Tradeshift、QuickSight で AI エージェントへ移行
Tradeshift は、データ容量の制約や保守コストに悩まされた従来の BI ツールを置き換え、Amazon Quick を活用したアジェンティック AI による分析基盤へ移行し、クエリ応答速度を 30 倍向上させるとともに収益化可能な製品へと変革しました。
キーポイント
従来ツールの限界と課題
社内開発の BI ツールはクエリ行数制限（1 万件）やデータ保持期間（6 ヶ月）などの制約があり、大規模なトレンド分析や予測モデリングが不可能で、エンジニアリソースの半分以上を保守に割かざるを得ない状態でした。
Amazon Quick の導入とアジェンティック AI 機能
自然言語による Q&A（Chat Agent）、コード不要のワークフロー自動化（Flows）、複数ソースからの包括的レポート生成（Research）といった機能を備えた Amazon Quick を採用し、データへの直接アクセスと民主化を実現しました。
劇的なパフォーマンス向上とコスト削減
移行によりクエリ応答時間が最大 30 倍に短縮され、総所有コスト（TCO）が 40% 削減されました。また、分析機能が収益を生む製品機能へと転換しました。
重要な引用
The tool imposed constraints that became untenable as our data volumes and customer expectations increased.
Amazon Quick is an agentic AI workspace that connects to all your applications, tools, and data.
query response times up to 30 times faster, a 40 percent reduction in total cost of ownership
影響分析・編集コメントを表示
影響分析
この事例は、アジェンティック AI が単なる実験段階ではなく、実務的な BI ツールを代替し、組織の意思決定プロセスとビジネスモデルそのものを変革する実力を持っていることを示す重要なケーススタディです。特に「保守コストの削減」と「分析機能の収益化」が同時に達成された点は、AI 投資対効果（ROI）を実証する強力な証拠となり、他社への導入促進や業界全体の AI 活用基準を高める影響を与えるでしょう。
編集コメント
Tradeshift の事例は、アジェンティック AI が従来の BI ツールのボトルネックを解消し、ビジネス価値に直結する収益モデルへと変換できる可能性を実証しています。特に「保守コストの削減」と「分析機能の商品化」が同時に達成された点は、AI 導入における ROI を考える上で極めて示唆に富むケースです。
本記事は、Tradeshift のラファエル・ブレス、ロバート・イオルダチェ、アンカ・アンドーネ、イオアナ・ミロン（旧姓プロエシュティアーヌ）と、AWS のロイ・ヤングによる共著です。
Tradeshift は、70 カ国以上のバイヤーとセラーをサポートする AI 活用型売掛金管理（AP）および電子請求書コンプライアンスプラットフォームです。クラウドベースのネットワークを通じて数百万件の取引を処理しています。私たちは市場の両側であるバイヤーとセラーの双方にサービスを提供しているため、一般的な企業とは異なる分析ニーズを抱えています。社内ビジネスインテリジェンス（BI）ツールが急増するデータ量や顧客の期待に応えられなくなった際、私たちは Amazon Quick へ移行しました。
Amazon Quick は、あらゆるアプリケーション、ツール、データを接続するエージェント型 AI ワークスペースです。ビジネスデータに対する自然言語での Q&A を可能にするチャットエージェント、コード不要で多段階のワークフローを自動化できる「Flows」、複数のソースから包括的な長文分析レポートを生成する「Research」など、多彩な機能を備えています。これらの機能は、エンタープライズレベルのセキュリティを確保した上で AWS 上に構築されています。
本稿では、Tradeshift がエージェント型 AI の機能を備えた Amazon Quick を導入し、従来の BI ツールに代えて運用した事例について解説します。その結果、クエリの応答時間が最大 30 倍に短縮され、総所有コスト（TCO）が 40% 削減されました。さらに、埋め込み型分析を収益を生む製品へと転換させることに成功しています。
レガシー分析ツールの限界
Tradeshift は長年にわたり、自社開発の独自 BI ツールに依存してきました。成長初期段階では基本的なレポート作成ニーズに応えるには十分でしたが、データ量と顧客の期待が高まるにつれ、このツールが課す制約はもはや維持できなくなりました。
このツールの保守には、フルタイムの従業員 1 人分の作業時間の約半分を要しており、エンジニアのリソースが製品革新から逸れてしまう要因となっていました。具体的には、クエリあたりの最大行数が 10,000 行に制限され、スケジュールされたレポートの容量上限は 25 MB でした。また、保持される履歴データの期間も 6 ヶ月までと短く設定されていました。
これらの制約により、大規模なトレンド分析や異常検知、予測モデルの構築といった高度な分析は不可能でした。
そこでチームが目指したのは、保守負荷を排除し、ビッグデータ処理でもエンタープライズレベルのパフォーマンスを発揮するプラットフォームです。さらに、ユーザーが直接データにアクセス・操作でき、AI を活用した自然言語によるクエリ機能を提供することで、洞察へのアクセスを民主化できるような解決策が必要でした。
Tradeshift の売掛金管理や財務部門のユーザーは、従来のデータ分析に必要な高度な技術スキルに依存せずとも、手元で複雑な統計解析やデータ処理を行える環境を求めていました。
技術的な制約以外にも、同社のカスタマーサクセス、データ・アナリティクス、営業チームは、毎週 CSV のエクスポートや Excel マクロの実行、手作業によるレポート作成に多くの時間を費やしていました。AP（買掛金）ワークフローの深い洞察を必要とする外部顧客にはセルフサービスの手続きがなく、独自のカスタムレポート作成を Tradeshift のエンジニアリングチームや BI チームに依存せざるを得ませんでした。これが意思決定のボトルネックとなり、双方のスピードが鈍化していたのです。
これらの課題は、エージェント型 AI ならではの解決策が必要であることを示していました。第一に、データセットの更新スケジュール設定、レポート配布のトリガー、反復的な分析タスクの調整など、手動介入なしで自動化されたワークフローが求められました。同社はこれを実現するため、AI パワーを備えたワークフローエンジン「Amazon Quick Flows」と、深層研究エンジン「Amazon Quick Research」を提供しています。第二に、自然言語による問い合わせを理解し、文書メトリクスや運用データを即座に取得できる対話型チャットインターフェースが必要でした。これにより、日常の質問に対する BI チームへの依存を解消できます。この実現には、Quick chat agent を基盤とした AP オーディターチャットエージェントの構築が鍵となりました。
チームは複数の代替案を検討しましたが、大規模データセットのスケーラビリティ、マルチデバイスでの埋め込みアクセス、AI による自然言語クエリ、ワークフロー機能、そして社内と顧客向けの分析を統合できる点で、Quick が唯一の解決策となりました。そのエージェント型機能には、何らかのシナリオ（what-if）モデリングや自動化されたワークフロー、深掘り調査、対話型のチャットエージェントが含まれており、これらが組織全体でのデータアクセスの民主化を実現しています。
Quick 上で埋め込み分析製品を構築する
Tradeshift の導入は段階的なアプローチで進められました。チームは 2024 年初頭に概念実証（PoC）から始め、2024 年 8 月から 2025 年 3 月にかけて埋め込み分析の最小実行可能製品（MVP）を推進し、2025 年 6 月にバイヤーとセラー向けの包括的な「レポート・分析」アプリを正式リリースしました。そして 2025 年 8 月には、Quick が既存の社内 BI ツールに取って代わり、組織全体での採用率が 98% に達しました。
このアーキテクチャは、3 つの層からなる分析機能を提供します。第一層には、安全な iFrame を通じて配信される 16 の埋め込み型 Amazon QuickSight BI ダッシュボードが含まれており、ドキュメント請求書、発注伝票、スキャン、ネットワーク接続、ユーザーアクティビティ、ワークフロー自動化、コンプライアンスと異常検知、支払い予測、および商品受入・請求書照合の 9 つの領域をカバーしています。これらのダッシュボードは 100 万〜1 億件のトランザクションレコードを処理し、結果を 3 秒未満で返します。一方、従来のツールでは 45〜90 秒かかっていました。
第二層では、同じ基盤データへの会話型 AI アクセスが可能になります。ユーザーは SQL の知識やデータ分析の専門性を必要とせず、自然言語で質問するだけで即座に視覚的な回答を得られます。第三層では、データ利用の階層化が導入されました。標準版（Standard）には基本フィルタ付きの事前構築ダッシュボードと CSV エクスポート機能が用意されています。一方、プレミアム版（Premium）ではデザイナーモードやカスタムダッシュボード作成、What-If モデリングシナリオに加え、エージェント型 AI の機能へのアクセスも提供されます。
セキュリティは4つのレイヤーで構成されています。まず、Okta のシングルサインオン（SSO）がユーザー認証を担当します。次に、Amazon Quick のカスタム名前空間 によって各テナントを分離しています。さらに、署名付き URL を用いることで、時間制限付きかつセッションに紐付いた埋め込みを実現。最後に、行レベルセキュリティ（約14,000件のルール）が、各ユーザーのコンテキストに合わせてデータをフィルタリングします。
多テナント対応の埋め込みダッシュボードの詳細については、Amazon Quick Sight を用いた SaaS 環境向け多テナントアプリケーションのサポート をご覧ください。
以下の図は、Tradeshift が採用する埋め込み型 Quick Sight ダッシュボードのアーキテクチャを示しています。
測定可能なビジネス成果
Amazon Quick の導入により、Tradeshift は運用効率の大幅な改善を実感しました。内部の経理チームとサポートチームは、以前手作業で CSV レポートを作成していた週 8.5 時間を節約できました。外部のバイヤーについても、ユーザーあたり週 6〜8 時間の短縮が実現しています。
Excel マクロや VLOOKUP、ピボットテーブルの組み立てといった手動データ操作は 80% 減少しました。また、運用上のボトルネックを特定するまでの時間は、従来は 1〜2 日かかっていたものが、5 秒未満に短縮されました。
コスト面では、既存ソリューションと比較して総所有コスト（TCO）が 40% 削減されました。これは、クエリを生データから Amazon Quick Sight のインメモリデータエンジンである SPICE に移行したことで、インフラコストを 35% 減らせたことと、断片化していた BI ツールのライセンスを 30% 統合できたことが寄与しています。
また、日常の保守業務に必要な人員は、従来のシステムで 50% のフルタイム相当（FTE）だったものが、現在は 0.5 FTE で済むようになりました。
同社は、プレミアムレポート機能の導入により、既存のバイヤーアカウントから年間継続収益（ARR）を 2% 増やすことに成功しました。カスタムエンタープライズレポートの市場投入までの期間は 75% 短縮され、以前は 4〜6 週間かかっていた新規レポートが、約 1 週間で展開可能になりました。また、埋め込み型分析機能を利用しているアカウントは、利用していない場合に比べて 12 ヶ月間の解約率が 10% 低いという結果も出ています。
Tradeshift では、導入から 1 年以内にターゲットとしたエンタープライズバイヤーの 50% がアクティブに利用するに至り、非技術系のスタッフによる分析ツールの利用率は 2 倍に増加。さらに、分析関連のサポート問い合わせ件数は 80% 減少しました。社内では、組織全体の 98% がこのプラットフォームを積極的に活用しています。
Amazon Quick で顧客の実課題を解決する
以下の 2 つの使用例は、Quick の AI と BI 機能が Tradeshift の顧客が日常的に直面するビジネス課題に対してどのように対応するかを示したものです。
最初のユースケースは、Amazon Quick のカスタムチャットエージェント機能を活用して構築された、生成 AI 搭載の AP（経理）監査員向けチャットエージェントです。従来、AP 監査担当者は文書データへの即時アクセス権限を持っておらず、日常的な問い合わせに対応するには手作業が必要で、社内 BI チームやエンジニアリングチームとの調整が不可欠でした。このため意思決定が遅れ、ボトルネックが生じていました。
Amazon Quick を導入したことで、チームはコードを記述することなく、自然言語の指示だけで AP 監査員に特化したエージェントを定義しました。Quick Spaces を通じて管理者は、エージェントがアクセスできるデータソースを厳密に制御でき、すべての回答が許可されたデータに基づいていることを保証しています。
ユーザーは今や、「先月の未処理請求書を見せて」とか「PO #12345 のステータスは？」といった質問を即座に行い、他のチームの待たずに正確な回答を得ることができます。
エージェントの背後には、包括的なナレッジアーキテクチャが存在します。AP オーディターは、プラットフォーム機能やポリシー、プロセスガイドに関する 11 の参照ドキュメントに加え、9 つのダッシュボード、14 の厳選されたクエリトピック、そしてモデルコンテキストプロトコル（MCP）を介してアクセス可能な 68 の自動化アクションツールを収めた、専用の Quick Knowledge bases に接続されています。このアーキテクチャにより、エージェントは単なるデータ検索の域を超えます。指標の定義の説明やソースデータの特定、そして従来は専門家に相談する必要があったビジネスコンテキストの提供も可能になります。
以下の動画では、生成 AI を活用した Tradeshift の AP オーディターチャットエージェントを紹介しています。
2 つ目のユースケースは、Amazon Quick が大量の BI ワークロードを高速クエリ性能で処理できる能力を示すものです。あるクライアントでは、手作業による運用オーバーヘッドが可視化されていませんでした。AP チームは、必要な人的リソースを定量化し、ワークロードの分布を理解し、承認フロー全体にかかるオーバーヘッドを測定する必要がありました。
Amazon Quick のデータキャッシュ層である SPICE を活用してチームが構築したレポートソリューションでは、大量の行レベルのコーディングデータを高速で処理します。このソリューションは、手動での修正と AI 生成コードを区別し、個別のコーダーを特定し、承認階層全体を追跡します。その結果、クライアントは運用状況についてほぼリアルタイムかつ履歴データに基づく可視性を獲得し、ボトルネックを即座に発見できるようになりました。
同じデータセットやダッシュボードは、カスタムチャットエージェントの知識源としても活用でき、BI の洞察を対話型 AI へと拡張することが可能です。
内部業務の変革
社内では、Tradeshift が従来の BI ツールから Quick Sight へ移行し、ユーザーが以前利用していた 40 個のダッシュボードを統合しました。その結果、自然言語でクエリ可能なデータセットが 100 以上用意されるようになりました。
財務、オペレーション、プロダクト、カスタマーサクセスの各チームは、今では専門用語を使わずに質問できるようになり、SQL の知識やアナリストを介さずに即座に回答を得ることができます。
従来、四半期ごとの市場分析には、手作業によるデータ収集、相互照合、解釈に数週間を要していました。しかし現在では、Quick Research を活用することで、単一のプロンプトから多角的な分析と統合レポートを生成し、数日あるいは数時間で完了できるようになりました。ゼロから始めるのではなく、アナリストはこれらのリサーチ成果物を土台としてさらに深掘り分析を行い、かつては数日を要した作業を数時間に圧縮しています。Quick のチャットエージェントを活用すれば、データを直接照会したり、可視化を作成したり、ステークホルダーへ共有できる経営層向けサマリーを即座に生成したりできます。
定例レポート作成も、ノーコードの自動化エンジンである Quick Flows を通じて自動化されました。チームはこのツールを用いて、データセットの更新、レポート生成、配布をスケジュール通りに実行する反復可能なパイプラインとして運用しています。毎日 270 件以上の SPICE データセットが自動的に更新され、日報・週報・月報は手動介入なしで定例通り配信されます。これにより、分析チームはルーティンなデータパイプラインの保守作業から解放され、より付加価値の高い戦略的な業務に注力できるようになりました。
以下の動画では、Tradeshift が Amazon Quick Flows と Research を活用して四半期市場分析をどのように自動化しているかを示しています。
このアプローチの独自性
Tradeshift の顧客は、数千社に及ぶサプライヤーにまたがる請求書の処理、承認、支払いサイクルを管理する経理担当者や財務プロフェッショナルです。彼らはデータアナリストではありません。同社が分析プラットフォームにエージェント型 AI を組み込む前までは、自社の取引データから回答を得るにはチケットを発行し、BI チームの対応を待ち、数日あるいは数週間後に届く静的なレポートを受け取るしかなかったのです。
これが現在でも多くの AP 自動化プラットフォームが提供している体験です。しかし Tradeshift は異なる道を選びました。2025 年、同社は AP 自動化および電子請求書市場において初めて Amazon Quick を組み込み、自然言語によるクエリを可能にしました。これにより、顧客は SQL やスキーマの知識を持たずに、自社のデータに対して日常語で質問し、即座に回答を得られるようになりました。
2026 年には、同社はさらに先駆的な取り組みとして MCP サーバーを Amazon Quick と統合しました。これにより、生成 AI エージェントがデータカタログのメタデータを参照し、QuickSight のスキーマを理解した上で、自動的に文章による洞察を生成することが可能になっています。
このスピード感あるイノベーションこそが、顧客にとって「セルフサービス」を実現するか、「他社依存」に陥るかの分岐点となります。同社は開発を迅速に進めるとともに AWS と密接に連携しているため、新しいエージェント機能は数日〜数週間で顧客へ提供されます。もしカスタム開発を行っていたら、数ヶ月から数年を要したでしょう。
ユーザーが得られる回答は、ナレッジベースで定義された指標に基づいたものであり、「各数値の計算方法」や「ソースデータの所在」についての解説も付随します。これにより、エンジニアリングチームや BI チームへの横断的な依存が完全に解消され、従来は数日かかったレポート作成サイクルが数秒で完了するようになります。
この取り組みにより、Tradeshift の顧客は AP（経理）分析の最先端に位置することになります。彼らは静的なダッシュボードでは不可能な形で、データと対話しながら質問を行い、洞察を生成し、リアルタイムの情報に基づいて行動を起こすことが可能になります。
今後の展開
Tradeshift のロードマップは、3 つの優先事項に焦点を当てています。まず、生産環境用の MCP サーバーへの書き込みアクセスを可能にする計画です。これにより、エージェントはデータの読み取りや分析だけでなく、ユーザーに代わって実際のアクションを実行できるようになります。次に、標準版の分析アプリケーションに汎用チャットエージェントを組み込む予定です。これによって、プレミアム契約者だけでなく、すべてのユーザーがデフォルトでアジェンティック AI にアクセスできるようになります。最後に、ネットワーク全体の販売者向けに「レポートと分析」アプリの展開を拡大し、市場の両サイドに価値を提供していきます。
次のステップ
Amazon Quick とアジェンティック AI の導入により、Tradeshift は分析機能をコストセンターから収益を生む製品へと変革しました。制約の多かったレガシーツールを、スケーラブルで AI 駆動のプラットフォームに置き換えた結果、クエリ応答時間が 30 倍短縮され、総所有コストは 40% 削減されました。さらに、顧客や社内チームが毎日自発的に利用するセルフサービス型の分析体験を実現しています。
大規模な AP（経費精算）ワークフローを管理する組織にとって、自然言語で質問し、即座に正確かつ文脈に沿った回答を得られる機能は、チームが手動でのレポート作成に費やす時間を減らし、インサイトに基づいたアクションに集中できる環境をもたらします。
独自の分析ソリューションを構築する際は、以下のリソースをご活用ください。
Tradeshift の AI 搭載レポート・分析アプリで AP データの変革を実現しましょう。Tradeshift's AI-powered Reporting and Analytics app
Quick の分析機能については、Amazon Quick User Guide で詳しく解説しています。
また、Amazon Quick Community での議論にもぜひご参加ください。
著者について
ラファエル・ブレス氏
ラファエル氏は Tradeshift の最高製品技術責任者（CPTO）を務めています。同社では B2B コマースおよびフィンテックソリューション全体にわたる戦略的な製品革新と技術変革を主導しています。企業向け金融アプリ分野で 25 年以上の経験を持つ
原文を表示
*This guest post is co-written by Raphael Bres, Robert Iordache, Anca Andone, Ioana Millon (Ploesteanu) of Tradeshift and Roy Yung of AWS*
Tradeshift is an AI-powered accounts payable (AP) and e-Invoicing compliance platform serving buyers and sellers in more than 70 countries, with a cloud-based network that processes millions of transactions. We serve both sides of a marketplace, buyers and sellers, so our analytics needs are different from most companies. When our in-house business intelligence (BI) tool couldn’t handle our growing data volumes and customer expectations, we switched to Amazon Quick.
Amazon Quick is an agentic AI workspace that connects to all your applications, tools, and data. It includes multiple features such as chat agent for natural language Q&A over your business data, Flows for automating multi-step workflows without coding, and Research for producing comprehensive, long-form analytical reports from multiple sources. These capabilities are built on AWS with enterprise-level security.
In this post, we describe how Tradeshift deployed Amazon Quick with agentic AI capabilities to replace our legacy BI tool, resulting in query response times up to 30 times faster, a 40 percent reduction in total cost of ownership, and turned embedded analytics into a product that generates revenue.
Limitations of our legacy analytics tool
For several years, Tradeshift relied on a proprietary BI tool built in-house. While it served basic reporting needs in the early stages of its growth, the tool imposed constraints that became untenable as our data volumes and customer expectations increased. Maintaining the tool consumed approximately 50 percent of one full-time employee’s capacity, diverting engineering resources away from product innovation. The tool supported a maximum of 10,000 rows per query, imposed a 25 MB ceiling on scheduled reports, and retained only six months of historical data. With these constraints, large-scale trend analysis, anomaly detection, or predictive modeling couldn’t be performed.
The team sought a platform that would eliminate heavy maintenance, deliver enterprise-level performance for big data workloads, allow users to access and interact with data directly, and offer AI-powered natural language querying to democratize access to insights. Tradeshift’s Accounts Payable and Finance users needed heavy statistical analysis and data crunching at their fingertips, decoupled from the technical skills traditionally required for this kind of data introspection.
Beyond technical constraints, the company’s Customer Success, Data and Analytics, and Commercial teams spent hours weekly on manual reporting such as exporting CSVs, running Excel macros, and assembling reports by hand. External customers who needed deeper insights into their AP workflows had no self-service path. They depended on Tradeshift’s engineering and BI teams to produce custom reports, creating bottlenecks that slowed decision-making on both sides.
These challenges pointed to two categories of solutions that only agentic AI could address. First, automated workflows were needed to schedule dataset refreshes, trigger report distribution, and orchestrate recurring analytics tasks without manual intervention. The company has delivered these capabilities through Quick’s AI-powered workflow engine Amazon Quick Flows and deep research engine Amazon Quick Research. Second, a conversational chat interface was required to interpret natural language queries and instantly retrieve document metrics and operational data, eliminating the dependency on BI teams for day-to-day questions. This was achieved by building the AP Auditor chat agent powered by Quick chat agent.
The team evaluated several alternatives, but Quick was the only solution offering scalability for large datasets, multi-device embedded access, AI-powered natural language querying, workflow, and unified internal and customer-facing analytics. Its agentic capabilities, including what-if modeling, automated workflows, deep research, and a conversational chat agent, together democratize data access across the organization.
Building an embedded analytics product on Quick
Tradeshift’s implementation followed a phased approach. The team began with a proof of concept in early 2024, progressed through an embedded analytics minimum viable product (MVP) from August 2024 through March 2025, and launched the full Reporting and Analytics app for buyers and sellers in June 2025. By August 2025, Quick had also replaced its internal BI tooling, achieving 98 percent adoption across the organization.
The architecture serves three layers of analytics capability. The first layer consists of 16 embedded Amazon Quick Sight BI dashboards delivered through secure iFrames, covering nine domains: document invoicing, purchase orders, scanning, network connections, user activity, workflow automation, compliance and anomaly detection, payment prediction, and goods receipt-invoice reconciliation. These dashboards process between one million and one hundred million transaction records and return results in under three seconds, compared to the 45 to 90 seconds the legacy tool required.
The second layer provides conversational AI access to the same underlying data. Users can ask natural language questions without needing SQL knowledge or data analytics expertise, and receive instant visual responses. The third layer introduces tiered data autonomy: a Standard tier offering pre-built dashboards with basic filters and CSV export, and a Premium tier that includes Designer Mode, custom dashboard creation, What-If modeling scenarios, and access to agentic AI capabilities.
Security runs through four layers. Okta single sign-on (SSO) handles user authentication. Amazon Quick custom namespaces isolate each tenant. Signed URLs provide time-limited, session-bound embedding. And row-level security (about 14,000 RLS rules) filters data to each user’s context. To learn more about multi-tenant embedded dashboard, see Support multi-tenant applications for SaaS environments using Amazon Quick Sight.
The following diagram illustrates Tradeshift’s embedded Quick Sight dashboard architecture.
Measurable business results
With the implementation of Amazon Quick, Tradeshift observed significant improvements in operational efficiency. Its internal accounts and support teams save 8.5 hours per week that were previously spent on manual CSV reporting. External buyers save 6 to 8 hours per week per user. Manual data manipulation, including Excel macros, VLOOKUPs, and pivot table assembly, decreased by 80 percent. The time required to identify operational bottlenecks dropped from one to two days to under five seconds.
From a cost perspective, the company achieved a 40 percent reduction in total cost of ownership compared to its previous solution, a 35 percent reduction in infrastructure costs by shifting queries off production databases to SPICE, Quick Sight’s in-memory data engine, and a 30 percent consolidation of licensing costs across previously fragmented BI tools. Routine maintenance now requires only 0.5 full-time equivalent (FTE), down from the 50 percent FTE burden of the legacy system.
The company realized a 2 percent incremental annual recurring revenue (ARR) expansion from existing buyer accounts through our premium reporting tier. Time-to-market for custom enterprise reporting improved by 75 percent. New reports that previously took four to six weeks now deploy in approximately one week. Accounts using embedded analytics show a 10 percent higher retention rate over 12 months compared to those that do not.
Tradeshift reached 50 percent active monthly adoption across targeted enterprise buyers within the first year, achieved a 2x increase in analytics utilization by non-technical staff, and saw an 80 percent reduction in analytics-related support tickets. Internally, 98 percent of the organization actively uses the platform.
Solving real customer problems with Amazon Quick
The following two use cases highlight how Quick’s AI and BI capabilities address everyday business challenges for Tradeshift’s customers.
The first use case centers on a generative AI-powered AP Auditor chat agent, built using Amazon Quick’s custom chat agent. Previously, AP auditors lacked immediate self-service access to document data. Resolving routine queries required manual effort and cross-functional dependencies on internal BI or engineering teams. This created bottlenecks that delayed real-time decision-making. With Amazon Quick, the team defined a purpose-built agent for the AP auditor persona using natural language instructions alone, without writing code. Through Quick Spaces, administrators control exactly which data sources the agent can access, ensuring every response is grounded in permissioned data. Users can now ask *“Show me pending invoices from last month”* or *“What’s the status of PO #12345?”* and receive immediate, accurate answers without waiting on other teams.
Behind the agent sits a comprehensive knowledge architecture. The AP Auditor connects to a dedicated Quick Knowledge bases containing 11 reference documents spanning platform capabilities, policies, and process guides, alongside 9 dashboards, 14 curated query topics, and 68 automated action tools accessible via the Model Context Protocol (MCP). With this architecture, the agent goes beyond simple data retrieval. It can explain metric definitions, locate source data, and provide business context that previously required consulting a subject matter expert.
The following video demonstrates Tradeshift’s generative AI-powered AP Auditor chat agent
The second use case demonstrates Amazon Quick’s ability to handle high-volume BI workloads with fast query performance. A client lacked visibility into the manual operational overhead. Their AP team needed to quantify human effort required, understand workload distribution, and measure total approval workflow overhead. Using Amazon Quick data cache layer SPICE, the team built a reporting solution that processes large volumes of line-level coding data at speed. The solution distinguishes manual corrections from AI-generated codes, identifies individual coders, and tracks the full approval hierarchy. The client now has near real-time and historical visibility into operations, enabling them to spot bottlenecks. The same datasets and dashboards can also serve as knowledge sources for custom chat agents, extending BI insights into conversational AI.
Transforming internal operations
Internally, Tradeshift migrated from its legacy BI tool to Quick Sight and collapsed 40 separate dashboards that users previously had to navigate, into more than 100 queryable datasets accessible through natural language. Its teams in Finance, Operations, Product, and Customer Success can now ask questions in plain language and get answers immediately, with no SQL or analyst required.
The quarterly market analysis process previously required multiple weeks of manual data gathering, cross-referencing, and interpretation. It now completes in days or hours using Quick Research, which generates multi-source analysis and synthesized reports from a single prompt. Rather than starting from scratch, analysts build on these research artifacts to conduct further deep-dive analytics, compressing what once took days into hours. Using Quick’s chat agent, they can interrogate data directly, generate visualizations, and produce executive summaries ready to share with stakeholders.
Recurring reporting now flows through automated Quick Flows, a no-code automation engine. Teams use it to orchestrate dataset refreshes, report generation, and distribution as scheduled, repeatable pipelines. More than 270 SPICE datasets refresh daily, while reports are distributed automatically on daily, weekly, and monthly cadences without manual intervention. This freed the analytics team to focus on higher-value strategic work rather than routine data pipeline maintenance.
The following video shows how Tradeshift uses Amazon Quick Flows and Research to automate its quarterly market analysis
What makes this approach different
Tradeshift’s customers are Accounts Payable teams, finance professionals managing invoices, approvals, and payment cycles across thousands of suppliers. These users are not data analysts. Before the company embedded agentic AI into its analytics platform, getting answers from their own transaction data meant filing a ticket, waiting on a BI team, and receiving a static report days or weeks later.
That is the experience most AP automation platforms still deliver today. Tradeshift chose a different path. In 2025, it became the first in the AP automation and e-invoicing market to embed Amazon Quick for natural language querying, letting customers ask plain-language questions of their own data and receive instant responses without SQL or schema knowledge. In 2026, the company was a pioneer to integrate their MCP server with Amazon Quick, so that generative AI agents can read data catalog metadata, interpret Quick Sight schemas, and produce written insights autonomously.
For its customers, this pace of innovation is the difference between self-service and dependency. Because the company moves fast and collaborates closely with AWS, every new agentic capability ships to the customer base within days or weeks. Custom development would have taken months or years. Users receive answers grounded in metric definitions from its knowledge bases, complete with explanations of how each number is calculated and where the source data lives. This eliminates cross-functional dependencies on engineering and BI teams entirely, collapsing what used to be multi-day report cycles into seconds.
This positions Tradeshift customers at the forefront of AP analytics innovation. They engage with their data conversationally by asking questions, generating insights, and acting on real-time information in ways that static dashboards cannot deliver.
Future developments
Tradeshift’s roadmap focuses on three priorities. First, the team plans to enable write access on its production MCP server. Agents can then take live action on behalf of users, not just read and analyze data. Second, the company intends to embed a generic chat agent into the Standard tier of the analytics application, giving every user access to agentic AI by default, not just Premium subscribers. Third, it is expanding the Reporting and Analytics application to seller users across our network, extending its value to both sides of the marketplace.
Next steps
Amazon Quick and agentic AI helped Tradeshift transform analytics from a cost center into a revenue-generating product. By replacing a constrained legacy tool with a scalable, AI-powered platform, we reduced query times by 30 times, cut total cost of ownership by 40 percent, and delivered a self-service analytics experience that customers and internal teams actively choose to use every day. For organizations managing complex AP workflows at scale, the ability to ask questions in natural language and receive immediate, accurate, contextual answers means teams spend less time on manual reporting and more time acting on insight.
To get started with your own analytics solution, explore the following resources:
Transform your AP data with Tradeshift’s AI-powered Reporting and Analytics app.
Learn more about Quick analytics capabilities in the Amazon Quick User Guide.
Join the discussion in the Amazon Quick Community.
About the authors
Raphael Bres
Raphael is the Chief Product and Technology Officer at Tradeshift, where he leads strategic product innovation and technological transformation across the company’s B2B ecommerce and fintech solutions. With over 25 years of experience in enterprise financial app
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み