Création d'une plateforme d'analyse de contrats par IA avec Amazon Quick et Amazon Bedrock AgentCore
Un directeur des contrats qui gère des centaines de contrats fournisseurs perd un temps considérable à extraire à la main des données enfermées dans des PDF : valeurs, dates d'expiration, statut de signature, contacts. AWS décrit l'architecture d'une plateforme d'intelligence contractuelle qui automatise ce travail avec Amazon Quick et Amazon Bedrock AgentCore. Des agents d'IA extraient les champs clés, une approche multi-modèles en vérifie l'exactitude, puis les résultats alimentent des tableaux de bord intégrés et un moteur de requêtes en langage naturel, le tout depuis une seule application web. L'exemple retenu est un portefeuille de 250 contrats de 10 à 20 pages, soit jusqu'à 5 000 pages. Les analystes y répondent à quatre questions récurrentes : la valeur totale du portefeuille, les contrats déjà expirés, l'accord le plus coûteux et le contrat signé le plus récemment. Faute d'outil adapté, ils ouvrent chaque PDF et recopient les valeurs dans un tableur, ce qui représente plus d'une semaine de travail avant même l'arrivée d'un nouveau contrat.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
L'enjeu dépasse le gain de temps, car les outils de chat IA du marché échouent précisément sur ce type de question. Ils reposent sur la génération augmentée par récupération (RAG), qui découpe les documents en fragments, les indexe sous forme de vecteurs et ne renvoie au modèle que les k fragments les plus proches de la question. Cette méthode fonctionne très bien pour une recherche ciblée, comme les conditions de paiement d'un contrat précis. Mais pour une question d'agrégation, par exemple la valeur totale des 250 contrats, le système ne totalise que les fragments récupérés. Le portefeuille n'est jamais placé en entier devant le modèle. La réponse arrive donc vite, avec assurance, et elle est fausse. Selon AWS, il ne s'agit pas d'un défaut d'un produit en particulier mais d'une limite structurelle du RAG, qu'aucune amélioration de la formulation des requêtes ne corrigera.
La solution proposée consiste à changer d'architecture plutôt que d'améliorer la récupération : l'IA convertit les documents non structurés en données structurées à grande échelle, puis une base de données et des outils d'analyse font les calculs, ce pour quoi ils sont conçus. Les contrats d'origine restent disponibles dans une base de connaissances pour les questions portant sur un seul document, où le RAG garde toute sa pertinence. Cette répartition des rôles reflète une tendance plus large en entreprise, où l'on cesse de demander à un modèle de langage de tout faire pour l'associer à des systèmes déterministes. Le recours à plusieurs modèles pour vérifier les extractions répond à une préoccupation centrale dans les domaines juridique et financier, où une valeur mal lue peut fausser une décision. En proposant cette architecture de référence sur ses services Bedrock et Quick, AWS cherche aussi à positionner ses agents et son offre d'analyse décisionnelle sur un cas d'usage très concret pour les directions juridiques et achats.
Pas d'impact direct sur la France/UE