Comment les équipes finance d'AWS ont gagné des centaines d'heures avec Amazon Quick
Amazon vient de détailler comment son équipe finance interne, AWS Finance, a transformé deux processus internes chronophages grâce à Amazon Quick, un assistant d'intelligence artificielle générative capable d'interroger l'ensemble des données et applications d'entreprise en langage naturel. Premier cas d'usage: l'analyse de risques et de scénarios pour le portefeuille de comptes stratégiques. Auparavant, définir les objectifs financiers pour ces comptes exigeait de réconcilier des prévisions ascendantes issues des équipes commerciales avec des projections descendantes de la direction, un travail si lourd que les analystes ne parvenaient à approfondir qu'environ un tiers des comptes stratégiques, chaque analyse individuelle nécessitant jusqu'à six heures de travail manuel pour extraire les données, faire tourner les modèles et rédiger les conclusions. Avec un agent conversationnel Quick connecté directement aux entrepôts de données Amazon Redshift, contenant des millions de lignes, l'équipe évalue désormais des prévisions statistiques, des analyses de régression, des simulations de Monte-Carlo et une modélisation de scénarios en environ dix minutes par client, ce qui permet de couvrir l'intégralité du portefeuille avec une profondeur d'analyse supérieure à avant. Selon Geoff Winkler, cité dans l'article, l'équipe est passée d'un tiers des comptes stratégiques analysés en profondeur à la totalité du portefeuille, libérant du temps pour se concentrer sur la collaboration avec les équipes commerciales plutôt que sur la compilation de données.
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Le second cas d'usage concerne les revues d'activité hebdomadaires, un rituel récurrent qui mobilisait toute une journée de travail, généralement le lundi, pour compiler et packager les indicateurs de performance des revenus à destination de la direction. En déployant des agents Quick spécifiques à chaque région géographique, reliés par la fonctionnalité Flows pour automatiser les tâches selon une cadence prédéfinie sans intervention manuelle, l'équipe AWS Finance a réduit ce processus de six heures à environ dix minutes. Ces gains concrets illustrent une évolution plus large: sans barrière technique liée au code, chaque professionnel de la finance devient en pratique un analyste de données capable d'interroger des bases complexes simplement en formulant une question, et les agents peuvent être personnalisés par région ou par unité commerciale avec des insights actualisés automatiquement.
Ce retour d'expérience s'inscrit dans la stratégie plus large d'Amazon Web Services visant à promouvoir Amazon Quick comme couche d'intelligence artificielle générative au-dessus de ses services de données existants, à l'image de Redshift, auprès des entreprises clientes. En mettant en avant l'usage interne par ses propres équipes financières, AWS cherche à démontrer la maturité et la fiabilité de l'outil avant de le proposer plus largement à ses clients entreprise, dans un contexte de concurrence intense entre fournisseurs cloud pour équiper les fonctions finance et opérationnelles d'assistants IA capables de traiter des volumes massifs de données structurées et non structurées.
Pas d'impact direct sur la France/UE