Gartner nennt Altilia im Magic Quadrant 2026 für IDP. So passt die Plattform zu dem Markt, den der Report beschreibt.

Am 8. September 2026 hat Gartner seinen Magic Quadrant™ for Intelligent Document Processing veröffentlicht. Der Report bewertet fünfzehn Anbieter und nennt vier weitere als Honorable Mentions: Unternehmen, die Gartner für bemerkenswert hält, ohne sie in die formale Analyse aufgenommen zu haben. Altilia ist einer der vier und das einzige italienische Unternehmen im Report. Statt das als Auszeichnung zu rahmen, nehmen wir es zum Anlass, die Plattform an dem Maßstab zu messen, den Gartner anlegt: Use Case für Use Case, Merkmal für Merkmal.

Der Maßstab hat sich verschoben. Gartner definiert IDP heute als Plattform, die mehrere KI-Techniken kombiniert, darunter Machine Learning, Sprachmodelle und Knowledge Graphs, um Daten aus komplexen Dokumenten zu erfassen und anzureichern und Prozesse über Anwendungen hinweg zu unterstützen. In den nächsten drei Jahren erwartet Gartner, dass IDP aufhört, ein Erfassungsschritt vor einem Prozess zu sein, und zur Intelligenzschicht wird, die entscheidungsreife Daten an Systems of Record und an die KI-Systeme liefert, die sie zunehmend konsumieren. Anbieter, die nur extrahieren und die Erfassung nicht mit nachgelagerten Aktionen verbinden können, gelten als von Kommoditisierung bedroht. Diese Marktdefinition erkennen wir wieder, denn für sie haben wir die Plattform gebaut.

Vier Use Cases, ein Graph

Gartner nennt vier zentrale Use Cases für IDP. Altilia führt alle vier auf demselben Betriebssystem aus, und die Unterschiede zwischen ihnen behandelt der Knowledge Graph, nicht vier getrennte Produkte.

Transaktionale Dokumentenverarbeitung: einzelne, unabhängige Dokumente wie Rechnungen, Bestellungen oder Schadenformulare. Vorgefertigte Agenten in SensePilot klassifizieren, extrahieren und validieren im Volumen; validierte Daten fließen über SheetPilot oder APIs ins System of Record; nur die Ausnahmen erreichen die Prüfwarteschlange in Notebook.

Verarbeitung voneinander abhängiger Dokumente: mehrere zusammengehörige Dokumente, die gemeinsam verarbeitet werden müssen, mit der Know-your-Customer-Prüfung als Gartners Beispiel. Hier hat Altilia seine tiefste Produktionserfahrung. Im Firmenkredit lesen Agenten eine Akte mit 27 Dokumenttypen, befüllen 250 Datenpunkte, führen KYC-Prüfungen und Prüfungen des wirtschaftlich Berechtigten durch und gleichen die Zahlen über Dokumente hinweg ab, was den Zyklus von fünf Tagen auf zwei Stunden verkürzt. In der NPL-Due-Diligence verarbeiteten Agenten 130 Millionen Seiten, extrahierten 330 Datenpunkte pro Fall und erreichten 98,3 % Genauigkeit auf einer Audit-Stichprobe von 10.000 Dokumenten. Weil jede Extraktion im Graph landet, ist Konsistenz zwischen Dokumenten eine Abfrage, kein Skript.

Kontextuelle Intelligenz: semantisch angereicherte Daten, die Wissen für Agenten und Assistenten aktivieren, mit technischen Handbüchern als Beispiel. Für diesen Use Case wurde der Knowledge Graph entworfen. Dokumente befüllen eine Ontologie; das Retrieval läuft über den Graph; Notebook beantwortet Fragen mit einem Verweis auf die Passage, aus der die Antwort stammt; regulatorische Unterstützung, interne Richtlinien und Produktdokumentation werden zu Wissen, das andere Agenten nutzen können, nicht nur zu Text, den Menschen durchsuchen.

Spezialisierte Dokumentenverarbeitung: Dokumente, die für eine technische Spezialisierung formatiert sind und deren Layout die Bedeutung trägt. Hier prompten wir kein allgemeines Modell und hoffen. Domänenontologien beschreiben, was das Dokument enthält, und Altilia Model Trainer trainiert kleine Modelle auf den Dokumentfamilien des Kunden, von Gerichtsgutachten und Katasterauszügen bis zu den technischen Anlagen von Versicherungspolicen.

Die vier Pflichtmerkmale

Extraktion. Gartner verlangt Erfassung, Validierung und Abbildung von Entitäten auf strukturierte Daten. In Altilia wird die Extraktion auf die Klassen und Eigenschaften einer Ontologie abgebildet, sodass das Ergebnis ein typisierter Graph ist statt einer flachen Feldliste, und jeder Wert behält einen Verweis auf die Seite, aus der er stammt.

ModelOps. Den Lebenszyklus von Composite-AI- und Entscheidungsmodellen steuern. Altilia Model Trainer deckt den gesamten Zyklus ab: Datensätze, erstellt mit synthetischer Datengenerierung und von Menschen geführter Datenkuratierung, Training, Evaluation gegen die Genauigkeitsschwellen des Kunden, Versionierung und Freigabe in die Produktion. Auf der Plattform trainierte Modelle sind Eigentum des Kunden.

Komponierbare Architektur. Altilia ist ein Betriebssystem, kein Monolith. Robots, Skills und Notebook sind seine Nutzerschichten; Agenten werden als Apps ausgeliefert (DocPilot, SheetPilot, SlidePilot, SensePilot); der Knowledge Graph, die Import-Schicht, die Prüfschicht und die Model Foundry sind Module, die sich getrennt betreiben und skalieren lassen.

Vorverarbeitung. Integration mit vorgelagerten Anwendungen, um Inhalte aufzunehmen und vorzubereiten. Die Import-Schicht sammelt Dokumente aus Postfächern, Dateifreigaben und Dokumentenmanagementsystemen, zerlegt Bündel in ihre Einzeldokumente, klassifiziert sie und gewinnt Text und Layout aus Scans zurück.

Die sechzehn optionalen Merkmale

Gartners optionale Merkmale beschreiben, was ein Erfassungswerkzeug von einer Plattform unterscheidet. Altilia deckt sie wie folgt ab.

• Nachverarbeitung: Validierte Daten werden über SheetPilot, APIs und Konnektoren an nachgelagerte Systeme exportiert, mit angehängter Herkunft.
• Human in the Loop: Die Prüfwarteschlange in Notebook enthält nur, was die Agenten nicht lösen konnten, geroutet nach Konfidenz und nach Fachwissen der Prüfenden.
• Workflow-Orchestrierung: Dokumentenprozesse werden einmal modelliert und von Agenten ausgeführt, deterministisch, wo die Regeln bekannt sind, und agentisch, wo nicht.
• Agentische Orchestrierung: Agenten rufen Skills und andere Agenten auf, um eine Aufgabe zu erledigen, und das Betriebssystem autorisiert und protokolliert jeden Schritt.
• Zentrales Repository: Der Knowledge Graph ist das Repository und hält Entitäten, Beziehungen und Herkunft für jedes verarbeitete Dokument.
• Zusammenarbeit: Prüfende, Freigebende und Fachexperten teilen sich dieselben Warteschlangen in Notebook, mit Rollen, die festlegen, wer validiert und wer freigibt.
• Datenvalidierung: Extrahierte Werte werden während der Extraktion gegen interne Daten und externe Register geprüft, wie bei KYC-Prüfungen und Prüfungen des wirtschaftlich Berechtigten.
• Flexibles Deployment: SaaS, Private Cloud in der EU oder On-Premises, in jedem Fall mit derselben Plattform.
• MLOps: Die Trainer-Pipeline steuert Machine-Learning-Modelle ebenso wie Sprachmodelle, und die Genauigkeit wird in der Produktion überwacht.
• No/Low Code: Fachanwender beschreiben, was ein Dokument enthält und was ein Agent tun soll; den Rest übernimmt die Plattform.
• Weitere Sprachmodelle: Kleine und domänenspezifische Modelle, trainiert auf den Daten des Kunden, laufen neben großen Modellen, jedes an die Aufgabe gebunden, zu der es passt.
• Vorgefertigte nachgelagerte Integrationen: Konnektoren zu gängigen Systems of Record und zu den Apps, in denen die Menschen ohnehin arbeiten.
• Vorgefertigte vorgelagerte Integrationen: Konnektoren zu Postfächern, Speichern und Dokumentenmanagementsystemen für die Aufnahme.
• Erfassung reichhaltiger Inhalte: digital erstellte Dokumente, Scans und fotografierte Dokumente, einschließlich Tabellen und komplexer Layouts.
• Komponenten von Drittanbietern: Dritt- und Open-Weight-Modelle, OCR-Engines und externe Dienste lassen sich als Skills einbinden.
• Workflow-Governance und -Management: Jede Agentenaktion ist berechtigt, protokolliert und prüfbar, und Richtlinien werden vom Betriebssystem durchgesetzt; so erfüllen Kunden die Pflichten aus EU AI Act und DORA.

Zwei Dinge im Report, die ein Großteil des Marktes nicht sagen kann

Das erste ist der Knowledge Graph. Gartner zählt Knowledge Graphs zu seiner Definition von Composite AI, doch im Report erscheinen sie als eine Technik unter mehreren, nicht als Fundament einer Plattform. In Altilia ist der Graph das Fundament. Die meisten IDP-Werkzeuge erzeugen Felder; Altilia erzeugt einen Graph. Eine Ontologie sagt, wovon die Dokumente des Unternehmens handeln, Agenten befüllen sie, und der Graph erledigt dann drei Aufgaben zugleich: Er macht Schlussfolgern über Dokumente hinweg möglich, er verankert das Retrieval, damit Antworten Belege statt Halluzinationen tragen, und er liefert das kuratierte Wissen, auf dem große und kleine Modelle feinabgestimmt werden. Der Use Case der kontextuellen Intelligenz ist kein Merkmal, das wir hinzugefügt haben; er ist die Architektur.

Das zweite ist Souveränität. Der Report kommt immer wieder darauf zurück, was regulierte Branchen brauchen: souveränes Deployment, Ausführung ohne externe Konnektivität und dieselbe Funktionalität, ob die Plattform in der Cloud oder in einem abgeschotteten Rechenzentrum läuft. Altilia wurde für Banken, Versicherer und öffentliche Verwaltungen in Europa gebaut. Modelle werden innerhalb des Kundenperimeters trainiert und betrieben, Ontologien, Modelle und Agenten bleiben Eigentum des Kunden, und die Plattform ist nach ISO/IEC 27001, 27017 und 27018 zertifiziert. Für ein europäisches Institut ist Souveränität keine Deployment-Option; sie ist der Grund, warum die Plattform überhaupt eingesetzt werden kann.

Wohin sich der Markt laut Gartner bewegt

Drei Trends ziehen sich durch den Report. Inference Layering: Aufgaben mit hohem Volumen an günstigere deterministische oder kleine Domänenmodelle leiten und Frontier-Modelle dem Schlussfolgern vorbehalten. Agentisches IDP: Agenten, die entscheiden und handeln, nicht nur extrahieren. AI in the Loop: Modelle, die validieren, gegenprüfen und vorkorrigieren, bevor ein Mensch den Fall sieht. In Altilia ist jeder Skill an das Modell gebunden, das zu seiner Aufgabe passt, Agenten führen ganze Prozesse aus statt einzelner Schritte, und Validierungsagenten prüfen die Konsistenz zwischen Dokumenten, bevor etwas die Prüfwarteschlange erreicht. Die Richtung des Marktes ist das Design der Plattform.

“Genannt zu werden ist erfreulich. Entscheidend ist, dass Gartner IDP jetzt als Intelligenzschicht definiert, gebaut auf Composite AI, Knowledge Graphs eingeschlossen, und souverän betrieben. Das ist die Plattform, die wir vom ersten Tag an bauen.”

Gartner, Magic Quadrant for Intelligent Document Processing, 8. September 2026. Gartner empfiehlt keinen der in seinen Forschungspublikationen dargestellten Anbieter, Produkte oder Dienstleistungen; die Publikationen geben die Meinung der Gartner-Research-Organisation wieder und sind keine Tatsachenfeststellungen. GARTNER und MAGIC QUADRANT sind eingetragene Marken von Gartner, Inc. und/oder seinen Tochtergesellschaften.