OutilsAWS ML Blog · 30 avr. 2026, 19:52· 2 min de lecture

Exploiter l'analyse IA à base d'agents sur Amazon SageMaker avec Amazon Athena et Amazon Quick

Amazon a dévoilé une architecture d'analyse de données intégrant de l'intelligence artificielle agentique sur Amazon SageMaker, combinant Amazon Athena et Amazon QuickSight pour permettre aux utilisateurs métier d'interroger des lacs de données complexes en langage naturel. La solution repose sur une architecture lakehouse construite à partir des jeux de données de référence TPC-H (100 Go hébergés sur S3), et s'appuie sur plusieurs couches technologiques : Amazon S3 comme stockage principal, AWS Glue pour le catalogage des métadonnées, Athena pour les requêtes SQL serverless, et QuickSight avec son moteur SPICE (Super-fast, Parallel, In-memory Calculation Engine) pour la visualisation et l'interface conversationnelle. Les données sont stockées en trois formats distincts, CSV, Apache Iceberg-Parquet avec support ACID et time-travel, et Amazon S3 Tables avec support natif Iceberg, afin d'illustrer la polyvalence d'une architecture data lake moderne. Un agent IA conversationnel, alimenté par des bases de connaissances enrichies via un crawler web, permet ensuite d'interroger ces données structurées et non structurées depuis une interface en langage naturel.

L'enjeu principal est la démocratisation de l'accès aux données au sein des grandes organisations. Aujourd'hui, interroger un lac de données pétaoctet exige des compétences pointues en SQL, en modélisation de données et en outils de business intelligence, autant de barrières qui ralentissent la prise de décision dans des secteurs comme la finance, la santé, le retail ou la logistique. En substituant ces interfaces techniques par un agent conversationnel, Amazon permet à des profils non-techniques d'obtenir des insights directement exploitables sans passer par des équipes data. Pour les entreprises, cela signifie moins de goulots d'étranglement, des cycles d'analyse raccourcis, et une gouvernance des données maintenue grâce aux contrôles de sécurité intégrés dans l'écosystème AWS.

Cette annonce s'inscrit dans une course plus large entre les grands fournisseurs cloud, AWS, Google et Microsoft, pour intégrer des agents IA directement dans leurs plateformes analytiques. Amazon capitalise ici sur son écosystème existant : QuickSight Q, lancé il y a plusieurs années comme interface NLP pour la BI, monte en puissance avec l'intégration de bases de connaissances et d'espaces collaboratifs (Quick Spaces). La combinaison d'Athena, qui facture à la requête sans serveur à maintenir, et d'agents capables de mélanger données structurées et documentation non structurée, positionne AWS comme un acteur sérieux dans l'analytics agentique d'entreprise. La prochaine étape logique sera l'automatisation complète du cycle analyse-décision-action, où l'agent ne se contente plus de répondre mais déclenche directement des workflows métier.

Impact France/UE

Les entreprises européennes déployées sur AWS peuvent adopter cette architecture d'analytics agentique pour réduire leur dépendance aux équipes data, mais l'annonce ne cible pas spécifiquement le marché ou les régulations européennes.

Dans nos dossiers

AWS Agents IA Microsoft

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AWS ML Blog

Évolution du BI traditionnel vers l'IA à base d'agents chez Tradeshift avec Amazon Quick

Tradeshift, plateforme de comptabilité fournisseurs et de conformité e-facturation opérant dans plus de 70 pays, a remplacé son outil de business intelligence développé en interne par Amazon Quick, le nouvel espace de travail d'intelligence artificielle agentique d'AWS. L'article, co-écrit par Raphael Bres, Robert Iordache, Anca Andone et Ioana Millon (Ploesteanu) côté Tradeshift ainsi que Roy Yung côté AWS, détaille cette migration. L'ancien outil BI maison, utilisé depuis plusieurs années, limitait les requêtes à 10 000 lignes maximum, plafonnait les rapports programmés à 25 Mo et ne conservait que six mois d'historique de données. Sa maintenance mobilisait environ 50 % du temps d'un employé à temps plein, au détriment du développement produit. Les équipes Service Client, Data et Analytics, ainsi que Commercial, perdaient des heures chaque semaine à produire des rapports manuellement, entre exports CSV et macros Excel. Avec le passage à Amazon Quick, Tradeshift a obtenu des temps de réponse aux requêtes jusqu'à 30 fois plus rapides et une réduction de 40 % du coût total de possession. Cette transition dépasse la simple modernisation technique : elle transforme l'analytique embarquée en produit générateur de revenus pour Tradeshift. Amazon Quick combine plusieurs briques agentiques, dont un agent conversationnel permettant d'interroger les données métier en langage naturel, un module Flows pour automatiser des workflows multi-étapes sans code, et un moteur de recherche approfondie appelé Quick Research capable de produire des rapports analytiques longs à partir de sources multiples. Concrètement, Tradeshift a construit sur cette base un agent baptisé AP Auditor, dédié aux questions courantes sur les documents et les opérations, ce qui réduit la dépendance des équipes métier envers les analystes BI. Les clients externes de Tradeshift, qui devaient auparavant solliciter les équipes d'ingénierie pour obtenir des rapports personnalisés sur leurs flux de comptabilité fournisseurs, disposent désormais d'un accès en libre-service à des analyses plus poussées. Le choix d'Amazon Quick s'est imposé après évaluation de plusieurs alternatives, aucune autre solution n'offrant simultanément la scalabilité nécessaire pour de gros volumes de données, un accès embarqué multi-appareils, l'interrogation en langage naturel, l'automatisation par workflows, et une analytique unifiée pour les usages internes comme pour les clients. Ce cas d'usage illustre une tendance plus large dans l'industrie de la comptabilité et de la finance d'entreprise : le passage d'outils BI traditionnels, rigides et gourmands en maintenance, vers des plateformes d'IA agentique capables d'automatiser des tâches entières plutôt que de simplement afficher des tableaux de bord. Pour Tradeshift, qui sert à la fois acheteurs et vendeurs sur son réseau transactionnel, cette évolution répond à un besoin spécifique de démocratiser l'analyse statistique avancée auprès d'utilisateurs non techniques, tout en ouvrant potentiellement de nouvelles sources de revenus liées aux services analytiques proposés à ses clients.

OutilsActu

1 source

2AWS ML Blog

Des agents d'intégration des employés par IA avec Amazon Quick

Amazon a lancé Quick, un service d'agents IA entièrement géré et sans code, conçu pour automatiser l'onboarding des nouveaux employés en entreprise. Concrètement, Quick permet aux équipes RH de créer des assistants conversationnels capables de répondre aux questions des nouvelles recrues sur les politiques internes, les avantages sociaux ou les procédures administratives, de suivre la complétion des documents de conformité, et de traiter automatiquement les tickets courants, comme une demande d'équipement IT via ServiceNow ou l'envoi d'un message de bienvenue sur Slack. Le service s'intègre aux outils existants de l'entreprise : SharePoint, OneDrive, Confluence, Amazon S3, et les outils de gestion de projet. Il repose sur trois composants clés : des bases de connaissances indexées depuis ces sources multiples, des connecteurs d'actions permettant à l'agent d'agir directement dans les systèmes tiers, et des espaces collaboratifs qui regroupent fichiers, tableaux de bord et bases de connaissances pour une équipe donnée. L'enjeu est significatif pour les grandes organisations : les entreprises perdent un temps considérable par nouvelle recrue pendant la période d'intégration, les employés n'atteignant souvent qu'une fraction de leur productivité potentielle durant le premier mois. Les équipes RH, elles, s'épuisent à répondre aux mêmes questions répétitives, à basculer entre wikis, emails, outils de ticketing et plateformes de messagerie pour coordonner chaque étape. Avec Quick, un agent unifié centralise toutes ces interactions : il présente la checklist d'onboarding à jour, répond avec un langage validé par l'entreprise, ouvre des demandes dans les outils métier, et oriente le nouvel arrivant vers l'étape suivante, le tout sans intervention manuelle d'un chargé RH. Ce lancement s'inscrit dans la stratégie plus large d'Amazon Web Services d'imposer ses services managés dans les workflows d'entreprise, face à des concurrents comme Microsoft Copilot ou ServiceNow Now Assist qui occupent déjà ce terrain. L'approche sans code de Quick vise explicitement les équipes RH non techniques, qui peuvent configurer leurs agents via une interface visuelle plutôt que du développement sur mesure. Deux modes coexistent : un assistant système généraliste disponible par défaut, et des agents personnalisés adaptés aux processus spécifiques de chaque organisation. La question qui se pose désormais est celle de l'adoption réelle dans des environnements enterprise souvent fragmentés, où les intégrations avec des dizaines d'outils legacy restent le principal frein, et où la gouvernance des données RH sensibles transitant par un service cloud tiers soulèvera inévitablement des questions de conformité.

UELes entreprises européennes devront évaluer la conformité RGPD avant de confier des données RH sensibles à ce service cloud américain.

OutilsOutil

1 source

3AWS ML Blog

Analyser AWS Health en libre-service avec les agents IA d'Amazon Bedrock

Amazon Web Services a présenté Chaplin, acronyme de Customer Health and Planned Lifecycle Intelligence Nexus, une solution open source conçue pour transformer la gestion des notifications de santé d'infrastructure cloud. Disponible sur GitHub avec des instructions de déploiement détaillées, Chaplin repose sur Amazon Bedrock et le Model Context Protocol (MCP) pour offrir une analyse en langage naturel des événements AWS Health. Concrètement, une équipe d'exploitation peut interroger directement son assistant IA depuis Claude Code ou Kiro CLI pour obtenir, par exemple, la liste des événements RDS à venir dans les 60 prochains jours, un résumé des retraits d'instances EC2 classés par urgence, ou les correctifs de sécurité affectant les environnements de production, sans avoir à attendre une réponse humaine. Le problème auquel répond Chaplin est réel et coûteux pour les grandes organisations. Un lundi matin type, une équipe opérationnelle peut recevoir simultanément des alertes sur la fin de vie d'Amazon Linux 2, des dépréciations de versions RDS et des retraits d'instances EC2 répartis sur plus de 50 comptes AWS. Sans outil d'analyse centralisé, les équipes dépendaient jusqu'ici de leurs Technical Account Managers (TAMs) pour interpréter ces événements et évaluer leur impact métier, ce qui créait des goulots d'étranglement dans la prise de décision. Les tableaux de bord BI classiques, figés dans des schémas prédéfinis, ne permettaient pas de répondre à des questions dynamiques ou contextuelles. Le résultat : du temps perdu en réaction plutôt qu'en anticipation, et des migrations ou maintenances planifiées trop tard. Chaplin s'inscrit dans un mouvement plus large d'adoption du Model Context Protocol comme standard d'interopérabilité entre outils IA et systèmes d'entreprise. Parce qu'il repose sur MCP, Chaplin peut être combiné avec d'autres outils compatibles comme JIRA, GitHub ou ServiceNow, permettant aux équipes DevOps, sécurité et opérations d'agir directement depuis leur flux de travail habituel. AWS prévoit également de lier prochainement les événements Health éligibles aux templates AWS Transform, ce qui permettra aux clients de passer directement de l'alerte à l'action corrective. Chaplin est conçu pour prioriser et remonter ces événements actionnables en premier. La solution illustre une tendance de fond : déléguer aux agents IA non plus seulement l'analyse de données, mais la coordination opérationnelle dans des environnements cloud complexes et multi-comptes.

OutilsOutil

1 source

4AWS ML Blog

Développer des agents IA pour la gestion des effectifs avec Visier et Amazon Quick

Visier, plateforme d'intelligence des ressources humaines basée dans le cloud, et Amazon Quick, l'espace de travail agentique d'IA d'Amazon, ont annoncé une intégration technique permettant à leurs systèmes de fonctionner de concert via le Model Context Protocol (MCP), un standard ouvert d'interopérabilité pour agents IA. Concrètement, Visier centralise les données RH d'une organisation, SIRH, paie, gestion des talents, suivi des candidatures, et les rend accessibles en temps réel à travers son assistant IA interne appelé Vee. Amazon Quick, de son côté, sert d'interface unifiée où les collaborateurs posent leurs questions, automatisent des processus et construisent des agents travaillant en leur nom. Le MCP joue le rôle d'adaptateur universel entre les deux systèmes, sans nécessiter d'intégration personnalisée. L'intérêt concret de cette connexion est illustré par deux profils types : Maya, Business Partner RH qui prépare un bilan de santé organisationnel pour un comité de direction, et David, responsable financier qui suit l'évolution des effectifs par rapport aux budgets prévisionnels. Avant cette intégration, chacun devait interroger plusieurs outils séparément, recouper manuellement des données issues de sources hétérogènes, et passer d'un tableau de bord à l'autre. Désormais, depuis Amazon Quick, ils peuvent poser une question en langage naturel et obtenir une réponse qui croise simultanément les données live de Visier, les politiques internes de recrutement, les objectifs financiers et le contexte historique, sans changer d'outil. Pour Maya, cela signifie accéder instantanément aux taux d'attrition, aux performances moyennes par département ou à la durée de tenure. Pour David, obtenir les chiffres d'effectifs en temps réel mesurés contre les cibles budgétaires. Cette intégration s'inscrit dans une tendance de fond : la multiplication des architectures dites "multi-agents", où des plateformes spécialisées exposent leurs capacités via des protocoles standardisés plutôt que des connecteurs ad hoc. Le MCP, popularisé depuis fin 2024, est devenu le langage commun qui permet à des outils comme Visier de s'insérer dans des écosystèmes IA plus larges sans friction technique. Visier, qui s'appuie sur des données anonymisées de millions de salariés pour ses benchmarks sectoriels, cherche ainsi à étendre sa portée au-delà des équipes RH vers l'ensemble des décideurs de l'entreprise. Amazon Quick, en agrégeant ces sources d'intelligence métier dans un seul espace conversationnel, parie sur le fait que la valeur de l'IA en entreprise réside moins dans les modèles eux-mêmes que dans leur capacité à connecter des silos de données jusqu'ici cloisonnés.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic