Amazon Quick Flows automatise les tâches répétitives

Box Automate : la fin des tâches répétitives en entreprise

Box a lancé Box Automate, une nouvelle solution d'automatisation intégrée à sa plateforme de gestion de contenu, avec pour ambition de transformer les documents statiques en déclencheurs d'actions autonomes. Développée en collaboration avec les modèles d'OpenAI, d'Anthropic et de Google, la solution repose sur un éditeur no-code basé sur le glisser-déposer, permettant à n'importe quel responsable de service de concevoir des flux de travail automatisés sans intervention du département informatique. Le système orchestre des agents IA spécialisés qui analysent le contenu des fichiers, extraient les métadonnées pertinentes et n'impliquent un humain que pour les décisions critiques. Parmi les premiers déploiements notables, Samsung utilise déjà l'outil pour automatiser l'onboarding de ses nouvelles recrues, en connectant des systèmes RH comme Workday et Greenhouse à Box DocGen pour générer des documents personnalisés en temps réel. L'enjeu central de Box Automate est de réduire drastiquement le délai entre la réception d'un document et l'action qui en découle, un goulot d'étranglement chronique dans la majorité des organisations. Les applications couvrent des fonctions très diverses : les services juridiques peuvent automatiser l'évaluation des risques contractuels, les équipes crédit croiser automatiquement les pièces justificatives pour instruire des dossiers de prêt, et les agences de recherche piloter la conformité de leurs rapports techniques. Aaron Levie, PDG de Box, positionne explicitement cette capacité d'automatisation du quotidien comme le véritable retour sur investissement de l'IA en entreprise, au-delà des usages ponctuels ou expérimentaux. Pour les utilisateurs finaux, le gain est immédiat : des traitements qui prenaient plusieurs jours peuvent désormais s'effectuer en quelques minutes. Box s'inscrit dans une tendance de fond qui voit les plateformes de gestion documentaire muer en véritables orchestrateurs de processus métier. Face à des concurrents comme Microsoft SharePoint ou Google Workspace qui intègrent eux aussi des couches d'automatisation IA, Box mise sur la flexibilité architecturale et la neutralité vis-à-vis des fournisseurs de modèles pour se différencier. Le choix d'une architecture ouverte, compatible avec plusieurs grands LLMs, permet à ses clients de bénéficier des avancées technologiques sans reconstruire leurs workflows internes. La commercialisation est déjà effective, avec une offre graduée selon les licences : les versions Business couvrent l'automatisation de base, tandis que l'Enterprise Advanced donne accès à l'orchestration complète par agents IA via Box AI Studio. La prochaine étape sera d'observer si ces promesses d'automatisation tiennent à l'échelle dans des environnements complexes, notamment sur les questions de gouvernance et de traçabilité des décisions prises par les agents.

Scaling des workflows à base d'agents grâce à la gestion native des cas dans Amazon Quick Automate

L'article, disponible depuis mardi sur le blog technique d'AWS, détaille comment Amazon Quick Automate intègre désormais une gestion native des dossiers (case management) pour piloter des workflows agentiques à grande échelle. Le problème identifié est simple : un agent IA peut traiter une facture ou classer un ticket support isolément en démonstration, mais faire tourner ces agents sur des milliers, voire des millions d'éléments de travail en production pose des défis d'un tout autre ordre. Chaque élément de travail devient un "case" qui persiste tout au long de son cycle de vie, offrant une visibilité étape par étape sur l'état du workflow, la possibilité pour un humain d'intervenir quand un jugement est nécessaire, et une exécution parallèle permettant d'orchestrer plusieurs agents simultanément. Quick Automate combine ainsi agents IA et orchestration de workflows au sein d'Amazon Quick, avec des contrôles natifs comme la gestion fine des accès, la journalisation d'activité, le contrôle de version, la gestion des exceptions et l'intervention humaine (HITL, human-in-the-loop). L'accès nécessite une licence Enterprise et les workflows sont spécifiques à chaque région AWS. Cette avancée répond à un vrai point de friction pour les entreprises qui cherchent à déployer l'IA agentique au-delà du stade du prototype. La gestion de cas apporte une visibilité accrue : les responsables de processus voient exactement où en est chaque élément de travail, tandis que les managers peuvent surveiller le débit, repérer les goulots d'étranglement en amont et intervenir avant que les retards n'affectent l'activité. Le traitement parallèle de plusieurs cas augmente le débit et aide les organisations à respecter leurs engagements de niveau de service (SLA). Sur le plan de la conformité, chaque action, décision et transition d'état est enregistrée dans l'historique du dossier, ce qui renforce l'auditabilité et la gouvernance, un enjeu central pour les secteurs régulés comme la finance ou l'assurance. Les mises à jour de statut en temps réel remplacent aussi les échanges d'e-mails fragmentés par une collaboration centralisée, avec une propriété claire des tâches et moins de transmissions perdues entre équipes. Cette fonctionnalité s'inscrit dans une tendance plus large de l'industrie cloud à combler le fossé entre les démonstrations d'agents IA et leur déploiement opérationnel réel. Amazon, comme ses concurrents Microsoft et Google, mise sur des couches d'orchestration et de gouvernance pour rendre l'IA agentique exploitable en entreprise, au-delà de la simple capacité de raisonnement des modèles. Le billet AWS illustre ce dispositif avec un modèle dit "créateur-processeur" permettant une mise à l'échelle dynamique, ainsi qu'un cas d'usage concret combinant suivi de cas et intervention humaine. Reste à voir si cette approche, encore réservée aux clients disposant d'une licence Enterprise, se généralisera à mesure que les organisations cherchent à industrialiser leurs premiers projets d'agents IA.

💬 Depuis 2 ans, tout le monde vante les démos d'agents IA sur une facture ou un ticket isolé, mais personne ne parle du moment où il faut en traiter un million en prod. Là, AWS met le doigt sur le vrai sujet : la gestion de cas, pas le modèle. C'est révélateur d'un basculement dans le cloud IA, la valeur ajoutée se déplace du raisonnement des LLM vers les couches d'orchestration et de gouvernance, celles qui permettent réellement de passer du prototype à l'industrialisation.

Anthropic dévoile des agents IA pour automatiser les tâches financières

Anthropic a dévoilé le 5 mai 2026 une suite de dix agents IA spécialisés dans l'automatisation des tâches financières complexes. Construits sur Claude Opus 4.7, ces agents ciblent les banques, sociétés de gestion d'actifs et équipes finance d'entreprise. Ils couvrent un spectre large : préparation de pitchs commerciaux, analyse de résultats d'entreprises, suivi de marchés, modélisation financière, rapprochement comptable, clôture mensuelle, audit d'états financiers et vérification KYC. Chaque agent combine des compétences métiers, des connecteurs de données et des sous-agents spécialisés. Sur le benchmark Finance Agent de Vals AI, Anthropic revendique un score de 64,37 % pour Claude Opus 4.7, ce qui en ferait le modèle le plus performant du marché sur les usages financiers selon l'entreprise. En parallèle, Anthropic intègre nativement Claude à Microsoft 365 via des modules complémentaires pour Excel, PowerPoint et Word, avec une extension Outlook annoncée prochainement. Une fonctionnalité appelée Dispatch permet également d'assigner des tâches à distance par message ou commande vocale, l'agent poursuivant alors le travail en arrière-plan sur les fichiers locaux. L'enjeu opérationnel est considérable pour les services financiers, où une part significative du temps des analystes est absorbée par des tâches répétitives à faible valeur ajoutée. L'intégration native avec Microsoft 365 est particulièrement stratégique : Claude peut construire un modèle financier dans Excel, le transférer automatiquement dans PowerPoint et générer une présentation qui se met à jour en temps réel quand les données changent. Dans Word, il peut adapter des notes de crédit aux standards internes d'une institution. La continuité contextuelle entre applications, argument central d'Anthropic, élimine la friction habituelle : les analystes n'ont plus à réexpliquer leur travail lorsqu'ils changent d'outil. Pour les institutions qui souhaiteraient personnaliser les agents, Anthropic permet d'adapter les modèles aux règles de conformité, politiques de risque ou méthodes d'évaluation propres à chaque organisation. Cette offensive s'inscrit dans une compétition féroce entre les grands laboratoires d'IA pour s'implanter durablement dans les workflows des services financiers, secteur perçu comme l'un des plus rentables pour les déploiements à grande échelle. Anthropic s'appuie sur des connecteurs vers les plateformes de données de référence du secteur, FactSet, S&P Capital IQ, PitchBook, Morningstar, LSEG, pour crédibiliser son offre face à des acteurs comme OpenAI ou Microsoft Copilot, déjà bien installés dans les grandes institutions. D'après le Wall Street Journal, la demande des institutions financières pour des outils IA pleinement intégrés dans les processus métiers est en forte croissance, et Anthropic cherche à se positionner non plus comme un fournisseur de modèle, mais comme une véritable plateforme opérationnelle. Le déploiement en quelques jours promis par l'entreprise reste à vérifier à l'échelle, mais le signal envoyé au marché est clair : Claude vise désormais le cœur des opérations financières.

💬 C'est le virage qu'on attendait : Anthropic arrête d'être un fournisseur de modèle pour devenir une plateforme métier à part entière. L'intégration dans M365, avec Claude qui garde le fil entre Excel, PowerPoint et Word sans qu'on lui réexplique tout à chaque changement d'outil, c'est là que ça peut vraiment mordre face à Copilot. Le 64,37% sur le benchmark Finance, bon, c'est leur propre terrain de jeu, faut attendre les vrais déploiements pour voir si ça tient.

Amazon Finance automatise le traitement des demandes réglementaires grâce à l'IA générative sur AWS

Les équipes Finance Technology (FinTech) d'Amazon ont déployé un système automatisé de gestion des enquêtes réglementaires, construit sur Amazon Bedrock et plusieurs services AWS. Face à des milliers de documents à traiter, en formats PDF, Word, PowerPoint et CSV, et à des délais réglementaires stricts imposés par des autorités aux exigences très différentes selon les juridictions, les équipes ont développé une application basée sur la génération augmentée par récupération (RAG). Le coeur du système repose sur Amazon Bedrock Knowledge Bases couplé à Amazon OpenSearch Serverless pour le stockage vectoriel, Claude Sonnet 4.5 comme modèle de langage via l'API Converse Stream, et Amazon DynamoDB pour la gestion de l'historique des conversations. Chaque équipe FinTech maintient sa propre base de connaissances alimentée par ses documents spécifiques. Ce système change concrètement la façon dont des équipes internes traitent des demandes réglementaires complexes, qui nécessitent de croiser des milliers de précédents documentaires tout en maintenant le fil de conversations multi-tours sur plusieurs sessions. Avant cette solution, la fragmentation des connaissances entre différents systèmes d'infrastructure Amazon rendait la synthèse d'information lente et risquée. Désormais, les réponses sont contextuelles, s'appuient sur des données historiques précises, et s'affinent de manière itérative au fil des échanges. L'enjeu de conformité est central : une réponse inexacte ou basée sur une directive réglementaire obsolète peut exposer Amazon à des violations juridiques directes. La difficulté majeure que ce projet révèle est celle de l'observabilité des systèmes d'IA dans des contextes réglementés. Les équipes ont intégré OpenTelemetry et Langfuse en auto-hébergement pour monitorer en continu les décisions du modèle, détecter les hallucinations, c'est-à-dire les cas où le modèle génère des informations absentes des documents sources, et surveiller la dérive de précision dans le temps, inévitable à mesure que les prompts, les modèles et le corpus documentaire évoluent. Le choix de ne pas mettre en cache les réponses LLM est délibéré : les enquêtes réglementaires sont trop contextuelles pour bénéficier d'un cache, dont le taux d'utilisation serait trop faible pour justifier la complexité. Ce déploiement illustre une tendance croissante chez les grandes entreprises tech à internaliser leurs systèmes RAG sur des infrastructures cloud propriétaires, plutôt que de s'appuyer sur des solutions SaaS tierces, notamment pour garder le contrôle sur la traçabilité et la conformité des réponses générées.