Rocket Close a Accéléré le Traitement des Documents Hypothécaires par 15 Fois avec AWS

Rocket Close a démontré que même la partie la plus laborieuse du processus hypothécaire — l'analyse de documents — peut être considérablement accélérée en combinant l'OCR et les modèles génératifs. Travaillant avec AWS Generative AI Innovation Center, l'entreprise a construit un système utilisant Amazon Textract et Amazon Bedrock qui a augmenté la vitesse de traitement de 15 fois et atteint environ 90 % de précision combinée en segmentation de documents, classification et extraction de champs. Pour le secteur hypothécaire, ce n'est pas une simple amélioration cosmétique.

Un seul paquet peut contenir des questionnaires, des relevés, des lettres de vérification de revenus, des formulaires de divulgation et d'autres documents sous forme de numérisations, PDFs et photos. Ils ont des structures, des niveaux de qualité et des formats de remplissage différents, ce qui fait qu'une part importante du temps est consacrée non à la prise de décision, mais à la localisation de pages pertinentes, à la reconnaissance de texte et au transfert de données clés vers des systèmes de travail. C'est précisément ici que les retards et les erreurs manuelles s'accumulent.

La solution Rocket Close divise la tâche en plusieurs étapes claires. Amazon Textract gère l'OCR : il extrait le texte et la structure des documents, y compris les tableaux, les formulaires et les numérisations mal préparées. Ensuite, Amazon Bedrock déploie des modèles fondamentaux pour une logique plus complexe : il ne suffit pas de simplement lire une page — il faut comprendre quel type de document c'est, quel paquet il concerne, où commence une nouvelle section et quels champs sont vraiment importants pour le traitement ultérieur.

Cette architecture transforme un flux de fichiers hétérogènes en un processus plus prévisible et lisible par machine. La clé ici n'est pas seulement la vitesse, mais aussi le niveau d'automatisation. L'amélioration alléguée de 15 fois du temps de traitement signifie que les employés peuvent traiter les gros dossiers plus rapidement, et une partie de la vérification de routine sort du mode manuel.

Le chiffre d'environ 90 % de précision globale est également important : il ne s'agit pas d'une seule métrique étroite, mais de trois fonctions simultanément — segmentation de documents, classification et extraction de champs. Pour les flux de travail d'entreprise, c'est bien plus utile qu'un OCR robuste isolé sans compréhension contextuelle. C'est particulièrement critique dans les scénarios où un seul document manqué ou mal reconnu peut renvoyer une demande et redémarrer toute la chaîne d'approbation.

Le rôle du AWS Generative AI Innovation Center mérite une mention spéciale. Ces projets se réduisent rarement à un simple appel API à un modèle. Vous devez sélectionner une architecture, décomposer le processus en étapes, déterminer où l'OCR classique est suffisant et où les capacités de raisonnement sont nécessaires, puis aligner tout cela avec les exigences de qualité et de résilience opérationnelle.

Le partenariat avec l'équipe AWS, à en juger par les résultats, a permis à Rocket Close de progresser plus rapidement du concept à un système applicable aux flux de documents réels, pas seulement aux scénarios pilotes. Pour le marché, c'est un autre exemple de la façon dont l'IA générative s'éloigne des interfaces de chat accrocheurs pour se tourner vers des processus de back-office silencieux mais coûteux. Dans les prêts hypothécaires, le coût des retards est particulièrement visible : plus long un dossier reste dans la chaîne d'approbation, plus la charge sur l'équipe est lourde et pire l'expérience client.

Si les documents sont traités plus rapidement et plus fiablement, les entreprises gagnent non seulement du temps, mais aussi des délais de transaction plus prévisibles, moins de transferts manuels entre équipes et un meilleur contrôle de la qualité des données. La conclusion est simple : la valeur de GenAI dans les services financiers est de plus en plus déterminée non par des démos flashy, mais par la capacité à résoudre des tâches routinières dans des goulots d'étranglement opérationnels spécifiques. Le cas Rocket Close montre que combiner l'OCR et les modèles fondamentaux fournit déjà des résultats mesurables là où le traitement manuel nécessitait autrefois des heures.

Pour les entreprises à fort volume de documents, c'est un signal pour regarder au-delà des chatbots et examiner les processus internes où l'automatisation fournit un impact opérationnel direct.