Contexte et objectifs
Workiva, éditeur de logiciels d’entreprise, a présenté lors de son événement Amplify une stratégie qui relie les flux de travail IA aux résultats métier recherchés par les équipes finance et conformité. Selon Kim Huffman, directrice des systèmes d’information, l’enjeu n’est plus d’obtenir des gains de productivité isolés mais de mesurer l’impact sur les indicateurs financiers et de conformité. Cette orientation implique de repenser la collaboration entre personnes, processus et données sur l’ensemble d’une tâche.
Architecture des flux IA natifs
Le modèle proposé repose sur la création d’agents IA configurables sans écriture de code, via la plateforme Agent Studio de Workiva. Les utilisateurs définissent un résultat partagé, identifient les sous‑tâches susceptibles d’être automatisées, puis assignent à chaque agent la responsabilité d’exécuter ces sous‑tâches tout en conservant la possibilité de validation humaine. Cette approche modulaire permet de déployer rapidement des prototypes : selon l’interview, des équipes ont produit un agent fonctionnel en quelques jours, ce qui illustre la rapidité d’itération permise par l’interface no‑code.
Rôle de la gouvernance des données
Huffman insiste sur le fait que l’essor de l’IA accentue la nécessité d’une gouvernance robuste. Dans le cadre de Workiva, la confiance dans les sorties d’IA dépend de la qualité, de la traçabilité et de la conformité des jeux de données utilisés. L’entreprise considère la gouvernance non pas comme un frein à la vitesse d’exécution, mais comme un accélérateur : des contrôles automatisés de qualité et des politiques de gestion des métadonnées sont intégrés au pipeline d’entraînement des agents, réduisant ainsi les risques de dérive ou de biais.
Adoption, bénéfices mesurés et limites
Le retour d’expérience indique que les équipes finance ont pu visualiser des résultats tangibles dès les premiers cycles d’utilisation, notamment en automatisant la collecte de données de reporting et en accélérant les processus de validation. Cependant, la dépendance à des données bien structurées impose une phase d’initialisation coûteuse en temps et en ressources humaines. De plus, la capacité des agents à gérer des scénarios exceptionnels reste conditionnée à l’intervention humaine, ce qui nécessite de maintenir un équilibre entre automatisation et supervision. Enfin, l’absence de métriques publiques détaillées limite l’évaluation précise du ROI au‑delà des anecdotes de « quelques jours » de mise en œuvre.
