowledge graph è il repository, e conserva entità, relazioni e provenienza per ogni documento elaborato.
• Collaborazione: revisori, approvatori ed esperti di dominio condividono le stesse code in Notebook, con ruoli che stabiliscono chi valida e chi firma.
• Validazione dei dati: i valori estratti vengono verificati in fase di estrazione contro dati interni e registri esterni, come nei controlli KYC e sul titolare effettivo.
• Deployment flessibile: SaaS, cloud privato nell'UE oppure on-premises, con la stessa piattaforma in ogni caso.
• MLOps: la pipeline del Trainer governa i modelli di machine learning oltre ai modelli linguistici, e l'accuratezza è monitorata in produzione.
• No/low code: gli utenti di business descrivono cosa contiene un documento e cosa deve fare un agente; al resto pensa la piattaforma.
• Altri modelli linguistici: modelli piccoli e di dominio addestrati sui dati del cliente lavorano accanto ai modelli grandi, ciascuno legato al compito che gli si addice.
• Integrazioni a valle pre-costruite: connettori verso i sistemi di record più comuni e verso le app in cui le persone già lavorano.
• Integrazioni a monte pre-costruite: connettori verso caselle di posta, storage e sistemi di gestione documentale per l'acquisizione.
• Acquisizione di contenuti ricchi: documenti nativi digitali, scansioni e documenti fotografati, incluse tabelle e layout complessi.
• Componenti di terze parti: modelli di terze parti e open-weight, motori OCR e servizi esterni si possono innestare come skill.
• Governance e gestione dei flussi: ogni azione di un agente è autorizzata, registrata e verificabile, e le policy sono applicate dal sistema operativo; è così che i clienti rispondono agli obblighi dell'AI Act europeo e di DORA.

Due cose nel report che gran parte del mercato non può dire

La prima è il knowledge graph. Gartner include i knowledge graph nella sua definizione di AI composita, ma nel report compaiono come una tecnica tra le altre, non come il fondamento di una piattaforma. In Altilia il grafo è il fondamento. La maggior parte degli strumenti IDP produce campi; Altilia produce un grafo. Un'ontologia dice di cosa parlano i documenti dell'azienda, gli agenti la popolano, e il grafo svolge poi tre lavori insieme: rende possibile il ragionamento tra documenti, ancora il retrieval perché le risposte portino citazioni invece di allucinazioni, e fornisce la conoscenza curata su cui si fa il fine-tuning dei modelli grandi e piccoli. Lo use case dell'intelligenza contestuale non è una feature che abbiamo aggiunto: è l'architettura.

La seconda è la sovranità. Il report torna più volte su ciò di cui hanno bisogno i settori regolamentati: deployment sovrano, esecuzione senza connettività esterna e le stesse funzionalità sia che la piattaforma giri nel cloud sia in un data center isolato. Altilia è stata costruita per banche, assicurazioni e pubbliche amministrazioni in Europa. I modelli vengono addestrati ed eseguiti dentro il perimetro del cliente, ontologie, modelli e agenti restano di proprietà del cliente, e la piattaforma è certificata ISO/IEC 27001, 27017 e 27018. Per un'istituzione europea la sovranità non è un'opzione di installazione: è la ragione per cui la piattaforma può essere usata.

Dove Gartner dice che va il mercato

Tre tendenze attraversano il report. L'inference layering: instradare i compiti ad alto volume verso modelli deterministici o piccoli modelli di dominio, più economici, riservando i modelli di frontiera al ragionamento. L'IDP agentico: agenti che decidono e agiscono, non solo estraggono. L'AI in the loop: modelli che validano, incrociano e pre-correggono prima che un umano veda la pratica. In Altilia ogni skill è legata al modello adatto al suo compito, gli agenti eseguono processi interi e non singoli passaggi, e gli agenti di validazione verificano la coerenza tra documenti prima che qualcosa arrivi alla coda di revisione. La direzione del mercato è il progetto della piattaforma.

“Essere citati fa piacere. Ciò che conta è che Gartner definisce ora l'IDP come un livello di intelligenza costruito su AI composita, knowledge graph inclusi, ed erogato con deployment sovrano. È la piattaforma che costruiamo dal primo giorno.”

Gartner, Magic Quadrant for Intelligent Document Processing, 8 settembre 2026. Gartner non avalla alcun vendor, prodotto o servizio presente nelle proprie pubblicazioni di ricerca, che esprimono le opinioni della sua organizzazione di ricerca e non costituiscono dichiarazioni di fatto. GARTNER e MAGIC QUADRANT sono marchi registrati di Gartner, Inc. e/o delle sue affiliate.