Comment Snowflake a réduit de 70 % le temps d’examen des contrats grâce à l’intelligence agentique

Cette étude de cas interne explique comment l’équipe de Forward Deployed Engineer de Snowflake a créé un agent d’examen des contrats alimenté par l’IA sur la plateforme Snowflake. Cet outil est utilisé en interne chez Snowflake et présenté ici comme un exemple de la manière dont les fonctionnalités d’intelligence artificielle de pointe peuvent transformer des workflows réglementés à forts enjeux.

Technologies Snowflake utilisées : Snowflake Openflow, Snowflake Cortex AI, Cortex Agent, Data Agent Run, Snowflake AI Extract, Streamlit in Snowflake, Snowflake CoWork

Processus d’examen traditionnel

Dans l’univers à forts enjeux des logiciels d’entreprise, le cycle « devis-encaissement » repose entièrement sur la rapidité et la précision de l’examen des contrats. Traditionnellement, faire évoluer les opérations comptables consiste à recruter davantage de personnel pour examiner minutieusement les bons de commande clients personnalisés, les MSA et leurs avenants. Cette approche manuelle crée un goulot d’étranglement opérationnel et peut accroître les risques d’erreur humaine lors de l’identification des clauses non standard susceptibles d’avoir une incidence sur la comptabilisation du chiffre d’affaires.

À l’échelle de l’entreprise, Snowflake traite un volume important de contrats clients, allant des engagements de capacité structurés aux accords spécialisés conclus sur une marketplace. Chacun de ces événements contractuels comporte des conditions commerciales spécifiques, comme les engagements de capacité, les structures de remises, les fréquences de facturation et les clauses d’intéressement. Ces conditions doivent être examinées avec la plus grande rigueur afin de garantir la conformité de la comptabilisation du chiffre d’affaires et l’efficacité des contrôles d’audit interne.

Pour tester les contrôles internes associés à ce processus, les auditeurs lisent chaque PDF ligne par ligne, vérifient les implications standard ou non standard des conditions et examinent la pertinence du traitement du chiffre d’affaires applicable. Mais à mesure que le volume d’affaires de Snowflake augmente, ce modèle ne peut plus évoluer. Des milliers de bons de commande par trimestre, qui nécessitent chacun un examen humain minutieux…

« L’équipe d’audit passait des heures à parcourir manuellement les PDF pour trouver les conditions non standard, tout en ne fournissant une assurance que sur un échantillon de la population totale », explique Amrita Kapoor, VP Internal Audit. « Nous devions inverser le modèle. En confiant à l’IA la lecture exhaustive de l’ensemble de la population, nos auditeurs peuvent concentrer leur expertise sur le traitement des exceptions, ce qui permet d’élargir considérablement l’assurance fournie et, à terme, de répercuter ces gains de temps sur les responsables des processus. »

Créer un copilote pour les auditeurs, pas une boîte noire

Le principe de conception de l’équipe était simple : automatiser la détection, tout en laissant aux auditeurs le contrôle total de ce qui constitue une condition « non standard ». Il ne s’agissait pas de remplacer le jugement humain, mais de supprimer les heures fastidieuses consacrées à chercher une aiguille dans une botte de foin, afin que les experts puissent se concentrer sur les mesures à prendre.

Contract Review Agent fonctionne en trois couches :

Ingérer et extraire : les PDF des bons de commande sont transférés depuis les systèmes sources vers Google Drive, puis via Snowflake Openflow dans une zone de staging Snowflake. Un Cortex Agent, fonctionnant grâce à Cortex AI Functions, gère l’extraction de la mise en page et utilise AI Extract pour extraire les champs structurés : nom du client, montant de capacité, conditions de remise, échéanciers de paiement et des dizaines de points de données pertinents pour le chiffre d’affaires.

Classer selon un playbook et signaler les conditions inédites : plutôt que de s’en remettre uniquement au jugement du modèle, l’agent évalue chaque condition extraite au regard d’un playbook géré par les utilisateurs, un ensemble évolutif de règles qui définit ce qui est « standard » et « non standard ». Le playbook est une table Snowflake gouvernée, détenue et modifiée directement par l’équipe d’audit, sans avoir à créer de ticket auprès de l’équipe d’ingénierie. L’agent attribue un score à chaque clause en fonction de ce playbook et produit une classification standard ou non standard, avec des scores de confiance, des extraits au niveau de la clause, des références de page et une explication en langage naturel indiquant pourquoi une condition a été signalée.

Présenter, examiner et apprendre : les résultats sont présentés dans une application conçue pour les réviseurs, avec un tableau de bord d’administration offrant une visibilité à l’échelle du portefeuille et une vue détaillée des contrats pour les analyses approfondies. Les auditeurs peuvent approuver, remplacer ou faire remonter chaque résultat. Chaque correction, qu’elle concerne une valeur extraite ou une classification, est enregistrée et conservée sous forme de conseils d’extraction, à l’instar des règles du playbook. Ces conseils sont stockés dans la mémoire à long terme et transmis à l’agent lors de chaque exécution ultérieure. Des questions AI Extract personnalisées pour chaque champ de schéma permettent aux auditeurs d’affiner la façon dont l’agent interprète certaines conditions, afin d’améliorer la précision et le rappel à chaque batch. Un agent Snowflake Intelligence parallèle offre aux parties prenantes une interface en langage naturel pour consulter l’état de l’audit et les taux de conditions non standard, sans accès direct à l’application.

_{Exemple illustratif généré par l’IA. Ne repose pas sur des données réelles de clients ou d’entreprises.}

Le playbook : les auditeurs écrivent les règles

La plupart des outils d’examen des contrats par IA sont fournis avec un modèle figé de ce qui est « normal ». C’est un problème dans le cadre d’un audit, car la définition de ce qui est non standard évolue avec le contexte business, les changements réglementaires et la structure des transactions.

Le gestionnaire de playbook donne directement le contrôle aux auditeurs. Il s’agit d’un moteur de règles modifiable, stocké dans Snowflake et accessible via l’interface utilisateur de l’application :

• Chaque règle définit une condition, ses critères de détection et sa classification, standard ou non standard.
• Chaque modification est enregistrée dans une piste d’audit immuable : action, ID de la règle, auteur de la modification, date et heure, ancienne valeur, nouvelle valeur.
• Les règles prennent effet dès l’exécution de traitement suivante, sans modification du code ni redéploiement.

L’équipe d’audit peut ainsi réagir en quelques minutes à l’apparition d’un nouveau modèle contractuel. Lorsqu’une nouvelle structure de remise apparaît dans les transactions du quatrième trimestre, les auditeurs ajoutent une règle et l’agent commence à la signaler dans l’ensemble du corpus. Le playbook évolue à la vitesse du business, et non au rythme des sprints d’ingénierie.

_{Exemple illustratif généré par l’IA. Ne repose pas sur des données client ou d’entreprise.}

Repérer ce que vous ne cherchiez pas

La détection fondée sur des règles repère les schémas connus. Mais les contrats sont des documents créatifs : de nouvelles clauses apparaissent, qu’aucune règle existante n’anticipe. C’est là qu’intervient la détection de termes inédits.

Le système utilise une approche en deux temps. D’abord, un corpus de formulations contractuelles connues comme standard est vectorisé et indexé. Lorsqu’un agent rencontre une clause sémantiquement éloignée de ce corpus, celle-ci est signalée comme potentiellement inédite. Ensuite, les termes signalés sont évalués au regard des règles existantes du playbook afin de distinguer les formulations réellement inédites des schémas connus.

Les termes inédits détectés apparaissent dans une vue dédiée, où les auditeurs les classent : anomalie pertinente ou bruit de routine. Ces libellés sont réinjectés dans le système, qui apprend ainsi quoi prioriser lors des prochaines exécutions. Au fil du temps, le détecteur de termes inédits gagne en précision, affiné par les personnes qui connaissent le mieux les contrats.

Résultats

• Temps de revue réduit de 70 % : ce qui nécessitait auparavant plusieurs niveaux de préparation est désormais pris en charge par l’IA. On passe de jours de travail à des heures de travail.
• Couverture complète sans augmentation linéaire des effectifs : chaque trimestre, des milliers de bons de commande sont examinés pour en évaluer les implications en matière de revenus, sans que l’équipe d’audit n’ait à augmenter ses effectifs au même rythme que le volume des transactions.
• Auditabilité intégrée dès la conception : chaque extraction, classification, modification de règle et correction est consignée avec une traçabilité complète, exactement le type de piste d’audit qu’attendent les auditeurs externes.
• Précision accrue au fil du temps : chaque cycle de revue réinjecte les corrections et les libellés dans le système, renforçant la précision à chaque batch.

_{Exemple illustratif généré par l’IA. Ne repose pas sur des données client ou d’entreprise.}

Au-delà des contrats clients

Cette même architecture s’étend à d’autres types d’accords. Le modèle s’applique à d’autres contextes : définissez un schéma d’extraction, rédigez les règles du playbook qui précisent ce que signifie « standard » pour ce type de document, puis laissez l’agent effectuer une lecture exhaustive pendant que les experts se concentrent sur le jugement.

« La seule façon de faire évoluer la revue des contrats au rythme du business consiste à utiliser ce type de système », explique Nikolai Scholz, PM Unstructured Data Application. « Sans lui, vos effectifs opérationnels augmentent de façon linéaire. Avec lui, vous gardez une équipe resserrée tout en élargissant la couverture, et le système gagne en intelligence chaque trimestre, car les experts lui apprennent à mieux travailler. »