Gartner cite Altilia dans le Magic Quadrant 2026 de l'IDP. Voici comment la plateforme répond au marché qu'il décrit.

Le 8 septembre 2026, Gartner a publié son Magic Quadrant™ for Intelligent Document Processing. Le rapport évalue quinze éditeurs et en cite quatre autres comme Honorable Mentions : des entreprises qu'il juge dignes d'intérêt sans les avoir incluses dans l'analyse formelle. Altilia est l'un des quatre, et la seule entreprise italienne du rapport. Plutôt que d'en faire un badge, nous y voyons l'occasion de confronter la plateforme à l'étalon qu'utilise Gartner : cas d'usage par cas d'usage, fonctionnalité par fonctionnalité.

L'étalon a bougé. Gartner définit désormais l'IDP comme une plateforme qui combine plusieurs techniques d'IA, dont l'apprentissage automatique, les modèles de langage et les graphes de connaissances, pour capturer et enrichir les données de documents complexes et soutenir des flux de travail entre applications. Dans les trois prochaines années, il s'attend à ce que l'IDP cesse d'être une étape de capture en amont d'un processus pour devenir la couche d'intelligence qui fournit des données prêtes pour la décision aux systèmes de référence et aux systèmes d'IA qui les consomment de plus en plus. Les éditeurs qui se contentent d'extraire, sans relier la capture à l'action en aval, sont décrits comme exposés à la banalisation. C'est une définition du marché que nous reconnaissons, parce que c'est celle pour laquelle nous avons construit la plateforme.

Quatre cas d'usage, un seul graphe

Gartner recense quatre cas d'usage principaux pour l'IDP. Altilia les exécute tous les quatre sur le même système d'exploitation, et les différences entre eux sont prises en charge par le graphe de connaissances, pas par quatre produits distincts.

Traitement de documents transactionnels : des documents isolés et indépendants comme des factures, des bons de commande ou des formulaires de sinistre. Les agents pré-construits d'Altilia Extract classent, extraient et valident en volume ; les données validées rejoignent le système de référence via Altilia Sheets ou des API ; seules les exceptions atteignent la file de révision dans Notebook.

Traitement de documents interdépendants : plusieurs documents liés à traiter ensemble, la vérification know-your-customer étant l'exemple de Gartner. C'est là qu'Altilia a l'historique de production le plus profond. Dans le crédit aux entreprises, les agents lisent un dossier de 27 types de documents, renseignent 250 points de données, exécutent les contrôles KYC et de bénéficiaire effectif et rapprochent les chiffres entre documents, ramenant le cycle de cinq jours à deux heures. Dans la due diligence NPL, les agents ont traité 130 millions de pages, extrait 330 points de données par dossier et atteint 98,3 % de précision sur un échantillon d'audit de 10 000 documents. Comme chaque extraction aboutit dans le graphe, la cohérence entre documents est une requête, pas un script.

Intelligence contextuelle : des données enrichies sémantiquement qui activent la connaissance pour les agents et les assistants, les manuels techniques étant l'exemple. C'est le cas d'usage pour lequel le graphe de connaissances a été conçu. Les documents peuplent une ontologie ; la récupération s'exécute sur le graphe ; Notebook répond aux questions avec une citation du passage d'où vient la réponse ; l'assistance réglementaire, les politiques internes et la documentation produit deviennent une connaissance que d'autres agents peuvent utiliser, et pas seulement du texte que les personnes peuvent chercher.

Traitement de documents spécialisés : des documents formatés pour une spécialité technique, où la mise en page porte le sens. Ici, nous ne donnons pas un prompt à un modèle généraliste en espérant que cela suffise. Les ontologies de domaine décrivent ce que contient le document, et Altilia Model Trainer entraîne de petits modèles sur les familles documentaires propres au client, des expertises judiciaires et extraits cadastraux aux annexes techniques des polices d'assurance.

Les quatre fonctionnalités obligatoires

Extraction. Gartner demande la capture, la validation et la mise en correspondance des entités avec des données structurées. Dans Altilia, l'extraction s'aligne sur les classes et propriétés d'une ontologie, de sorte que le résultat est un graphe typé plutôt qu'un ensemble plat de champs, et chaque valeur conserve un lien vers la page dont elle provient.

ModelOps. Gouverner le cycle de vie des modèles d'IA composite et de décision. Altilia Model Trainer couvre l'ensemble du cycle : jeux de données construits par génération de données synthétiques et curation guidée par des experts, entraînement, évaluation au regard des seuils de précision propres au client, versionnage et promotion en production. Les modèles entraînés sur la plateforme sont la propriété du client.

Architecture composable. Altilia est un système d'exploitation, pas un monolithe. Robots, Skills et Notebook en sont les couches utilisateur ; les agents sont livrés sous forme d'apps (Write, Sheets, Slides, Extract) ; le graphe de connaissances, la couche d'import, la couche de révision et la model foundry sont des modules qui se déploient et se dimensionnent séparément.

Prétraitement. Intégration avec les applications en amont pour ingérer et préparer les contenus. La couche d'import collecte les documents depuis les boîtes mail, les partages de fichiers et les systèmes de gestion documentaire, sépare les liasses en documents constitutifs, les classe et récupère texte et mise en page à partir des numérisations.

Les seize fonctionnalités optionnelles

Les fonctionnalités optionnelles de Gartner décrivent ce qui sépare un outil de capture d'une plateforme. Altilia les couvre ainsi.

• Post-traitement : les données validées sont exportées vers les systèmes en aval via Sheets, des API et des connecteurs, provenance comprise.
• Human in the loop : la file de révision de Notebook ne contient que ce que les agents n'ont pas pu résoudre, routé selon la confiance et l'expertise du réviseur.
• Orchestration des flux : les processus documentaires sont modélisés une fois et exécutés par des agents, de façon déterministe là où les règles sont connues et agentique là où elles ne le sont pas.
• Orchestration agentique : les agents appellent des skills et d'autres agents pour accomplir une tâche, et le système d'exploitation autorise et journalise chaque étape.
• Référentiel centralisé : le graphe de connaissances est le référentiel ; il conserve entités, relations et provenance pour chaque document traité.
• Collaboration : réviseurs, approbateurs et experts métier partagent les mêmes files dans Notebook, avec des rôles qui déterminent qui valide et qui signe.
• Validation des données : les valeurs extraites sont recoupées pendant l'extraction avec des données internes et des registres externes, comme dans les contrôles KYC et de bénéficiaire effectif.
• Déploiement flexible : SaaS, cloud privé dans l'UE ou on-premises, avec la même plateforme dans chaque cas.
• MLOps : le pipeline du Trainer gouverne les modèles d'apprentissage automatique comme les modèles de langage, et la précision est surveillée en production.
• No/low code : les utilisateurs métier décrivent ce que contient un document et ce qu'un agent doit faire ; la plateforme se charge du reste.
• Autres modèles de langage : de petits modèles et des modèles de domaine entraînés sur les données du client fonctionnent aux côtés de grands modèles, chacun lié à la tâche qui lui convient.
• Intégrations aval pré-construites : des connecteurs vers les systèmes de référence courants et vers les apps dans lesquelles les personnes travaillent déjà.
• Intégrations amont pré-construites : des connecteurs vers les boîtes mail, le stockage et les systèmes de gestion documentaire pour l'ingestion.
• Capture de contenus riches : documents nativement numériques, numérisations et documents photographiés, y compris tableaux et mises en page complexes.
• Composants tiers : des modèles tiers et à poids ouverts, des moteurs OCR et des services externes peuvent être branchés comme skills.
• Gouvernance et gestion des flux : chaque action d'un agent est autorisée, journalisée et auditable, et les politiques sont appliquées par le système d'exploitation ; c'est ainsi que les clients répondent aux obligations de l'AI Act européen et de DORA.

Deux points du rapport qu'une grande partie du marché ne peut pas revendiquer

Le premier est le graphe de connaissances. Gartner inclut les graphes de connaissances dans sa définition de l'IA composite, mais dans le rapport ils apparaissent comme une technique parmi d'autres, pas comme le fondement d'une plateforme. Dans Altilia, le graphe est le fondement. La plupart des outils IDP produisent des champs ; Altilia produit un graphe. Une ontologie dit de quoi parlent les documents de l'entreprise, les agents la peuplent, et le graphe remplit alors trois fonctions à la fois : il rend possible le raisonnement entre documents, il ancre la récupération pour que les réponses portent des citations plutôt que des hallucinations, et il fournit la connaissance curée sur laquelle les grands et petits modèles sont affinés. Le cas d'usage de l'intelligence contextuelle n'est pas une fonctionnalité que nous avons ajoutée ; c'est l'architecture.

Le second est la souveraineté. Le rapport revient sans cesse sur ce dont les secteurs réglementés ont besoin : un déploiement souverain, une exécution sans connectivité externe et les mêmes fonctionnalités que la plateforme tourne dans le cloud ou dans un centre de données isolé. Altilia a été construite pour les banques, les assureurs et les administrations publiques en Europe. Les modèles sont entraînés et servis dans le périmètre du client, les ontologies, modèles et agents restent la propriété du client, et la plateforme est certifiée ISO/IEC 27001, 27017 et 27018. Pour une institution européenne, la souveraineté n'est pas une option de déploiement ; c'est la raison pour laquelle la plateforme peut être utilisée.

Où va le marché selon Gartner

Trois tendances traversent le rapport. L'inference layering : router les tâches à fort volume vers des modèles déterministes ou de petits modèles de domaine, moins coûteux, en réservant les modèles de frontière au raisonnement. L'IDP agentique : des agents qui décident et agissent, pas seulement extraient. L'IA in the loop : des modèles qui valident, recoupent et pré-corrigent avant qu'un humain ne voie le dossier. Dans Altilia, chaque skill est liée au modèle adapté à sa tâche, les agents exécutent des processus entiers plutôt que des étapes isolées, et des agents de validation vérifient la cohérence entre documents avant que quoi que ce soit n'atteigne la file de révision. La direction du marché est le design de la plateforme.

“Être cité fait plaisir. Ce qui compte, c'est que Gartner définit désormais l'IDP comme une couche d'intelligence construite sur l'IA composite, graphes de connaissances compris, et servie en déploiement souverain. C'est la plateforme que nous construisons depuis le premier jour.”

Gartner, Magic Quadrant for Intelligent Document Processing, 8 septembre 2026. Gartner ne cautionne aucun éditeur, produit ou service figurant dans ses publications de recherche, lesquelles expriment les opinions de son organisation de recherche et ne constituent pas des déclarations de fait. GARTNER et MAGIC QUADRANT sont des marques déposées de Gartner, Inc. et/ou de ses filiales.