Snowflake accelera del 70% la revisione dei contratti con l’Agentic Intelligence

Questo case study interno racconta come il team Forward Deployed Engineer Snowflake ha creato un agente AI per la revisione dei contratti sulla piattaforma Snowflake. Snowflake presenta qui questo strumento utilizzato internamente come esempio di come le capacità AI di frontiera possano trasformare anche i workflow regolamentati e ad alto impatto.

Tecnologia Snowflake utilizzata: Snowflake Openflow, Snowflake Cortex AI, Cortex Agent, Data Agent Run, Snowflake AI Extract, Streamlit in Snowflake, Snowflake Intelligence

Il processo di revisione tradizionale

Nel mondo del software enterprise, dove la posta in gioco è alta, il ciclo quote-to-cash dipende interamente dalla velocità e dalla precisione della revisione dei contratti. Tradizionalmente, scalare le operazioni contabili significa aggiungere personale che esamini a mano, con estrema attenzione, order form, MSA e addendum con caratteristiche specifiche e personalizzazioni. Questo approccio manuale crea un collo di bottiglia operativo e può introdurre rischi di errore umano nell’identificazione delle clausole non standard che incidono sul riconoscimento dei ricavi.

Su scala enterprise, Snowflake gestisce un volume elevato di contratti con i clienti: dagli accordi capacity strutturati ai contratti marketplace specializzati. Ognuno di questi eventi contrattuali porta con sé condizioni commerciali specifiche, come contratti capacity, strutture di sconto, frequenze di fatturazione e clausole di incentivo, che devono essere esaminate con la massima attenzione ai fini della conformità nel riconoscimento dei ricavi e dei controlli di internal audit.

Per testare i controlli interni su questo processo, il team di audit legge ogni PDF riga per riga, verifica le implicazioni standard o non standard di ciascuna condizione e valuta l’adeguatezza del relativo trattamento dei ricavi. Ma con la crescita del volume di deal Snowflake, questo modello non scala. Migliaia di order form a trimestre, ciascuno da esaminare con attenzione a mano…

“Il team di audit passava ore a scansionare manualmente i PDF per trovare le condizioni non standard, riuscendo comunque a fornire assurance solo su un campione dell’intera popolazione”, afferma Amrita Kapoor, VP Internal Audit. “Dovevamo ribaltare il modello. Lasciando all’AI la lettura esaustiva dell’intera popolazione, i nostri auditor possono concentrare le proprie competenze sulla gestione delle eccezioni, ampliando così in modo significativo l’assurance e, in prospettiva, restituendo il tempo risparmiato anche ai process owner.”

Costruire un copilota per l’audit, non una scatola nera

Il principio di progettazione del team era semplice: automatizzare il livello di rilevamento, ma lasciare al team di audit il controllo completo su cosa considerare “non standard”. Non si trattava di sostituire il giudizio umano, ma di eliminare le ore passate a cercare l’ago nel pagliaio, così che le persone esperte potessero concentrarsi sulle decisioni da prendere.

Il Contract Review Agent opera su tre livelli:

Acquisizione ed estrazione. I PDF degli order form passano dai sistemi di origine a Google Drive e, tramite Snowflake Openflow, arrivano in uno stage Snowflake. Un Cortex Agent, powered by Cortex AI Functions, gestisce l’estrazione del layout e usa AI Extract per ricavare campi strutturati: nome del cliente, importo della capacity, condizioni di sconto, piani di pagamento e decine di altri dati rilevanti per i ricavi.

Classificare in base a un playbook e segnalare le condizioni nuove. Invece di affidarsi solo al giudizio del modello, l’agente AI valuta ogni condizione estratta rispetto a un playbook gestito dagli utenti: un insieme dinamico di regole che definisce cosa è “standard” e cosa “non standard”. Il playbook è una tabella Snowflake governata, di proprietà del team di audit, che può modificarla direttamente senza aprire un ticket al team di engineering. L’agente AI assegna un punteggio a ogni clausola e la classifica come standard o non standard, con confidence score, estratti a livello di clausola, riferimenti di pagina e una spiegazione in linguaggio naturale del motivo della segnalazione.

Evidenziare, revisionare e imparare. I risultati sono presentati in un’applicazione pensata per chi effettua la revisione, con una dashboard di amministrazione per la visibilità a livello di portfolio e una vista di dettaglio per l’analisi approfondita di ogni contratto. Il team di audit può approvare, sovrascrivere o fare l’escalation di ogni singolo risultato. Ogni correzione (a un valore estratto o a una classificazione) è registrata e conservata come extraction tip, in modo simile alle regole del playbook: questi suggerimenti sono archiviati nella memoria a lungo termine e alimentano l’agente AI a ogni esecuzione successiva. Domande AI Extract personalizzate per ogni campo dello schema permettono al team di audit di affinare il modo in cui l’agente interpreta condizioni specifiche, migliorando precision e recall a ogni batch. Un agente Snowflake Intelligence parallelo offre agli stakeholder un’interfaccia in linguaggio naturale per consultare lo stato degli audit e la percentuale di condizioni non standard, senza bisogno di accedere direttamente all’app.

_{Esempio illustrativo generato con l’AI. Non basato su dati reali di clienti o aziende.}

Il playbook: le regole le scrive il team di audit

La maggior parte degli strumenti AI per i contratti arriva con un modello fisso di ciò che è “normale”. Nell’audit questo è un problema: la definizione di non standard evolve con il contesto di business, i cambiamenti normativi e la struttura dei deal.

Il playbook manager mette il controllo direttamente nelle mani degli auditor. È un motore di regole modificabile, memorizzato in Snowflake e accessibile dalla UI dell’applicazione:

• Ogni regola definisce una condizione, i criteri per rilevarla e la sua classificazione (standard o non standard).
• Ogni modifica è registrata in un audit trail immutabile: azione, ID della regola, autore della modifica, data e ora, valore precedente, nuovo valore.
• Le regole diventano effettive già nell’esecuzione successiva, senza modifiche al codice né nuovi deployment.

Così il team di audit può reagire a un nuovo pattern contrattuale in pochi minuti. Se in un deal del Q4 compare una nuova struttura di sconto, basta aggiungere una regola e l’agente inizia a segnalarla su tutto il corpus. Il playbook evolve alla velocità del business, non a quella degli sprint di engineering.

_{Esempio illustrativo generato con l’AI. Non basato su dati reali di clienti o aziende.}

Individuare ciò che non sapevi di dover cercare

Il rilevamento basato su regole intercetta i pattern noti. Ma i contratti sono documenti creativi: compaiono clausole nuove che nessuna regola esistente prevede. È qui che entra in gioco il rilevamento delle condizioni nuove.

Il sistema adotta un approccio a due livelli. Primo: un corpus di formulazioni contrattuali riconosciute come standard è trasformato in embedding e indicizzato. Quando l’agente AI incontra una clausola semanticamente distante da questo corpus, la segnala come potenzialmente nuova. Secondo: le condizioni segnalate sono confrontate con le regole già presenti nel playbook, per distinguere le formulazioni davvero nuove dai pattern noti.

Le condizioni nuove individuate finiscono in una vista separata, dove il team di audit le etichetta: anomalia rilevante o rumore di fondo. Queste etichette rientrano nel sistema e gli insegnano a cosa dare priorità nelle esecuzioni successive. Col tempo il rilevatore di condizioni nuove diventa più preciso, messo a punto da chi conosce meglio i contratti.

I risultati

• Tempi di revisione ridotti del 70%. Ciò che prima richiedeva più livelli di preparazione ora è gestito dall’AI: non più giorni, ma ore.
• Copertura completa senza crescita lineare del personale. Migliaia di order form esaminati ogni trimestre per valutarne le implicazioni sui ricavi, senza dover ampliare il team di audit al crescere dei deal.
• Auditability by design. Ogni estrazione, classificazione, modifica di regola e correzione è registrata con tracciabilità completa: esattamente quello che i revisori esterni si aspettano.
• Accuratezza che migliora nel tempo. Ogni ciclo di revisione restituisce al sistema correzioni ed etichette, aumentando l’accuratezza a ogni batch.

_{Esempio illustrativo generato con l’AI. Non basato su dati reali di clienti o aziende.}

Oltre i contratti con i clienti

Stiamo estendendo la stessa architettura ad altri tipi di accordo. Il pattern è generalizzabile: si definisce uno schema di estrazione, si scrivono le regole del playbook per stabilire cosa significa “standard” in quel tipo di documento e si lascia all’agente AI la lettura esaustiva, mentre le persone esperte si concentrano sulle valutazioni.

“L’unico modo per far scalare la revisione dei contratti insieme al business è un sistema come questo”, afferma Nikolai Scholz, PM di Unstructured Data Application. “Senza, il team operativo cresce in modo lineare. Con un sistema del genere, il team resta snello e la copertura si amplia. E il sistema diventa più intelligente ogni trimestre, perché sono gli esperti a istruirlo.”