Le client opérait à grande échelle sur AWS (~5 000 comptes AWS) avec un modèle d’ingénierie décentralisé. Bien que la rapidité d’innovation soit demeurée élevée, la gouvernance architecturale était devenue plus difficile à opérationnaliser de façon cohérente dans l’ensemble de l’organisation.

Les principaux enjeux comprenaient :

L’objectif était de faire passer le client d’une révision infonuagique réactive à un modèle opérationnel plus encadré, axé sur la remédiation.

Les résultats prioritaires incluaient :

HCLTech a relevé le défi en utilisant WAFER comme application hébergée par le client sur AWS.

WAFER a été positionné comme une plateforme de contrôle privée, prête pour l'entreprise, permettant l'examen des résultats et le soutien à la remédiation : l’implantation combinait l’accès interne à l’application, l’orchestration asynchrone des flux de travail, une exécution d’agent menée par un superviseur et un raisonnement ancré dans le contexte client.

Phase 1 : Fondation hébergée chez le client

WAFER a été déployé dans l’environnement AWS du client, avec accès routé à travers un chemin interne approuvé. L’interface WAFER et l’API dorsale de WAFER étaient hébergées comme des services conteneurisés distincts sur Amazon ECS avec AWS Fargate, permettant au client d’exécuter l’application dans un environnement de conteneurs géré sans alourdir la gestion de l’infrastructure.

Ce modèle de déploiement a permis d’aligner la solution avec les attentes de sécurité, les contrôles réseau et les exigences de gestion de données du client.

Phase 2 : Orchestration des flux de travail et raisonnement agentique

L’API dorsale de WAFER recevait les actions des utilisateurs, gérait l’état du flux de travail et soumettait à AWS Step Functions des requêtes d’analyse et de remédiation de longue durée. Step Functions orchestrait alors le flux de travail et invoquait le Runtime AgentCore d’Amazon Bedrock pour une exécution supervisée des agents.

Dans AgentCore Runtime, un agent superviseur coordonnait des agents spécialisés pour :

Cela donnait au client un modèle opérationnel d’IA plus modulaire et explicable que de compter sur un agent généraliste unique pour chaque tâche.

Phase 3 : Intelligence ancrée chez le client

Pour améliorer la pertinence, WAFER utilisait Amazon Bedrock Knowledge Bases pour ancrer les résultats dans un contexte propre au client. Les normes internes, les tendances des constats antérieurs, l’orientation sur la remédiation et le contenu source pertinent étaient synchronisés et indexés dans Amazon S3 Vectors.

Cela a permis à WAFER de générer des résultats mieux alignés sur les normes de l’entreprise et la réalité de la prestation, plutôt que de s’appuyer uniquement sur la connaissance générique du modèle.

Phase 4 : Persistance, traçabilité et rapports

Les constatations, l’état du flux de travail et les artefacts générés étaient conservés dans Amazon DynamoDB et Amazon S3. AWS Secrets Manager, Amazon CloudWatch et AWS KMS appuient la gestion des secrets, le monitoring et le chiffrement à l’échelle de la plateforme.

Le résultat n’a pas été seulement un flux de travail accéléré, mais un flux mieux traçable et vérifiable.

Services AWS utilisés

Analyse financière

Passer d’un examen manuel mené par une firme de conseil à HCLTech WAFER a transformé les aspects économiques de la gouvernance infonuagique pour le client.

Le calcul du « coût du retard »

HCLTech a estimé que le client perdait environ 150 000 $ par mois à cause du délai entre l’identification d’une fuite de coûts et l’initiation de la remédiation.

La différence ne réside pas que dans la rapidité du processus. Elle a véritablement réduit le coût de l’attente.

L’« effet coût zéro »

La solution a atteint une neutralité fiscale effective dès le premier sprint.

« Les examens manuels se comportent comme un coût d’exploitation irrécouvrable. WAFER fait évoluer la discussion vers une récupération plus rapide des gaspillages, une discipline opérationnelle plus forte et un soutien à la remédiation plus évolutif. »

WAFER a aidé à transformer les opérations infonuagiques du client, passant d’un obstacle lié à la gouvernance à un modèle opérationnel plus rapide et axé sur l’action.

Diminution accélérée du délai de rentabilisation

Gestion des risques et conformité

Avenir propulsé par l’IA

Pourquoi ce cas est important

Cette étude de cas démontre que la valeur de WAFER ne se limite pas à la recherche de visibilité. Sa véritable force réside dans sa capacité à aider les entreprises à opérationnaliser l’examen et la remédiation de façon privée, gouvernée, explicable et adaptée au contexte client.

Pour les grandes organisations, en particulier dans les secteurs réglementés comme les services financiers, ce changement est significatif. Il transforme l’examen infonuagique, passant d’un simple exercice de rapport à un processus de prise de décision et d’action réellement utile.

Avec WAFER, HCLTech a aidé un client de services financiers à aller au-delà de la gestion passive des constats vers un modèle d’exploitation de remédiation plus structuré sur AWS. En combinant un déploiement hébergé chez le client, l’orchestration avec Step Functions, Amazon Bedrock AgentCore Runtime, Amazon Bedrock Knowledge Bases ainsi que la persistance et les contrôles de niveau entreprise, cette collaboration a permis de créer une base plus solide pour des cycles de révision plus rapides, des conseils de remédiation plus pertinents et de meilleurs résultats de gouvernance infonuagique.

Pour les organisations faisant face à des défis similaires d’échelle, de conformité et d’arriéré de remédiation, ce modèle offre une voie crédible allant des constats à l’action gouvernée.