AWS· sujet

Agents Bedrock de récupération de connaissances gérée : recherche augmentée par des agents autonomes

Amazon vient de lancer la récupération agentique (agentic retrieval) pour les Knowledge Bases managées d'Amazon Bedrock, accessible via une nouvelle API baptisée AgenticRetrieveStream. Contrairement à la recherche classique qui effectue une seule requête vectorielle et renvoie les k documents les plus proches par score de similarité, ce nouveau mode s'appuie sur un modèle de fondation qui décompose la question de l'utilisateur en sous-questions, interroge la base pour chacune d'elles, évalue si les preuves collectées sont suffisantes, puis itère si nécessaire avant de générer une réponse directement dans le même appel. L'équipe AWS illustre le problème avec un exemple concret : sur un corpus de 25 ans de lettres aux actionnaires d'Amazon, une question simple comme « quel est le message le plus important » ramène des résultats médiocres, le premier chunk portant sur la charte graphique du logo Amazon plutôt que sur le fond. Le défaut s'aggrave nettement avec une question comparative du type « comment le discours sur le recrutement, l'investissement long terme et l'obsession client a-t-il évolué entre 2020 et 2023 », car un seul vecteur d'embedding ne peut pas représenter fidèlement plusieurs intentions à la fois, ce qui produit soit un nuage de résultats disparates, soit un amas dominé par le signal le plus fort. Cette limite touche directement les analystes et les équipes support qui posent des questions multi-parties, comparatives ou exploratoires portant sur des PDF, des slides, des tickets ou des transcriptions. Jusqu'ici, les entreprises devaient bricoler leurs propres frameworks d'agents autour de l'API Retrieve classique, en programmant elles-mêmes la boucle de planification, la déduplication des résultats et le critère d'arrêt, ce qui ajoutait de la latence, des coûts et des risques de fiabilité propres à chaque implémentation. En intégrant cette logique directement dans l'API des Knowledge Bases, AWS supprime ce travail d'infrastructure répété pour chaque application et fiabilise le comportement d'itération, un peu comme un analyste humain qui chercherait d'abord des informations sur le recrutement en 2020, puis en 2023, avant de comparer et de synthétiser. L'enjeu plus large est celui de la fiabilité des systèmes de RAG (retrieval-augmented generation) face à des questions réelles d'entreprise, rarement des recherches ponctuelles mais souvent des demandes croisant plusieurs sources et plusieurs dimensions temporelles ou thématiques. AWS positionne cette fonctionnalité comme un complément à l'API Retrieve standard plutôt qu'un remplacement total, à choisir selon la complexité de la question posée. L'option generateResponse=False permet de ne récupérer que les résultats de recherche sans génération de texte, laissant aux développeurs le contrôle sur l'usage final des données extraites.

Les agents IA ne se trompent pas avec assurance à cause d'un mauvais contexte, mais d'une mauvaise ingénierie des données

Un scénario revient de plus en plus souvent dans les équipes qui déploient des chatbots d'entreprise basés sur l'IA : after weeks de réglages, les réponses sont validées par les parties prenantes, le système est mis en production, puis trois mois plus tard il se trompe avec assurance sur environ un tiers des questions posées, sans que personne n'ait touché au modèle ni aux prompts. La cause n'est pas technique au sens classique : les prix ont changé, une politique a été mise à jour, une fiche produit est sortie dans une nouvelle version, et la base de connaissances sous-jacente n'a pas suivi. Un exemple similaire s'est produit dans une chaîne de traitement de données fintech : un système amont a modifié un champ sans prévenir les systèmes en aval, et le pipeline n'a jamais échoué au sens strict puisqu'il continuait de faire remonter des valeurs, simplement fausses, dans les tableaux de bord, jusqu'à ce qu'un client signale une incohérence. Un document de tarification obsolète est récupéré avec la même confiance qu'un document à jour, car le système évalue la pertinence ou la disponibilité de l'information, jamais son exactitude. Ce type de panne est particulièrement dangereux car il reste invisible : tous les indicateurs de supervision restent au vert, le pipeline tourne, le job se termine sans erreur, et pourtant la donnée servie est fausse. Face à ce problème, les équipes commettent généralement la même erreur de diagnostic à deux reprises : elles soupçonnent d'abord le modèle de langage et changent de LLM ou ajustent les prompts, puis, une fois cette piste écartée, elles blâment la couche de récupération de contexte et cherchent à acheter un meilleur outil de retrieval. Or le vrai problème se situe plus en amont, au niveau de l'ingénierie des données elle-même : la supervision existante vérifie si un traitement s'est exécuté, pas si la donnée qu'il a transportée est toujours vraie, un biais qui précède largement l'arrivée de l'IA générative en entreprise. Ce diagnostic explique la ruée actuelle des grands fournisseurs cloud vers ce qu'on appelle la couche de contexte. Amazon Web Services vient d'entrer dans cette course avec un graphe de connaissances qui apprend de l'usage des agents IA, tandis que Snowflake a lancé Horizon Context et Cortex Sense pour cibler précisément ce symptôme de réponses erronées mais confiantes. Ces réponses restent toutefois une couche au-dessus du vrai enjeu, puisqu'un graphe de connaissances dépend toujours de ce qui l'alimente en amont. La solution, selon l'auteur, passe par une véritable observabilité des données, un concept déjà ancien mais encore mal appliqué, où la métrique clé n'est pas un pourcentage de disponibilité mais la couverture réelle de la traçabilité des jeux de données critiques, un chantier qu'Uber a par exemple structuré via une équipe dédiée à la qualité et à l'observabilité des données.

Recherche entreprise pour agents avec Amazon Bedrock Managed Knowledge Base

Amazon vient d'annoncer la disponibilité générale de Managed Knowledge Base au sein d'Amazon Bedrock, une solution entièrement gérée de recherche documentaire pour agents et applications d'intelligence artificielle générative. Le service prend en charge la mise à l'échelle, la précision de la récupération d'information et le contrôle d'accès aux documents, sans que les équipes aient à assembler elles-mêmes connecteurs, parseurs, bases vectorielles et graphes de connaissances. Six connecteurs natifs sont proposés dès le lancement, couvrant Amazon S3, Microsoft SharePoint, Atlassian Confluence, Google Drive, Microsoft OneDrive et un robot d'exploration web, ainsi qu'une API d'ingestion directe pour les documents ne provenant d'aucune de ces sources. Lors des synchronisations suivantes, seuls les documents modifiés ou ajoutés sont retraités, ce qui réduit les délais et les coûts. Le démarrage via la console AWS ne nécessite aucune sélection de modèle : des paramètres par défaut permettent d'obtenir un premier résultat de recherche en quelques minutes, contre plusieurs jours ou semaines pour construire un pipeline équivalent à partir de zéro. Les utilisateurs avancés conservent la possibilité de personnaliser les modèles d'embedding, les rerankers et les stratégies de découpage des documents. Cette annonce répond à un problème très concret pour les entreprises qui veulent connecter leurs données internes à des agents IA : la gestion des droits d'accès aux documents. Managed Knowledge Base applique des vérifications de contrôle d'accès en temps réel, en plus d'un filtrage préalable, en interrogeant directement la source d'autorité au moment de la requête plutôt que de s'appuyer sur des listes d'autorisations potentiellement obsolètes. Les documents filtrés restent transitoires le temps de l'appel API et ne sont jamais exposés aux modèles de langage ni aux utilisateurs non autorisés. Deux entreprises citées dans l'annonce illustrent l'usage réel du service. Chez Syngenta Group, selon Jason Krohn, responsable des données et de l'IA, les employés créent désormais des bases de connaissances à la demande à partir de SharePoint et Confluence. Chez MRH Trowe, un copilote IA interne s'appuie sur ce service pour donner accès à des milliers de documents en anglais et en allemand, répartis entre Confluence et SharePoint, sans que l'équipe ait eu à construire de pipeline de récupération sur mesure, selon Malte Polley, responsable de l'analytique des données et de l'IA. Cette offre s'inscrit dans la course que se livrent les grands fournisseurs cloud pour simplifier la construction d'applications de recherche augmentée par IA (RAG) en entreprise, un chantier jusqu'ici coûteux en ingénierie et en maintenance. Amazon met en avant sa capacité à traiter des données multimodales, un enjeu central puisque les contenus d'entreprise mélangent pages web, fichiers contenant des images intégrées et autres formats hétérogènes. En intégrant nativement la sécurité, l'observabilité et la scalabilité attendues en production, Bedrock cherche à concurrencer directement les offres similaires de Microsoft et Google, alors que de plus en plus d'organisations cherchent à déployer des agents IA capables de raisonner sur leurs propres documents internes en toute confiance.

💬 Selon Le Fil IA, l'enjeu réel de Managed Knowledge Base n'est pas la recherche documentaire mais le contrôle d'accès en temps réel : Amazon interroge la source d'autorité à chaque requête plutôt que de faire confiance à des listes de permissions périmées. Bon, sur le papier c'est exactement ce que les DSI attendaient pour arrêter de bricoler leurs pipelines RAG maison. Reste que MRH Trowe ou Syngenta qui balancent leurs docs internes chez AWS, ça pose la question de la souveraineté qu'on ne peut plus vraiment éviter en Europe.

L'AWS fait face a une forte demande, poussant de plus en plus de startups a se tourner vers de nouveaux fournisseurs cloud

Arcee, une startup spécialisée dans l'intelligence artificielle open-source, avait signé en 2024 un engagement de 8 millions de dollars sur trois ans avec Amazon Web Services pour stocker ses données et faire tourner ses modèles d'IA. Problème selon son PDG Mark McQuade : l'entreprise n'est pas parvenue à obtenir suffisamment de serveurs équipés de puces Nvidia sur AWS pour répondre à ses besoins de calcul. Résultat, Arcee a fini par exécuter la majorité de ses modèles ailleurs, notamment chez des acteurs cloud plus récents comme Hugging Face et Together, plutôt que chez le géant du secteur. Cette situation illustre une tension croissante dans l'industrie de l'IA : la demande en puissance de calcul explose plus vite que les grands fournisseurs cloud ne peuvent l'absorber, même pour des clients ayant contractuellement réservé des ressources. Pour des startups comme Arcee, dépendre d'un fournisseur historique saturé devient un frein direct à l'innovation et à la mise en production de leurs modèles. Cela ouvre une brèche commerciale pour des plateformes spécialisées dans l'hébergement et l'exécution de modèles d'IA, capables de proposer un accès plus rapide au matériel Nvidia. Le cas d'Arcee reflète un mouvement plus large où des clients d'AWS, historiquement fidèles au leader du cloud, se tournent vers des alternatives pour contourner les pénuries de capacité GPU. Cette pénurie, alimentée par la ruée mondiale vers l'entraînement et le déploiement de grands modèles de langage, redessine les rapports de force entre fournisseurs cloud traditionnels et nouveaux entrants spécialisés dans l'infrastructure IA.

💬 Bon, ça devait arriver. Réserver du GPU contractuellement chez AWS et se retrouver quand même à sec, c'est le signe que même les géants du cloud n'ont plus la marge pour absorber la demande. La vraie nouvelle, c'est pas qu'Arcee change de crémerie, c'est que la pénurie de calcul redistribue les cartes entre gros clouds et acteurs spécialisés comme Hugging Face ou Together. Selon Le Fil IA, la fidélité à AWS ne pèse plus rien face à une puce Nvidia disponible ailleurs.

OpenAI GPT-5.6 Sol, Terra et Luna sont désormais disponibles sur Amazon Bedrock

OpenAI a annoncé la disponibilité générale de sa nouvelle famille de modèles GPT-5.6, baptisée Sol, Terra et Luna, sur Amazon Bedrock, le service d'inférence cloud d'AWS. Cette annonce marque un changement de nomenclature chez OpenAI : le chiffre 5.6 identifie la génération, tandis que les noms Sol, Terra et Luna désignent des niveaux de capacité distincts pouvant évoluer selon leur propre calendrier. Sol, le modèle phare de raisonnement, atteint un score record de 80 points sur l'index Artificial Analysis Coding Agent, soit 2,8 points de plus que le meilleur concurrent, tout en utilisant moins de la moitié des tokens de sortie, un temps d'exécution divisé par deux et un coût inférieur d'environ un tiers. Sur ExploitBench, un test dédié à la recherche en cybersécurité, Sol obtient 73,5%, contre 47,9% pour GPT-5.5 à budget de tokens comparable. Sur Agents' Last Exam, une évaluation portant sur des flux de travail professionnels de longue durée dans 55 domaines, Sol établit un nouveau record de 53,6, devançant son plus proche rival de 13,1 points. Terra, positionné comme le modèle équilibré pour la production quotidienne, surpasse GPT-5.5 à moindre coût, tandis que Luna cible les tâches à fort volume comme la classification ou le routage, où la latence et le coût par token priment. Les tarifs correspondent aux prix directs d'OpenAI et l'usage s'impute sur les engagements AWS existants des clients. Cette mise à disposition répond aux besoins d'entreprises qui déploient des agents autonomes sur des centaines d'étapes consécutives, que ce soit pour générer du code en production, mener des recherches sur des failles de sécurité ou analyser des séquences génétiques complètes. Ces charges de travail traitent souvent des données sensibles et exigent un débit stable même en cas de pics d'usage imprévisibles, dans des environnements où la résidence des données et la sécurité ne souffrent aucun compromis. En proposant trois niveaux de modèles aux performances et coûts différenciés, Amazon Bedrock permet aux équipes techniques d'ajuster précisément la puissance de calcul à chaque tâche, réduisant les dépenses inutiles sur les usages simples tout en réservant la puissance maximale aux problèmes complexes. Le nouveau moteur d'inférence d'Amazon Bedrock a été conçu pour absorber la nature imprévisible du trafic généré par les agents, où une seule requête utilisateur peut déclencher des centaines d'appels au modèle. Le système mutualise la capacité tout en isolant le débit de chaque client, et l'inférence reste cantonnée à la région AWS choisie pour répondre aux exigences réglementaires de résidence des données. Autre nouveauté clé : la mise en cache des prompts avec des points de rupture explicites, qui permet de réutiliser le contexte déjà traité, comme les instructions système ou les définitions d'outils, lors des appels suivants. Cette fonctionnalité vise directement les charges de travail agentiques et multi-étapes, où une grande partie du contexte se répète d'un appel à l'autre, réduisant ainsi coûts et latence pour les architectures d'intelligence artificielle les plus exigeantes.

💬 Ce qui m'accroche ici c'est pas les 80 points sur l'index de code, c'est le bond sur ExploitBench : 73,5% contre 47,9% pour GPT-5.5, sur un test taillé pour la recherche de failles de sécurité. Tu vois où ça mène : un modèle qui trouve mieux les vulnérabilités, ça sert la défense autant que l'attaque, et personne n'en parle vraiment. Le vrai coup, lui, c'est la distribution : atterrir sur Bedrock au prix OpenAI direct, c'est vendre la techno via la ligne AWS que les boîtes ont déjà signée, sans nouveau contrat à faire approuver.

L'installation GraphRAG d'AWS réduit de 87 % les cycles de recherche pharmaceutique

Une récente mise en œuvre d'AWS reposant sur une architecture GraphRAG a permis de réduire de 87 % la durée des cycles de recherche et développement pharmaceutique en connectant des bases de données propriétaires jusque-là cloisonnées au sein d'un unique graphe de connaissances interrogeable. Historiquement, les phases initiales de collecte et de criblage de données s'étalaient sur plus de six mois par itération, pour un taux de succès de seulement 5 %. Les jeux de données essentiels, qu'il s'agisse d'indicateurs cliniques spécialisés ou de notes internes de laboratoire et d'ingénierie, restaient dispersés entre différents environnements de stockage, empêchant les data scientists de repérer des corrélations pourtant présentes. Le départ d'un collaborateur emportait souvent avec lui la mémoire d'un projet, ralentissant d'autant les recherches en cours. AWS a construit un système combinant bases de données en graphe et traitement du langage naturel, en s'appuyant sur Amazon Neptune Analytics et Amazon Bedrock, notamment le modèle Claude 4.5 Sonnet d'Anthropic, ainsi que sur Amazon Comprehend Medical pour extraire les codes médicaux standardisés à partir de documents non structurés issus de bases publiques comme PubMed et de dossiers internes. Cette accélération représente un gain concret pour les entreprises pharmaceutiques, qui peuvent désormais interroger l'ensemble de leurs données en langage naturel et obtenir des réponses reliées à la littérature scientifique validée ainsi qu'à leurs propres jeux de données internes. En structurant l'information en nœuds (entités médicales, auteurs, revues, extraits de texte) reliés par des relations hiérarchiques et thématiques, le système offre une base déterministe pour la récupération d'informations, ce qui limite le risque d'hallucinations propre aux modèles génératifs classiques. Pour l'industrie, cela signifie moins de temps perdu à reconstituer manuellement le contexte d'un projet lorsqu'un chercheur quitte l'entreprise, et une capacité accrue à exploiter des données jusque-là dormantes faute d'outils capables de les croiser efficacement. Ce déploiement illustre les défis plus larges posés par l'unification de données propriétaires structurées et de contenus ouverts non structurés : une gouvernance stricte des schémas est nécessaire pour éviter les erreurs de cartographie relationnelle. Le système repose sur un composant appelé Knowledge Graph Linker, chargé d'extraire les entités des requêtes utilisateurs via une correspondance floue avant de les relier aux nœuds du graphe. Sur le plan opérationnel, faire tourner un graphe Neptune Analytics avec 16 unités de mémoire provisionnées coûte 0,48 dollar de l'heure, auxquels s'ajoutent les frais de développement sur des instances SageMaker et la consommation dynamique de jetons facturée par Bedrock. Cette approche s'inscrit dans une tendance plus large du secteur cloud à proposer des architectures GraphRAG comme alternative aux systèmes de recherche documentaire classiques, avec pour ambition de rendre les données d'entreprise réellement exploitables plutôt que simplement stockées.

💬 Ce qui frappe surtout, c'est le "5 % de taux de succès sur six mois" qui devient exploitable : AWS ne vend pas de l'IA générative magique, il vend un graphe qui structure la mémoire d'entreprise que le départ d'un chercheur effaçait auparavant. Selon Le Fil IA, GraphRAG marque le moment où le RAG cesse d'être un pansement anti-hallucination pour devenir une infrastructure de continuité métier. Reste que 0,48 dollar de l'heure plus les jetons Bedrock, ça peut vite grimper à l'échelle d'un vrai labo pharma, donc l'histoire du ROI mérite d'être vérifiée sur la durée.

L'article mentionne Mistral AI Studio, pas seulement Anthropic ou une autre techno propriétaire, mais je vais quand même traduire simplement le titre technique demandé

Amazon a publié un guide technique détaillant la construction d'un serveur MCP (Model Context Protocol) prêt pour la production dans le secteur de l'ecommerce, combinant Amazon Bedrock AgentCore et Mistral AI Studio. Le tutoriel montre comment développer un serveur en Python avec le framework FastMCP, exposant six outils dédiés au commerce en ligne via un point de terminaison /mcp et un endpoint /health pour le monitoring. Le serveur s'appuie sur cinq tables Amazon DynamoDB à capacité à la demande, couvrant les produits, les clients, les commandes, les avis et les retours. L'authentification repose sur un système à deux niveaux de jetons JWT, avec Amazon Cognito gérant l'identité des utilisateurs via le protocole OAuth 2.1. Le déploiement s'effectue avec AWS Cloud Development Kit (CDK), et l'exécution est prise en charge par AgentCore Runtime, qui construit les images de conteneurs dans le cloud grâce à AWS CodeBuild, sans nécessiter Docker en local. Une fois déployé, ce serveur est connecté à Vibe, l'interface conversationnelle de Mistral AI disponible sur web, iOS et Android, permettant aux utilisateurs d'interagir en langage naturel avec les fonctions de recherche de produits, de passation de commandes, de soumission d'avis et de traitement des retours. Cette approche répond à un problème concret pour les équipes ecommerce : le développement d'assistants IA connectés nécessite habituellement des semaines d'intégration sur mesure, avec du code API spécifique pour chaque client, une gestion complexe de l'infrastructure de conteneurs et des mécanismes d'authentification à construire de zéro. En s'appuyant sur le standard MCP, un unique serveur peut être interrogé par plusieurs clients IA différents, éliminant le besoin de développer une intégration distincte pour chacun d'entre eux. AgentCore Runtime prend en charge la gestion des conteneurs, l'isolation des sessions, la validation des jetons JWT et l'observabilité, ce qui décharge les équipes techniques de la maintenance des load balancers et des middlewares d'authentification. Pour les entreprises du secteur, cela signifie un temps de mise sur le marché considérablement réduit pour des expériences client conversationnelles, tout en garantissant l'isolation des données propres à chaque client grâce à la gestion d'identité de Cognito. Ce projet illustre la stratégie plus large d'Amazon Web Services consistant à positionner Bedrock AgentCore comme plateforme de référence pour construire, connecter et faire évoluer des agents IA à grande échelle, en misant sur l'interopérabilité offerte par le protocole MCP plutôt que sur des intégrations propriétaires fermées. Le partenariat avec Mistral AI Studio, dont l'interface Vibe sert de vitrine grand public, s'inscrit dans une tendance où les fournisseurs cloud et les éditeurs de modèles collaborent pour rendre les agents IA directement exploitables par les entreprises, sans développement d'infrastructure supplémentaire. Ce guide, accompagné d'une démonstration vidéo, cible les équipes techniques cherchant à évaluer concrètement comment déployer un agent conversationnel connecté à leurs propres systèmes de données, avec des exigences de sécurité et de scalabilité déjà prises en compte dès la conception.

Face aux géants américains, Mistral AI et Naver misent sur l’IA industrielle souveraine

Naver Cloud, le géant sud-coréen du cloud, a officialisé le 8 juillet 2026 un partenariat mondial avec la start-up française Mistral AI. L'objectif affiché est de déployer des solutions d'intelligence artificielle souveraines au sein des entreprises manufacturières européennes et asiatiques. Les deux groupes veulent construire une alternative aux plateformes généralistes dominées par les hyperscalers américains, à un moment où les dépenses mondiales en infrastructures cloud ont atteint 129 milliards de dollars au premier trimestre 2026, un marché toujours contrôlé par Amazon Web Services, Microsoft et Google. Mistral apporte ses modèles et une expertise en ingénierie industrielle acquise auprès de groupes comme Airbus, BMW et ASML, tandis que Naver Cloud fournit son infrastructure, sa connaissance du marché sud-coréen et un accès direct aux industriels asiatiques. Lors de son AI Now Summit de mai 2026, Mistral avait déjà présenté une pile d'IA dédiée à l'ingénierie industrielle couvrant la conception, la simulation et la production, illustrée notamment par son accord avec Airbus pour étendre l'IA à l'aviation commerciale, aux hélicoptères, à la défense et au spatial, sous des exigences strictes de sécurité pour des données confidentielles ou militaires. Cette alliance illustre une stratégie de contournement face à des concurrents financièrement hors de portée. Plutôt que de rivaliser sur la taille des centres de données, Mistral et Naver choisissent de déplacer la bataille vers l'intégration fine de l'IA dans les processus industriels, un terrain où la puissance de calcul brute ne suffit pas. Les premiers cas d'usage ciblés, la détection en temps réel des anomalies de qualité et l'optimisation de la sélection des composants, ont déjà été expérimentés chez des fabricants européens et seront désormais proposés aux industriels coréens. Pour les entreprises manufacturières, l'enjeu est de taille : elles pourraient accéder à une IA capable de dialoguer avec leurs systèmes existants et leurs données métiers spécifiques, sans dépendre exclusivement des plateformes américaines, un argument de souveraineté numérique de plus en plus recherché en Europe comme en Asie. La commercialisation débutera en Corée du Sud, où Naver Cloud proposera les modèles et la plateforme de Mistral via sa propre infrastructure, pendant que Mistral enverra des ingénieurs de déploiement directement chez les clients coréens pour résoudre les difficultés d'intégration. Cette approche répond à un constat structurel : selon Synergy Research Group, AWS, Google et Microsoft représentaient encore fin 2025 près des deux tiers du marché mondial des infrastructures cloud, une domination que la croissance de l'IA ne fait que renforcer grâce à leur capacité d'investissement massif dans les centres de données et les accélérateurs. Face à cette asymétrie de moyens, Mistral et Naver misent sur la spécialisation sectorielle et la souveraineté des données comme véritables leviers commerciaux, pariant que l'avenir de l'IA industrielle se jouera moins sur la taille des infrastructures que sur la capacité à s'insérer durablement dans des chaînes de production complexes et sensibles.

Marché entreprise : les acteurs de l’IA misent sur des ingénieurs placés chez le client

Microsoft et Amazon ont annoncé coup sur coup la création de divisions dédiées au Forward Deployed Engineering (FDE), c'est-à-dire au placement direct d'ingénieurs IA chez leurs clients entreprise. Chez Microsoft, cette nouvelle entité baptisée Microsoft Frontier Company doit mobiliser 2,5 milliards de dollars d'investissement et réunir 6 000 experts métier et ingénieurs. Selon Judson Althoff, CEO de Microsoft Commercial Business, elle doit devenir « l'organisation d'ingénierie la plus importante, compétente et orientée vers l'obtention de résultats concrets et mesurables pour les clients », chargée de co-concevoir et déployer des systèmes d'IA à grande échelle avec les entreprises clientes. De son côté, Amazon Web Services a annoncé plus tôt dans la semaine sa propre division Forward Deployed Engineering, avec un investissement de 1 milliard de dollars. OpenAI avait ouvert le bal dès le mois de mai en rachetant l'ESN Tomoto pour créer The OpenAI Deployment Company, financée par 19 investisseurs pour plus de 4 milliards de dollars. Une semaine auparavant, Anthropic avait dévoilé un dispositif comparable, en s'associant à des acteurs financiers pour bâtir une structure commerciale où ses ingénieurs travaillent aux côtés d'intégrateurs partenaires afin d'accélérer le déploiement de projets fondés sur les modèles Claude, sans que le montant investi soit précisé. Google Cloud a lui aussi annoncé début juin son intention de recruter massivement sur ce créneau. Cette course au FDE traduit un changement de modèle économique pour les géants de l'IA, qui ne se contentent plus de vendre des accès API ou du cloud mais placent désormais des compétences humaines directement dans les équipes de leurs clients pour garantir des résultats métiers concrets. Pour les entreprises, cela promet des déploiements plus rapides et mieux adaptés à leurs cas d'usage réels, mais soulève aussi la question du contrôle : Microsoft insiste ainsi sur sa capacité à proposer des modèles OpenAI, Anthropic, Microsoft AI ou open source « sans jamais perdre le contrôle au profit d'un acteur unique », signe que la crainte d'un enfermement chez un fournisseur unique est bien présente chez les clients. Le concept de FDE a été popularisé par Palantir, qui en a fait une marque de fabrique jusque dans des contrats sensibles, à l'image de la DGSI française, où la société française ChapsVision vient justement de lui souffler le contrat en mettant en avant cette même approche de proximité terrain. Face à la difficulté persistante des entreprises à transformer leurs projets d'IA en résultats mesurables, les hyperscalers et laboratoires d'IA généralisent désormais cette méthode, ouvrant une nouvelle guerre des talents autour des ingénieurs de déploiement.

💬 Microsoft, Amazon, Google, OpenAI, Anthropic : tout le monde envoie ses ingénieurs bosser directement chez le client, et ça dit tout du vrai problème de l'IA en entreprise. Ce n'est plus une histoire d'accès API, c'est une guerre de service après-vente à coups de milliards, parce que sans quelqu'un sur place pour faire tourner le truc, les projets IA restent des PowerPoint. Et ce qui devrait alerter les DSI, c'est que ChapsVision vient de piquer le contrat de la DGSI à Palantir avec exactement la même recette : la vraie bataille n'est plus le modèle, c'est qui a les mains dans le cambouis.

Anthropic relance Claude Fable 5 dans le monde après la levée des restrictions américaines à l'export

Anthropic a restauré aujourd'hui l'accès mondial à Claude Fable 5, son modèle grand public le plus puissant, après que le département du Commerce américain a levé la veille les contrôles d'exportation d'urgence qu'il avait imposés au modèle. Cet ordre, émis le 12 juin 2026, avait contraint Anthropic à suspendre l'accès mondial à la fois à Fable 5 et à son pendant orienté cybersécurité, Claude Mythos 5, quelques jours seulement après leur lancement. Fable 5 est désormais de nouveau disponible pour les utilisateurs du monde entier sur l'ensemble de l'écosystème Anthropic, incluant la Claude Platform, Claude.ai, Claude Code et Claude Cowork. Le média VentureBeat, qui a tenté d'y accéder via Claude Code en ligne de commande juste avant la publication de son article, a toutefois constaté que l'accès restait désactivé. Pour les entreprises passant par les grands fournisseurs cloud, Anthropic affirme œuvrer à rétablir l'accès sur Amazon Web Services, Google Cloud et Microsoft Foundry « aussi vite que possible », sans que VentureBeat ait pu confirmer, à ce stade, un retour effectif sur ces plateformes. Le cas de Mythos 5 reste différent : une lettre attribuée au secrétaire au Commerce Howard Lutnick, adressée au dirigeant d'Anthropic Tom Brown et publiée sur X, indique qu'aucune licence n'est plus requise pour l'exportation, la réexportation ou le transfert national de Fable et Mythos. Mais Anthropic, dans son propre communiqué, précise que l'accès à Mythos 5 n'a été rétabli que pour « un ensemble d'organisations américaines », à la suite d'une approbation gouvernementale obtenue le 26 juin, l'entreprise disant continuer de coordonner avec les autorités l'élargissement de l'accès via son programme de test de cybersécurité sur invitation, Project Glasswing. Cette décision a un impact direct sur les directions informatiques qui évaluent le retour de ces modèles, car elle s'accompagne de conditions structurelles distinctes et d'un coût élevé : Anthropic facture Fable 5 et Mythos 5 à 10 dollars par million de tokens en entrée et 50 dollars par million en sortie, ce qui en fait les modèles de pointe les plus chers du marché mondial, très loin devant des concurrents comme DeepSeek, MiniMax, LongCat, Gemini, Qwen ou Grok, dont les tarifs varient de 0,40 à environ 4 dollars par million de tokens combinés. Mythos 5 se retrouve ainsi dans une situation intermédiaire : juridiquement dégagé du contrôle d'exportation d'urgence, mais toujours pas disponible en accès général, Anthropic ayant choisi de le maintenir derrière un modèle d'accès vérifié où le gouvernement américain continue de peser sur les approbations et les standards. Sur X, Lutnick a expliqué qu'Anthropic et l'administration avaient « travaillé en étroite collaboration » pour « analyser et approuver Fable 5 », tandis que la cheffe de cabinet de la Maison-Blanche Susie Wiles a de son côté présenté cette décision comme un enjeu de leadership américain en IA, affirmant que les États-Unis restent le « vainqueur incontesté de la course à l'IA » et que la priorité partagée est de « déployer les meilleures technologies aussi rapidement et sûrement que possible ». Ce revirement fait suite aux critiques de responsables de la cybersécurité et d'experts en politique de l'IA, qui estimaient que cet ordre risquait de fragiliser l'industrie américaine tout en ouvrant un boulevard aux laboratoires chinois. L'ancien responsable de la sécurité de Facebook, Alex Stamos, avait qualifié la restriction sur Fable 5 de « énorme erreur stratégique pour les États-Unis », avertissant que les entreprises de cybersécurité pourraient se tourner vers des modèles chinois faute d'accès fiable aux modèles américains. D'autres critiques ont pointé le caractère improvisé de cette intervention réglementaire, qui donnait l'impression que dépendre des plateformes d'IA américaines constituait désormais un risque stratégique en soi. L'épisode illustre les tensions persistantes entre les impératifs de sécurité nationale, la compétition technologique avec la Chine et la volonté de Washington de préserver l'avance commerciale de ses champions de l'IA, un équilibre que les autorités américaines devront continuer d'ajuster à mesure que ces modèles se diffusent auprès de nouveaux partenaires domestiques et internationaux.

💬 Le vrai frein pour Fable 5, c'est pas Washington, c'est la facture : à 10 dollars l'entrée et 50 la sortie par million de tokens, c'est le modèle de pointe le plus cher du marché, loin devant Gemini, Qwen ou Grok. Bon, sur le papier la levée des restrictions règle le problème de dispo, mais VentureBeat n'arrivait toujours pas à s'en servir via Claude Code au moment de publier, alors si tu comptais y rebasculer demain matin, attends encore un peu. Et Mythos 5, le modèle cybersécurité, reste coincé en accès restreint, Washington continuant de décider qui a le droit de s'en servir.

AWS investit 1 milliard de dollars pour déployer des ingénieurs en IA chez ses clients

AWS a annoncé le 30 juin 2026, lors de son AWS Summit à Washington D.C., le lancement d'AWS Forward Deployed Engineering (FDE), une nouvelle organisation d'ingénierie dotée d'un investissement d'un milliard de dollars. Le principe : des équipes d'environ cinq à six ingénieurs AWS sont directement intégrées chez les clients pour concevoir, développer et mettre en production des systèmes d'IA adaptés à leurs données, leur gouvernance et leurs contraintes métier. Francesca Vasquez, vice-présidente en charge de l'ingénierie et des services d'IA avancés chez AWS, explique que cette organisation regroupe des capacités jusqu'ici dispersées au sein de l'entreprise, désormais réunies sous une structure unique avec un cadre commun de déploiement. L'objectif affiché est ambitieux : réduire les délais de mise en œuvre de plusieurs mois à quelques jours seulement, grâce à une combinaison d'expertise humaine et d'IA agentique, les ingénieurs travaillant aux côtés d'agents qui automatisent une partie des tâches techniques. Cette initiative répond à un changement de posture des entreprises face à l'IA : elles ne veulent plus simplement expérimenter la technologie, mais l'intégrer rapidement dans leurs opérations pour obtenir un retour sur investissement concret et rapide. Contrairement à une mission de conseil classique qui s'arrête une fois le projet livré, AWS insiste sur le fait que ses équipes forment progressivement les collaborateurs clients à devenir autonomes, avec documentation complète, graphes de connaissances et procédures d'exploitation à l'appui. Autre argument mis en avant par AWS : les systèmes restent hébergés dans l'environnement du client, avec chiffrement de bout en bout, isolation matérielle et gouvernance garantissant que les données ne quittent jamais leur périmètre sécurisé, un point sensible pour les grandes entreprises soucieuses de leur conformité. Ce mouvement s'inscrit dans une bataille plus large entre hyperscalers et laboratoires d'IA pour capter la demande d'intégration d'agents en entreprise. Le modèle d'ingénieurs embarqués n'est pas inédit : Palantir le pratique depuis plusieurs années avec ses grands comptes. Mais AWS devient le premier hyperscaler à structurer cette activité à cette échelle, avec un investissement dédié d'un milliard de dollars. La manœuvre fait aussi écho à des annonces récentes de ses concurrents directs dans l'IA générative. En mai 2026, Anthropic a lancé une société de services soutenue par Blackstone, Hellman & Friedman et Goldman Sachs pour aider les entreprises à déployer Claude. Quelques jours plus tard, OpenAI dévoilait à son tour OpenAI Deployment Co., appuyée notamment par TPG, Advent International, Bain Capital et Brookfield Asset Management, avec une ambition similaire d'intégrer des ingénieurs directement chez les clients. AWS, en misant sur son infrastructure cloud existante, cherche à ne pas laisser ce terrain stratégique aux seuls fournisseurs de modèles.

💬 Un milliard de dollars pour caser des ingénieurs chez les clients, ça dit une chose : le goulot d'étranglement de l'IA en entreprise, c'est plus le modèle, c'est l'intégration. Anthropic, OpenAI et maintenant AWS lancent tous leur bras "déploiement" à quelques semaines d'écart, ça sent moins la coïncidence que la course à qui capte la vraie valeur, celle qui se joue après la démo. Bon, sur le papier ça promet des jours au lieu des mois, reste à voir si ça tient une fois que les cinq ingénieurs repartent et que le client se retrouve seul avec ses agents.

Construire un pipeline de traitement des dossiers de santé avec des agents IA sur Amazon Bedrock et AWS HealthLake

Amazon Web Services vient de dévoiler une architecture de traitement automatisé des dossiers de remboursement médicaux, combinant Amazon Bedrock Data Automation, Amazon Bedrock AgentCore et AWS HealthLake. Le pipeline cible le formulaire CMS-1500, le standard américain de facturation médicale en format papier ou PDF. Concrètement, lorsqu'un prestataire de santé dépose un formulaire dans un bucket Amazon S3, une fonction AWS Lambda déclenche une chaîne de traitement : Bedrock Data Automation extrait les données structurées via une combinaison de reconnaissance optique de caractères, de modèles de machine learning et d'IA générative, puis produit un JSON normalisé avec scores de confiance et coordonnées des champs détectés. Un agent IA basé sur le framework Strands Agents, hébergé sur AgentCore, prend ensuite le relais pour valider les données extraites contre les enregistrements patients et prestataires stockés dans HealthLake, et crée si validation réussie une ressource FHIR (Fast Healthcare Interoperable Resources) standardisée. Le résultat est transmis via Amazon SNS, avec un résumé technique pour les gestionnaires de dossiers et une version simplifiée pour le patient. Les dossiers rejetés partent dans une file morte (dead letter queue) pour traitement humain. L'enjeu est considérable : le traitement manuel des formulaires papier représente encore un poste de coût majeur dans le secteur de la santé aux États-Unis, avec des erreurs de saisie, des extractions imprécises et des délais de validation qui ralentissent les remboursements. Ce pipeline réduit l'intervention humaine aux seuls cas d'exception, tout en maintenant une traçabilité complète grâce aux scores de confiance générés par Bedrock Data Automation. Pour les assureurs et les établissements de santé, l'adoption du standard FHIR est également stratégique : il facilite l'interopérabilité entre systèmes et répond aux exigences réglementaires croissantes en matière d'échange de données de santé. Cette annonce s'inscrit dans une tendance de fond où les grands fournisseurs cloud cherchent à capturer les flux de traitement documentaire des secteurs très réglementés, santé en tête. AWS positionne ici AgentCore comme une couche d'orchestration agentique prête à l'emploi, capable de gérer des workflows multi-étapes avec appels d'outils (ici createfhirclaim et searchfhirresources) sans infrastructure LLM à maintenir. La concurrence avec Azure Health Data Services et Google Cloud Healthcare API est directe. La prochaine étape logique sera l'extension à d'autres formats de formulaires médicaux et l'intégration de contrôles de conformité réglementaire automatisés, notamment autour du HIPAA, la loi américaine de protection des données de santé.

Amazon Bedrock AgentCore Observability : déboguer les agents en production

Amazon vient de détailler le fonctionnement d'AgentCore Observability, un outil intégré à sa plateforme Bedrock destiné à déboguer les agents d'intelligence artificielle en production. Contrairement aux applications traditionnelles qui génèrent des erreurs explicites, les agents IA échouent souvent en silence : ils peuvent retourner des réponses plausibles mais incorrectes, entrer dans des boucles de raisonnement infinies, ou sélectionner de mauvais outils sans déclencher la moindre alerte. AgentCore Observability répond à ce problème en exposant trois couches d'instrumentation : des métriques agrégées, des traces d'exécution pas à pas, et des journaux structurés. L'outil permet de suivre chaque étape de raisonnement de l'agent, d'inspecter les appels d'outils, et de localiser précisément où l'exécution dévie des attentes, même en l'absence d'erreur explicite. Le service s'appuie sur Amazon CloudWatch et nécessite l'activation de la fonctionnalité CloudWatch Transaction Search. L'enjeu est considérable pour les équipes qui déploient des agents en production : jusqu'ici, un monitoring classique pouvait afficher 100 % de succès d'exécution pendant que les utilisateurs recevaient de fausses informations. AWS identifie trois grandes familles de défaillances. Les problèmes de qualité regroupent les hallucinations, les erreurs factuelles, et les erreurs de raisonnement : un agent peut citer des politiques inexistantes ou répéter un calcul erroné. Dans les architectures multi-agents, ces erreurs se propagent en cascade lorsque la sortie d'un agent alimente l'entrée d'un autre. Les problèmes de fiabilité couvrent les échecs d'appels d'outils (erreurs 401, 403, 400), les pertes de contexte de session, et les workflows incomplets. Enfin, les problèmes d'efficacité affectent les coûts et les performances sans nécessairement compromettre l'exactitude : latence excessive, consommation de tokens gonflée par des réponses trop verbeuses ou des appels d'outils répétés faute de mise en cache. Ce lancement s'inscrit dans la course que mènent les grands fournisseurs cloud pour rendre les agents IA opérationnellement viables en entreprise. AWS, Microsoft Azure et Google Cloud investissent massivement dans des couches d'observabilité spécifiques aux LLMs, un segment qui n'existait pas il y a deux ans. La complexité croissante des architectures agentiques, où plusieurs modèles coopèrent et s'enchaînent, rend l'observabilité traditionnelle insuffisante. AgentCore Observability est présenté comme une première partie d'une série en deux volets : une seconde publication couvrira l'optimisation des performances et la gestion de la mémoire. La direction prise par AWS suggère que l'outillage autour des agents autonomes va devenir un différenciateur clé des plateformes cloud dans les prochains mois.

Des agents IA en production pour la conformite financiere : les lecons de Stripe

Stripe, le géant américain des paiements en ligne, a déployé en production un système d'agents IA dédié à la conformité financière, développé sur Amazon Web Services avec Amazon Bedrock. L'entreprise traite 1 400 milliards de dollars de volume de paiements annuels dans 50 pays, en servant des millions d'entreprises allant des startups aux 62 % des sociétés du Fortune 500. Pour gérer les risques de fraude et respecter les obligations réglementaires à cette échelle, ses équipes de conformité devaient examiner des milliers de transactions chaque jour. Le système d'agents, conçu selon un cadre ReAct, a permis de réduire de 26 % le temps de traitement des dossiers, tout en obtenant un taux de satisfaction de 96 % auprès des analystes internes. Les décisions finales restent systématiquement entre les mains d'experts humains. Ce déploiement illustre un problème structurel que rencontrent toutes les grandes institutions financières : les analystes qualifiés passaient jusqu'à 80 % de leur temps à naviguer entre des systèmes fragmentés pour rassembler des documents, au lieu de réaliser des évaluations de risque à haute valeur ajoutée. L'agent IA automatise cette phase de pré-investigation et d'agrégation documentaire, libérant les équipes pour les jugements complexes. À l'échelle mondiale, le coût de la conformité financière est estimé à 206 milliards de dollars par an. L'approche de Stripe permettrait d'identifier 95 % des attaques par test de carte en temps réel et de réduire de 20 % les frictions inutiles pour les clients légitimes, tout en conservant la traçabilité intégrale exigée par les régulateurs grâce à des journaux d'audit immuables. La croissance rapide de Stripe, qui représente aujourd'hui environ 1,3 % du PIB mondial numérique, a rendu intenable une mise à l'échelle des équipes de conformité proportionnelle au volume de transactions. L'entreprise a opté pour une architecture en trois composantes : décomposition des tâches et orchestration des révisions, cadre d'agents ReAct, et services d'infrastructure dédiés. Une attention particulière a été portée à l'optimisation des coûts via le prompt caching et à la gouvernance, avec des workflows d'approbation configurables et des points de contrôle humains à chaque étape critique. Ce modèle, co-développé par les équipes de Stripe et d'AWS, est présenté comme une référence pour les organisations souhaitant industrialiser la conformité sans sacrifier la qualité ni l'auditabilité, dans un contexte où les régulateurs financiers du monde entier renforcent leurs exigences en matière de traçabilité des décisions assistées par IA.

Les applications d'IA à base d'agents sur AWS avec une stratégie moderne de maillage de données

Amazon Web Services a publié un guide architectural détaillé pour construire des applications d'IA agentique sur un maillage de données distribué, en réponse aux lacunes de gouvernance que les systèmes actuels de type RAG (Retrieval Augmented Generation) ne permettent pas de combler. L'architecture proposée repose sur trois composants clés : Amazon S3 Vectors pour les bases de connaissances vectorielles, qui réduit les coûts de stockage et de requête jusqu'à 90 % par rapport aux bases de données vectorielles spécialisées dans des charges de travail à fréquence modérée ; Amazon S3 Tables avec support natif d'Apache Iceberg, qui offre jusqu'à dix fois plus de transactions par seconde que les tables Iceberg auto-gérées, avec sécurité au niveau des lignes, colonnes et cellules individuelles via AWS Lake Formation ; et enfin, une exposition du maillage de données sous forme d'outils MCP (Model Context Protocol) via AgentCore Gateway, avec des intercepteurs Lambda pour un contrôle d'accès déterministe à chaque invocation. L'enjeu est considérable pour les entreprises qui déploient des agents IA en production. Contrairement aux pipelines RAG classiques, où l'agent se contente de récupérer des extraits d'un index vectoriel préexistant, les agents autonomes modernes découvrent dynamiquement des schémas de bases de données, construisent des requêtes SQL et synthétisent des données issues de sources multiples. Ce comportement expose des failles de gouvernance que le modèle à point de contrôle unique ne peut pas gérer : un agent de service client qui interroge simultanément des bases de commandes, des politiques de retour et des données clients peut contourner des restrictions d'accès si le contrôle n'est pas appliqué à chaque étape de la chaîne. L'architecture décrite impose des autorisations distinctes au niveau de la couche agent, de la passerelle, des outils et du maillage de données lui-même, sans point de défaillance unique. Ce travail s'inscrit dans une évolution plus large de l'écosystème AWS vers l'IA agentique d'entreprise. Un article précédent d'AWS avait déjà abordé le contrôle d'accès fin pour les applications RAG sur des lacs de données serverless. La nouvelle architecture l'étend en intégrant Amazon Bedrock AgentCore Runtime, un environnement d'hébergement serverless qui déploie les agents dans des microVM isolés avec isolation de session, et le framework LangGraph pour orchestrer les appels aux outils MCP. Les intercepteurs de requêtes valident les jetons JWT et appliquent les périmètres d'autorisation, tandis que les intercepteurs de réponses gèrent la rédaction des données sensibles et la journalisation d'audit. AWS Bedrock Guardrails surveille en temps réel les injections de prompts et les contenus dangereux à chaque invocation d'outil. Cette architecture cible directement les équipes data et les architectes cloud qui doivent mettre en production des agents IA tout en respectant des contraintes de conformité et de sécurité strictes.

Nokia et AWS renforcent leur collaboration pour créer des réseaux autonomes dédiés à l’IA

Nokia a annoncé le 24 juin 2026 l'extension de son partenariat stratégique avec Amazon Web Services pour déployer sa plateforme Autonomous Network Fabric directement dans le cloud AWS. L'objectif est de permettre aux opérateurs télécoms d'atteindre un niveau d'autonomie réseau de niveau 4, c'est-à-dire des infrastructures capables d'analyser, de décider et d'agir en temps réel sans intervention humaine. La solution sera disponible plus tard en 2026 et s'intégrera aux outils d'orchestration, de supervision et d'inventaire déjà proposés par Nokia sur AWS. L'architecture repose sur quatre piliers : une gestion unifiée des données réseau, une IA agentique dédiée aux opérations, des jumeaux numériques permettant de simuler l'impact des changements avant déploiement, et un pilotage par les intentions capable de traduire automatiquement des objectifs métiers en actions concrètes. Pour les opérateurs télécoms, cet accord représente un accès immédiat à l'élasticité mondiale d'AWS et à ses services d'intelligence artificielle, notamment Amazon Bedrock et Amazon SageMaker, sans avoir à investir massivement dans leurs propres capacités de calcul. Nokia affirme par ailleurs avoir optimisé son architecture cloud pour réduire les besoins en calcul et en stockage par rapport aux déploiements sur site traditionnels. L'enjeu économique est considérable : automatiser les boucles de détection et de résolution d'anomalies, orchestrer des réseaux multi-domaines et multi-fournisseurs, et disposer d'une vision unifiée de la topologie réseau permettrait de réduire significativement les coûts opérationnels tout en accélérant le lancement de nouveaux services à valeur ajoutée. Ce rapprochement s'inscrit dans une tendance de fond qui voit les équipementiers historiques des télécoms pivoter vers le cloud et l'IA face à la complexité croissante des infrastructures réseau. L'explosion des usages liés à l'IA générative et à la 5G contraint les opérateurs à gérer des réseaux toujours plus distribués et dynamiques, que les outils de gestion manuelle peinent à absorber. Nokia, concurrent direct d'Ericsson et de Huawei, mise sur AWS pour accélérer la transition de ses clients vers ce qu'il appelle les "réseaux autonomes", un segment où plusieurs acteurs se positionnent simultanément. Pour AWS, l'enjeu est de s'imposer comme le cloud de référence du secteur télécoms, un marché à forte valeur où Google Cloud et Microsoft Azure jouent également des coudes. La disponibilité annoncée d'ici fin 2026 fixe un calendrier concret sur lequel les opérateurs pourront commencer à évaluer le saut opérationnel que promet cette alliance.

NVIDIA et AWS s'associent pour déployer l'IA en production à grande échelle

NVIDIA et Amazon Web Services (AWS) ont annoncé un approfondissement de leur collaboration pour faciliter le déploiement de l'intelligence artificielle à grande échelle en production. Les nouvelles instances Amazon EC2 G7, équipées des GPU NVIDIA RTX PRO 4500 Blackwell Server Edition, offrent jusqu'à 4,6 fois les performances d'inférence IA et 2,1 fois les performances graphiques par rapport aux instances G6 précédentes. Ces instances supportent jusqu'à huit GPU, 256 Go de mémoire GPU totale, 700 Gbps de réseau EFA et jusqu'à 7,6 To de stockage NVMe local, dans des configurations allant d'un à huit GPU. Parallèlement, la bibliothèque NVIDIA cuVS devient le moteur par défaut de l'indexation vectorielle dans Amazon OpenSearch Serverless, avec des performances jusqu'à dix fois supérieures à un coût quatre fois inférieur aux solutions CPU seules. AWS a par ailleurs obtenu le statut NVIDIA Exemplar Cloud sur les GPU GB300, certification attestant que la plateforme répond aux seuils de performance de référence de NVIDIA pour les charges d'entraînement. Ces avancées changent concrètement la donne pour les équipes qui construisent des systèmes d'IA en production. L'intégration de cuVS comme choix par défaut dans OpenSearch Serverless transforme la recherche vectorielle accélérée par GPU d'un projet d'optimisation spécialisé en une capacité AWS standard. Cela signifie que des bases de données vectorielles à l'échelle du milliard d'entrées deviennent réalisables en moins d'une heure, ce qui rend les applications de type RAG (retrieval-augmented generation), recherche sémantique ou IA agentique accessibles à un bien plus grand nombre d'entreprises. Pour les équipes médias et data, les instances G7 permettent également de traiter des workflows vidéo haute résolution, du rendu 3D et des pipelines analytiques sur le même type d'instance, réduisant la complexité opérationnelle. Cette collaboration s'inscrit dans une course entre les grands fournisseurs cloud à offrir la meilleure infrastructure IA clé en main. NVIDIA cherche à s'imposer comme couche matérielle incontournable, aussi bien pour l'entraînement que pour l'inférence et la recherche vectorielle, tandis qu'AWS veut simplifier le passage de l'expérimentation à la production. Le statut Exemplar Cloud sur les GB300, fruit d'un co-engineering approfondi entre les deux entreprises, positionne AWS comme plateforme de référence pour les charges d'entraînement les plus exigeantes. Les instances G7 seront prochainement disponibles sur Amazon SageMaker AI, ce qui étendra encore leur portée. L'enjeu sous-jacent est de réduire la friction entre infrastructure et application pour les entreprises qui n'ont pas les ressources pour gérer leurs propres clusters GPU.

Together AI et Hugging Face profitent de l'essor de l'open source

Together AI, la néo-infrastructure cloud spécialisée dans les modèles d'IA open source, a relevé ses projections de revenus annuels au moins trois fois au cours des derniers mois. Son PDG Vipul Ved Prakash a révélé que la plateforme générait environ un milliard de dollars de revenus annualisés en mars 2026, portée par une explosion du volume de calcul : le nombre de tokens traités via son cloud est passé de 30 milliards par mois il y a un an à 400 000 milliards ce mois-ci, une grande partie de cette croissance s'étant produite au cours des six derniers mois. Chez Hugging Face, dépôt de référence pour les modèles open source, le nombre d'abonnés payants a doublé entre janvier et juin, a indiqué le cofondateur et PDG Clem Delangue, sans préciser les chiffres absolus. Dans le même élan, Not Diamond, startup spécialisée dans les "model routers", des logiciels permettant aux entreprises de basculer facilement entre différents modèles selon la tâche, a connu "une forte hausse de la demande ces six derniers mois", selon son PDG Tomás Hernando Kofman. Ces routeurs, utilisés notamment par Cisco et Adobe, permettraient d'économiser entre 20 % et 40 % sur les coûts d'utilisation des modèles Anthropic les plus onéreux. Cette dynamique illustre un basculement stratégique dans l'industrie : les entreprises cherchent activement à reprendre le contrôle de leurs coûts d'IA et à réduire leur dépendance à un fournisseur unique. Thomas Wolf, cofondateur de Hugging Face, parle d'un "grand réveil sobre" chez ses clients professionnels, préoccupés par les prix en hausse des modèles propriétaires et les risques d'enfermement technologique. Si l'on rapporte la croissance de Together AI aux tarifs actuels, par exemple 18 centimes par million de tokens pour DeepSeek v4 Pro, l'écart entre 30 milliards et 400 000 milliards de tokens représenterait environ 70 millions de dollars de dépenses mensuelles supplémentaires. Vipul Ved Prakash estime que les modèles open source représenteront à terme la grande majorité des usages d'IA dans le monde. Ce mouvement s'inscrit dans un contexte plus large de maturité du marché de l'IA en entreprise. OpenAI et Anthropic continuent de défendre leurs modèles premium en arguant que leurs performances justifient les prix pratiqués, mais la concurrence ouverte s'intensifie. Parallèlement, Amazon Web Services accélère sur un autre front : le géant du cloud forme actuellement ses "solution architects" pour qu'ils deviennent des ingénieurs déployés directement chez les clients, à l'image du modèle dit FDE (forward-deployed engineer) popularisé par Palantir et désormais adopté par OpenAI, Anthropic, Salesforce et Snowflake. AWS s'appuie sur des équipes pluridisciplinaires, incluant ingénieurs, scientifiques appliqués et stratèges en IA, comme au siège d'Atlanta de Cox Automotive début 2025. Ces consultants hybrides, à mi-chemin entre développeur, chef de produit et conseiller stratégique, répondent à une demande croissante des grandes entreprises qui ne disposent pas encore des compétences internes pour déployer l'IA de manière autonome.

Créer un assistant de recherche sur les protéines avec Amazon Bedrock AgentCore

Amazon Web Services a publié un guide technique détaillant la construction d'un assistant conversationnel dédié à la recherche sur les protéines, baptisé "protein research copilot", reposant sur Amazon Bedrock AgentCore. Le système permet aux chercheurs de soumettre des requêtes en langage naturel, par exemple "Trouve 10 peptides similaires au peptide du virus de la dengue LPAIVREAI", et d'obtenir automatiquement des résultats de similarité structurelle accompagnés d'une synthèse scientifique générée par IA. L'architecture s'appuie sur le SDK Strands Agents pour orchestrer trois outils spécialisés au sein d'un agent unique : un parseur de requêtes, un moteur de recherche vectorielle, et un summariseur. Les embeddings protéiques sont calculés via le modèle ESM-C 300M déployé comme endpoint serverless sur Amazon SageMaker AI, puis comparés par similarité cosinus dans une base Amazon Aurora PostgreSQL avec l'extension pgvector. L'interface utilisateur tourne sur AWS Fargate via Streamlit, et le modèle de langage central est Claude Sonnet 4.6 d'Anthropic, accessible via l'API Bedrock Converse. Ce type d'outil répond à un problème concret dans les laboratoires de biologie computationnelle : la recherche manuelle de peptides structurellement similaires parmi des milliers de séquences est lente, sujette aux erreurs, et exige une expertise pointue pour interpréter les résultats. En automatisant l'ensemble du pipeline, de la formulation de la question à la synthèse des résultats, le copilote réduit drastiquement le temps passé sur des tâches répétitives et rend la recherche accessible à des profils moins spécialisés en bioinformatique. Le pattern "LLM-as-parser" utilisé pour extraire des paramètres structurés depuis du langage naturel est directement réutilisable dans d'autres domaines scientifiques où les données sont complexes et la formulation des requêtes peu standardisée. Cette publication s'inscrit dans la stratégie d'AWS de positionner Bedrock AgentCore comme plateforme de référence pour déployer des agents IA en production, face à des concurrents comme Google Vertex AI ou Microsoft Azure AI Studio. Le secteur biotech et pharmaceutique représente une cible prioritaire : la recherche sur les épitopes viraux, le dataset utilisé ici est celui de l'IEDB (Immune Epitope Database), est au coeur du développement de vaccins et de thérapies antivirales. Le modèle ESM-C, développé par EvolutionaryScale, est l'un des modèles de langage protéique les plus performants du moment. Le déploiement complet est estimé entre 30 et 45 minutes, mais implique des coûts sur Bedrock, SageMaker, Aurora Serverless v2 et Fargate qu'AWS invite explicitement à consulter avant de lancer l'infrastructure. Les prochaines étapes naturelles seraient l'intégration de bases de données protéiques publiques comme UniProt ou PDB, et l'extension à d'autres types de molécules biologiques.

Infrastructure partagée, locataires isolés : la mutualisation multi-tenant avec Amazon Bedrock AgentCore

Amazon Web Services vient de publier un guide architectural détaillé pour la construction d'applications d'intelligence artificielle multi-locataires à l'aide d'Amazon Bedrock AgentCore. Le document, second volet d'une série consacrée à ce sujet, s'appuie sur un cas concret dans le domaine médical : une plateforme d'agents IA servant simultanément plusieurs cliniques et hôpitaux. L'architecture proposée repose sur un modèle dit "pool", où tous les clients partagent la même infrastructure sous-jacente, mais sont isolés les uns des autres par des mécanismes logiques : identifiants scopés, politiques d'accès et partitionnement des données. La hiérarchie est structurée en trois niveaux, Niveau de service, Locataire, Utilisateur, et l'isolation est appliquée à chaque couche, depuis les documents stockés en base de connaissances jusqu'au suivi des coûts. Ce schéma répond à un défi concret pour les éditeurs de logiciels en mode SaaS : comment servir des clients aux besoins très différents sans multiplier les infrastructures dédiées ni exposer des données d'un client à un autre ? La solution présentée définit deux niveaux de service distincts. L'offre basique, destinée aux petites cliniques, utilise le modèle Mistral Ministral 3 8B Instruct pour des tâches de recherche documentaire simples, avec un coût réduit. L'offre premium, réservée aux hôpitaux et centres spécialisés, s'appuie sur OpenAI GPT OSS 120B, un modèle de 120 milliards de paramètres aux capacités de raisonnement avancées, et donne accès à des outils supplémentaires comme la recherche web. Cette différenciation par niveaux permet à un même fournisseur de servir des clients aux exigences très différentes tout en maintenant une efficacité opérationnelle. Le contexte est celui d'une adoption croissante des agents IA dans les entreprises, qui soulève des questions de gouvernance, d'attribution des coûts et de qualité de service que les architectures classiques ne résolvent pas facilement. Amazon positionne Bedrock AgentCore comme une brique native pour absorber cette complexité sans code personnalisé excessif. La publication du dépôt GitHub associé aux exemples illustre une volonté de standardisation des pratiques : l'objectif est que les équipes techniques puissent répliquer ces patterns dans des secteurs variés, plateformes SaaS, solutions d'entreprise multi-entités, services managés. Les enjeux sont significatifs, car une mauvaise isolation entre locataires dans un contexte médical exposerait des données sensibles de patients, avec des conséquences réglementaires sévères. Ce cadre architectural cherche précisément à rendre ce risque gérable par conception plutôt que par surveillance manuelle.

💬 Le vrai problème des agents IA en SaaS, c'était l'isolation par tenant, pas les modèles. AWS publie un blueprint complet pour ça, du code, des niveaux de service différenciés, une attribution des coûts par client, tout ce que chaque équipe réinventait dans son coin depuis deux ans. Le piège pour les éditeurs européens, la solution repose entièrement sur l'infra américaine d'AWS.

Southwest Airlines confie à AWS sa modernisation cloud et IA

Southwest Airlines a annoncé le 17 juin 2026 un partenariat stratégique majeur avec Amazon Web Services pour migrer l'intégralité de son infrastructure informatique vers le cloud d'ici 2028. La compagnie américaine, qui transporte 134 millions de passagers par an, confie à AWS le rôle de fournisseur cloud privilégié pour l'ensemble de ses systèmes : réservation de billets, gestion des opérations aériennes, support interne et services clients. Dans ce cadre, plus de 2 700 développeurs de Southwest utilisent déjà Kiro, l'outil de développement agentique d'AWS, notamment pour moderniser Southwest.com, la plateforme centrale de la compagnie historiquement bâtie sur des infrastructures locales. Certaines opérations qui demandaient plusieurs heures s'effectuent désormais en quelques minutes. L'enjeu est considérable pour une industrie où la moindre défaillance informatique provoque des cascades d'annulations et des pertes opérationnelles massives, Southwest en a fait la douloureuse expérience lors de la crise de décembre 2022. La bascule vers AWS vise d'abord à gagner en résilience et en agilité face aux variations de trafic, mais aussi à réduire la dépendance à des infrastructures dispersées et coûteuses à maintenir. L'intégration progressive d'agents autonomes d'IA dans les processus internes doit en outre transformer la façon dont les logiciels sont conçus et déployés, tout en laissant aux équipes humaines la responsabilité finale des décisions. Pour les 134 millions de passagers annuels, cela se traduira à terme par des expériences numériques plus fluides et des services plus fiables. Ce partenariat s'inscrit dans une tendance lourde du secteur aérien : les grandes compagnies considèrent désormais le cloud comme le socle incontournable de leurs stratégies IA à long terme, et non comme une simple optimisation technique. Southwest sort d'une période difficile, restructurations, pression des actionnaires activistes et refonte de son modèle commercial, et mise sur cette transformation digitale pour regagner en compétitivité. AWS, de son côté, consolide sa position face à Microsoft Azure et Google Cloud dans la conquête des grands comptes industriels. La date butoir de 2028 laisse entrevoir un chantier de plusieurs années impliquant la migration progressive de centaines d'applications, avec tous les risques d'interruption que cela suppose. La réussite de ce programme sera scrutée de près, tant par les concurrents de Southwest que par les autres compagnies aériennes mondiales qui observent ce type de transformation cloud à grande échelle.

💬 Le crash de décembre 2022 a coûté plus d'un milliard à Southwest, et c'est ça le vrai moteur ici, pas une ambition IA en mode vitrine. Ce qui change, c'est que les grandes compagnies aériennes posent désormais le cloud comme prérequis à toute stratégie IA opérationnelle, pas comme une ligne budgétaire d'optimisation. 2 700 devs sur Kiro pour moderniser un SI vieux de 30 ans d'ici 2028, reste à voir si la date tient.

AWS juge les agents IA insuffisants en contexte métier et sécurité, et lance deux services pour y remédier

Lors de son sommet à New York, AWS a dévoilé deux nouveaux services destinés à combler les lacunes des agents IA en entreprise. Le premier, baptisé Continuum, détecte automatiquement les vulnérabilités dans le code, les priorise et propose des correctifs sans intervention humaine. Le second, Context, construit un graphe de connaissances à partir des données internes de l'entreprise afin de fournir aux agents IA le contexte métier dont ils ont besoin pour opérer correctement. Ces deux services s'attaquent à un problème central qui freine l'adoption des agents IA dans les environnements professionnels : ces systèmes produisent du code rapidement, mais commettent trop souvent des erreurs, qu'il s'agisse de failles de sécurité ou de décisions inadaptées faute de comprendre le fonctionnement réel de l'organisation. Continuum réduit la surface d'attaque en automatisant la détection de vulnérabilités, tandis que Context évite les hallucinations et les erreurs de jugement en ancrant les agents dans la réalité de l'entreprise, ses processus, ses données, ses contraintes. Cette annonce intervient alors que les grands fournisseurs cloud rivalisent pour s'imposer comme l'infrastructure de référence pour les agents IA d'entreprise. Microsoft Azure, Google Cloud et AWS se disputent un marché en pleine expansion, où la promesse d'automatisation se heurte encore à des problèmes de fiabilité et de sécurité. En proposant des couches de correction et de contextualisation natives, AWS cherche à rassurer les DSI et RSSI qui hésitent encore à déployer ces agents en production sur des systèmes critiques.

💬 AWS dit tout haut ce que les DSI savent depuis un moment : les agents IA produisent du code vite, mais sans contexte métier ni filet de sécurité, ça casse en prod. Context et Continuum s'attaquent enfin aux deux vrais blocages, ce qui change quelque chose pour les équipes qui hésitaient à franchir le pas en environnement critique. C'est le genre de couche infrastructure qui manquait pour que les agents IA deviennent un outil sérieux, pas juste une démo.

Amazon Bedrock AgentCore intègre la recherche web

Amazon a annoncé la disponibilité générale de Web Search on Amazon Bedrock AgentCore, une fonctionnalité de recherche web entièrement gérée et compatible avec le protocole MCP (Model Context Protocol). Concrètement, elle permet aux agents d'IA déployés sur Bedrock d'accéder en temps réel à des informations issues du web, sans que les équipes techniques aient à gérer une API de recherche tierce, des clés d'accès, des quotas ou du code d'extraction de résultats. Le service s'intègre via l'AgentCore Gateway avec une simple authentification IAM ou JWT, et les agents le découvrent via un appel standard tools/list, comme n'importe quel autre outil MCP. Derrière ce connecteur repose un index web propriétaire maintenu par Amazon, couvrant des dizaines de milliards de documents, mis à jour en continu avec un délai de rafraîchissement de quelques minutes. Le service inclut également un graphe de connaissances pour les réponses factuelles à haute confiance, et une extraction sémantique de passages optimisée pour les fenêtres de contexte des modèles de langage. L'ensemble du trafic de requêtes reste dans l'infrastructure AWS, sans transmission externe. L'enjeu est structurel pour quiconque construit des agents d'IA en production : ces systèmes ont une connaissance figée à la date de leur entraînement. Interroger un agent sur un cours de bourse, un score sportif ou une annonce publiée il y a une heure retourne au mieux une réponse périmée, au pire une hallucination confiante. Web Search on AgentCore supprime ce plafond sans imposer aux équipes de construire et maintenir elles-mêmes une infrastructure de recherche, tâche qui représente en réalité plusieurs projets distincts, gestion des quotas, normalisation des formats, politique de rétention des données, fraîcheur de l'index. Pour les entreprises qui déploient des agents sur des cas d'usage temps réel (veille concurrentielle, support client, analyse de marché), la disponibilité générale de ce service réduit significativement le coût et la complexité d'un composant jusqu'ici souvent bricolé. Ce lancement s'inscrit dans la montée en puissance des architectures agentiques au sein des grands fournisseurs cloud, où Amazon, Google et Microsoft se disputent le rôle de plateforme de référence pour les agents d'entreprise. L'adoption du protocole MCP comme standard d'interopérabilité est un signal fort : Amazon ne cherche pas à enfermer les développeurs dans un écosystème propriétaire, mais à s'imposer comme couche d'infrastructure de confiance. La proposition de valeur repose sur trois piliers que les solutions tierces peinent à réunir simultanément : fraîcheur de l'index, confidentialité des requêtes garantie dans AWS, et qualité de l'extraction pour les modèles. La prochaine étape logique sera probablement l'intégration native avec d'autres outils AgentCore (mémoire, orchestration multi-agents), consolidant Bedrock comme environnement d'exécution complet pour les agents d'IA en production.

💬 Ce qui me frappe plus que la feature en elle-même, c'est qu'Amazon a choisi MCP plutôt qu'une API proprio. En faisant ça, Bedrock se positionne comme couche d'infrastructure neutre pour les agents enterprise, pas comme un silo de plus, et c'est le genre de pari discret qui pèse plus lourd que ça en a l'air dans les décisions d'architecture. Si tu construis des agents avec des besoins temps réel, tu viens de perdre une bonne excuse pour bricoler ta propre pile de recherche.

Amazon Bedrock AgentCore est disponible en production : passez d'une idée à un agent opérationnel en quelques minutes

Amazon a annoncé le 18 juin 2026 la disponibilité générale d'AgentCore Harness, une nouvelle couche d'infrastructure de sa plateforme Bedrock conçue pour déployer des agents IA en production en quelques minutes. Le service repose sur deux appels API, CreateHarness pour définir un agent, InvokeHarness pour l'exécuter, et s'appuie sur les six primitives déjà disponibles en préversion depuis avril : Runtime, Memory, Gateway, Browser, Identity et Observability. L'agent tourne dans un environnement isolé doté d'un système de fichiers et d'un shell, peut lire des fichiers, exécuter des commandes et écrire du code. Il conserve la mémoire des utilisateurs et des conversations entre sessions, navigue sur le web, appelle des outils via MCP ou Gateway, et chaque étape est automatiquement tracée vers CloudWatch. Le problème qu'AgentCore Harness cherche à résoudre n'est pas la conception de l'agent, c'est tout ce qui l'entoure. Monter un prototype en local prend une après-midi ; le passer en production explose le volume de travail : concurrence, isolation, gestion des identités, état distribué, mise à l'échelle. Et ce coût se répétait à chaque nouveau cas d'usage, chaque changement de modèle, chaque nouvel outil. Le Harness absorbe ce câblage en tant qu'abstraction gérée, ce qui le transforme en quelque chose qu'on configure plutôt que quelque chose qu'on construit. Pour les équipes qui expérimentent plusieurs modèles ou cherchent à optimiser le rapport prix-performance, la fonctionnalité la plus attendue est la capacité à changer de fournisseur de modèle en cours de session sans perdre le contexte conversationnel. La compatibilité multi-modèles est au coeur de l'offre. Bedrock supporte déjà Anthropic Claude, Amazon Nova, Meta Llama, DeepSeek, Qwen, Cohere et Mistral, et vient d'intégrer OpenAI GPT-5.5 et GPT-5.4. Le service s'étend également à l'API OpenAI directe, Google Gemini, et via LiteLLM à Vertex, Azure OpenAI et d'autres. Cette ouverture reflète une tendance de fond : les grandes plateformes cloud se positionnent non plus comme fournisseurs d'un seul modèle, mais comme couches d'orchestration universelles. Amazon rejoint ainsi Microsoft Azure AI Foundry et Google Vertex AI dans la course aux plateformes d'agents prêtes pour la production. La prochaine étape sera de voir si cette abstraction tient sous la charge réelle et si les équipes adoptent le catalogue de compétences AWS plutôt que de continuer à construire leurs propres outils.

Odyssey obtient 310 millions de dollars pour son IA de simulation du monde

La startup américaine Odyssey a annoncé le 17 juin 2026 une levée de fonds de 310 millions de dollars en série B, portant sa valorisation à 1,45 milliard de dollars. Le tour de table est mené par Natural Capital, avec la participation d'Amazon, de GV (le fonds de capital-risque de Google), d'AMD Ventures et d'IQT. Fondée en 2023 par Oliver Cameron et Jeff Hawke, deux anciens spécialistes des véhicules autonomes, la startup développe ce qu'on appelle des "modèles du monde" : des systèmes d'IA capables non pas de générer du texte ou des images, mais de simuler des environnements physiques complets avec leurs lois, leurs interactions et leurs causalités. Parmi ses avancées récentes, Odyssey présente Odyssey-2 Max pour la précision physique, Starchild-1 comme premier modèle du monde multimodal en temps réel, Agora-1 pour les interactions multi-agents, et PROWL, un système d'apprentissage par exploration active. Cette levée confirme l'émergence d'une nouvelle catégorie de modèles fondamentaux, distincte des grands modèles de langage qui dominent aujourd'hui le marché. Là où un LLM répond à des requêtes, un modèle du monde anticipe des comportements, prédit des évolutions et simule des scénarios entiers, ce qui ouvre des perspectives concrètes dans la robotique, la simulation industrielle, les jeux vidéo, la recherche scientifique et la défense. Pour les entreprises, disposer d'une IA qui reproduit fidèlement des situations réelles pourrait réduire drastiquement les coûts d'expérimentation physique, accélérer les cycles de développement et améliorer la qualité des décisions stratégiques. Amazon Web Services, en entrant au capital, se positionne également comme partenaire d'infrastructure pour héberger et distribuer ces modèles à l'échelle. L'ambition d'Odyssey trouve ses racines dans les années de travail de ses fondateurs sur les voitures autonomes, où l'IA devait comprendre le monde en temps réel pour survivre, et non simplement traiter du texte. Ce détour par la conduite autonome a façonné une vision plus large : si une IA peut modéliser une rue avec ses piétons, ses voitures et ses imprévus, elle peut potentiellement modéliser n'importe quel environnement complexe. Le secteur attire désormais des capitaux importants, avec des concurrents comme World Labs (fondé par Fei-Fei Li) ou des laboratoires internes chez DeepMind et Meta qui travaillent sur des approches similaires. Avec 310 millions supplémentaires et le soutien d'Amazon, Odyssey entend accélérer avant que la fenêtre de leadership technologique ne se referme.

💬 Deux anciens de la conduite autonome qui lèvent 310 millions pour simuler des environnements physiques, c'est exactement la bonne origine pour cette ambition. Là où un LLM complète du texte, un modèle du monde anticipe des comportements, et ce gap est fondamental, pas cosmétique. Amazon au capital, c'est le signal que l'infrastructure pour distribuer ces modèles va devenir un enjeu aussi critique que les modèles eux-mêmes.

AWS prépare une nouvelle génération d’agents IA d’entreprise

Amazon Web Services a dévoilé une série d'annonces autour de sa plateforme Bedrock et de plusieurs nouveaux services destinés à accélérer l'intégration des agents IA dans les environnements d'entreprise. Les évolutions touchent quatre domaines principaux : l'accès à la connaissance, l'automatisation des processus métier, la sécurité applicative et le développement logiciel. Bedrock AgentCore s'enrichit notamment de connecteurs vers SharePoint, Confluence, Google Drive et Amazon S3, mais aussi d'une capacité de navigation web directement intégrée au périmètre sécurisé du client. Un mécanisme d'accès aux contenus sous licence est également prévu, permettant aux fournisseurs de données de monétiser leur usage par les agents. Sur le terrain de la gouvernance, les équipes peuvent désormais analyser les erreurs récurrentes, tester différentes configurations et renforcer la protection contre les injections de prompt via Bedrock Guardrails. L'assistant métier Amazon Quick reçoit des capacités de gestion autonome de tâches, avec une vue unifiée regroupant échanges, rendez-vous et actions en attente, et s'ouvre à de nouveaux partenaires comme Adobe, Figma, Shopify, Snowflake et WhatsApp. Ces annonces marquent un changement de paradigme dans la façon dont AWS positionne l'IA en entreprise : il ne s'agit plus d'outils de question-réponse, mais d'agents capables d'agir de façon autonome sur des workflows réels. Pour les équipes de développement, AWS Continuum automatise l'identification et la correction des vulnérabilités logicielles, tandis qu'AWS Transform surveille en continu les dépôts de code pour détecter les composants vieillissants et proposer des pull requests correctives. AWS DevOps Agent élargit quant à lui son périmètre à la validation pré-production et à la génération automatique de scénarios de test. L'environnement de développement piloté par agents Kiro devient accessible sur iPhone. Ce virage vers l'automatisation concrète représente un enjeu majeur pour les directions techniques et les DSI, qui doivent désormais évaluer comment déléguer des pans entiers de leur chaîne de valeur à des systèmes autonomes. Ces évolutions s'inscrivent dans une compétition intense entre les grands fournisseurs de cloud pour capter les budgets IA des entreprises. AWS répond ainsi aux offres de Microsoft Copilot et de Google Vertex AI, qui avancent sur des territoires similaires. Le nouveau service AWS Context, qui construit automatiquement une représentation des liens entre données d'entreprise pour les rendre exploitables par les agents, illustre la volonté d'AWS de résoudre la fragmentation de l'information dans les grandes organisations, un problème structurel que ni les outils de recherche classiques ni les premiers chatbots d'entreprise n'ont su régler. La capacité à monétiser les données premium via les agents ouvre par ailleurs un nouveau marché pour les éditeurs de contenu, dont les modalités de valorisation restent encore à définir dans un cadre réglementaire et contractuel qui n'en est qu'à ses débuts.

💬 AWS Context est probablement l'annonce la plus sous-estimée du lot : construire automatiquement la carte des liens entre données d'entreprise, c'est ce que ni SharePoint ni Elastic n'ont réussi à faire depuis vingt ans. Le vrai enjeu ici, c'est pas les agents, c'est qui détient le graphe de connaissance de l'organisation. Azure l'avait compris avant tout le monde avec le Microsoft Graph, AWS vient de rattraper son retard, bon, presque.

AWS rejoint la course à la couche contextuelle avec un graphe enrichi par les agents, sans curation manuelle

Amazon Web Services a annoncé mercredi, lors du AWS Summit à New York, une série de trois nouveaux produits destinés à constituer ce que l'entreprise appelle une "pile d'intelligence contextuelle" pour les agents d'intelligence artificielle. La pièce maîtresse est AWS Context, un service de graphe de connaissances capable d'apprendre automatiquement au fil de l'usage des agents. AWS a également annoncé la disponibilité générale d'Amazon S3 Annotations et lancé en préversion les "skill assets" dans AWS Glue Data Catalog. Swami Sivasubramanian, vice-président en charge de l'IA agentique chez AWS, a présenté le tout lors de la keynote : "Vos agents deviennent plus intelligents sans que vous ayez à tout reconstruire depuis zéro." AWS Context construit automatiquement un graphe à partir des données existantes d'une entreprise, en inférant les relations entre tables, colonnes, règles métier et sources de données, puis en mettant l'ensemble à disposition des agents en temps réel. Les responsables des données supervisent le graphe via la console AWS, valident les relations inférées et y attachent des définitions métier. L'enjeu central est d'éliminer la curation manuelle, coûteuse et chronophage, qui constitue aujourd'hui le principal obstacle au déploiement des agents IA en entreprise. Le graphe s'améliore de lui-même en apprenant quelles sources produisent des résultats corrects et quelles parties sont effectivement utilisées. Côté sécurité, chaque requête hérite des permissions IAM et Lake Formation de l'utilisateur appelant, rendant les accès aux données traçables par identité. Toutes les métadonnées sont publiées en format Apache Iceberg vers Amazon S3 Tables, interrogeables via Athena, Redshift, Spark ou tout moteur compatible Iceberg, sans API propriétaire. Les agents accèdent au graphe via des API de recherche agentique et des outils MCP, compatibles avec Bedrock AgentCore, EKS ou n'importe quel framework MCP. Des connexions vers des catalogues tiers sont également prises en charge, permettant d'intégrer des données extérieures à l'écosystème AWS. La couche de contexte est devenue un champ de bataille architectural où s'affrontent désormais plusieurs acteurs majeurs. Snowflake a lancé ce mois-ci ses services Horizon Context et Cortex Sense, Microsoft propose son approche via Fabric IQ, Redis a développé une plateforme de contexte optimisée pour la récupération de données, et Pinecone commercialise Nexus, qui précompile les données d'entreprise en artefacts spécialisés avant même que les agents ne les interrogent. L'argument structurel d'AWS est simple : pour les entreprises déjà clientes de S3, Glue et Lake Formation, le graphe contextuel s'intègre nativement à une infrastructure existante, sans migration ni verrouillage propriétaire. La question qui reste ouverte est de savoir si l'apprentissage automatique du graphe tient ses promesses à l'échelle des environnements de données réels, souvent hétérogènes et mal documentés.

☕️ Microsoft se tournerait vers AWS pour absorber l’explosion des usages IA sur GitHub

Microsoft aurait discrètement conclu un accord avec Amazon Web Services pour absorber le trop-plein de trafic sur GitHub, selon deux sources internes citées par Business Insider. La plateforme de code, rachetée par Microsoft en 2018, subit depuis fin 2024 une pression sans précédent liée à l'explosion des outils de développement assistés par IA, notamment GitHub Copilot et ses agents autonomes. Le 3 avril 2026, Kyle Daigle, directeur des opérations de GitHub, chiffrait publiquement l'ampleur du phénomène : la plateforme enregistrait désormais 275 millions de commits par semaine, contre un milliard sur l'ensemble de l'année 2025, soit un rythme annualisé de 14 milliards. Microsoft n'a pas confirmé le recours spécifique à AWS, mais un porte-parole a reconnu une "stratégie multi-cloud", évoquant "l'incroyable pic du développement des agents" qui aurait "mis à l'épreuve les limites de l'infrastructure". La situation illustre un paradoxe industriel saisissant : ce sont les propres outils d'IA de Microsoft qui génèrent une demande que son cloud maison, Azure, ne parvient plus à satisfaire. Fin avril, plusieurs développeurs influents avaient publiquement annoncé leur intention de quitter GitHub en raison de pannes répétées imputées à cette surcharge. L'ironie est d'autant plus mordante que Microsoft avait annoncé en octobre dernier vouloir migrer intégralement GitHub vers Azure dans un délai de 24 mois, faisant de la plateforme une vitrine stratégique de sa puissance cloud. Devoir solliciter son principal concurrent pour tenir debout fragilise ce discours commercial et interroge la capacité d'Azure à accompagner les pics de croissance liés à l'IA générative, précisément le segment où Microsoft entend dominer. GitHub occupe une position centrale dans l'écosystème mondial du développement logiciel, avec plus de 100 millions de développeurs enregistrés. Son passage sous pavillon Microsoft avait déjà suscité des inquiétudes sur l'indépendance de la plateforme ; la dépendance croissante à Copilot et l'introduction récente d'une facturation à l'usage de cet outil ont ravivé ces tensions. La question du multi-cloud n'est pas nouvelle dans l'industrie, mais elle prend une dimension politique particulière quand elle oppose deux géants du secteur en compétition directe sur l'IA. Microsoft doit désormais arbitrer entre la priorité donnée à Azure comme infrastructure de référence et la nécessité opérationnelle de garantir la stabilité d'un service critique, sans quoi GitHub risque de perdre la confiance de la communauté des développeurs au profit d'alternatives comme GitLab ou Codeberg.

Amazon Bedrock AgentCore : des agents plus informés et capables d'apprentissage continu

Amazon a annoncé cette semaine de nouvelles fonctionnalités pour Bedrock AgentCore, sa plateforme de développement d'agents IA, avec pour objectif de combler l'écart entre la puissance théorique des modèles de langage et leurs performances réelles en production. La mise à jour introduit trois couches d'accès à la connaissance : la Managed Knowledge Base, un outil de recherche web natif, et un accès à des données payantes. La Managed Knowledge Base permet désormais aux agents de se connecter directement aux sources de données internes des entreprises, SharePoint, Google Drive, Confluence, S3 et wikis internes, sans que les équipes techniques aient à construire leurs propres pipelines d'ingestion. Amazon gère le stockage vectoriel, les modèles d'embeddings et de reranking, ainsi que les questions de scalabilité. Au cœur de ce système se trouve un retriever agentique qui va bien au-delà du RAG classique : il planifie des requêtes croisées sur plusieurs bases de connaissance, relie des concepts connexes entre documents, et évalue les résultats intermédiaires avant de répondre. L'outil Web Search, lui, s'appuie sur la même infrastructure de recherche qui propulse Alexa+, Amazon Quick Suite et Kiro, et renvoie des extraits optimisés pour la densité d'information par token. Ces ajouts répondent à un problème concret et coûteux pour les entreprises déployant des agents IA : un modèle aussi performant soit-il reste inutile s'il ne peut pas accéder au document où se trouve la réponse. Un agent de service client incapable d'atteindre la politique de remboursement stockée dans SharePoint, un agent de recherche limité à ses données d'entraînement, un conseiller financier privé de données de marché en temps réel, tous sont des cas réels qui freinent le déploiement en production. La Managed Knowledge Base élimine plusieurs mois d'ingénierie préalable, tandis que le Web Search maintient les données dans l'environnement sécurisé AWS du client, un point critique pour les secteurs réglementés comme la finance ou la santé. Cette annonce s'inscrit dans la compétition intense entre fournisseurs cloud pour s'imposer comme plateforme de référence pour les agents IA d'entreprise. AWS, Google Cloud avec Vertex AI et Microsoft avec Azure AI Foundry se disputent le même marché : les équipes qui veulent déployer des agents capables d'agir réellement sur des données métier, pas seulement générer du texte. Amazon capitalise ici sur son infrastructure de recherche existante et son écosystème de services cloud pour offrir une intégration verticale que les solutions tierces ont du mal à concurrencer. La promesse d'amélioration continue via des boucles de rétroaction en production, mentionnée dans l'annonce, suggère qu'AgentCore ambitionne de devenir non seulement un outil de déploiement mais une plateforme d'optimisation itérative des agents dans la durée.

💬 Le vrai goulot d'étranglement pour les agents en prod, c'est jamais le modèle, c'est l'accès aux données d'entreprise. Avec AgentCore, Amazon efface plusieurs mois d'ingénierie RAG maison (SharePoint, Confluence, S3 gérés nativement) et garde les données dans son cloud sécurisé. AWS joue ici son principal atout : l'intégration verticale que ni Google ni Microsoft ne peuvent répliquer aussi facilement.

Amazon Bedrock Guardrails : protégez vos applications IA à base d'agents avec l'API InvokeGuardrailChecks

Amazon Web Services a annoncé une nouvelle interface de programmation pour son service Amazon Bedrock Guardrails : l'API InvokeGuardrailChecks. Disponible dès à présent, elle permet aux développeurs d'appliquer des contrôles de sécurité individuels à n'importe quel point d'une application d'IA agentique, sans avoir à créer et gérer des ressources de guardrail dédiées en amont. Concrètement, l'API fonctionne en mode détection seule et retourne des scores numériques pour chaque vérification effectuée. Les équipes peuvent ensuite définir leurs propres seuils et décider de bloquer, contourner, relancer ou journaliser les résultats selon leurs besoins spécifiques. Cette annonce répond à un problème concret posé par les agents IA modernes, qui fonctionnent en boucles multi-tours plutôt qu'en simples échanges question-réponse. Une session utilisateur peut enchaîner dix, vingt interactions ou davantage, chacune présentant un profil de risque distinct : injection de prompt à l'entrée, contenu nuisible dans la réponse du modèle, données personnelles exposées dans un message de suivi. Jusqu'ici, sécuriser chaque étape de cette boucle supposait de provisionner des ressources de guardrail séparées pour chaque étape, une complexité opérationnelle qui devient ingérable à mesure qu'une organisation déploie des centaines d'agents. L'API InvokeGuardrailChecks supprime cette friction en offrant un contrôle granulaire, requête par requête, sur les vérifications à activer à chaque tour de boucle, sans identifiant de guardrail à suivre ni version à maintenir. Amazon Bedrock Guardrails existe depuis que l'entreprise a cherché à doter sa plateforme de services IA managés de mécanismes de filtrage du contenu, pour protéger aussi bien les entrées utilisateurs que les sorties des modèles fondamentaux. L'essor des architectures agentiques, où des modèles comme ceux d'Anthropic, Meta ou Mistral orchestrent des outils et prennent des décisions en autonomie, a rendu les approches de sécurité monolithiques insuffisantes. Le nouveau schéma de messages structuré, qui attribue un rôle explicite (système, utilisateur, assistant) à chaque bloc de contenu, permet aux vérifications de prendre en compte le contexte précis de chaque interaction dans la boucle. La prochaine étape pour AWS sera vraisemblablement d'étendre la liste des vérifications supportées et d'intégrer l'API plus étroitement avec les frameworks d'orchestration d'agents comme LangChain ou Amazon Bedrock Agents, alors que la sécurité des systèmes autonomes s'impose comme l'un des défis centraux de l'industrie pour 2026.

Les modèles Gemma 4 arrivent sur Amazon Bedrock

Amazon Web Services vient d'annoncer la disponibilité de la famille Gemma 4 sur Amazon Bedrock, le service managé de modèles d'intelligence artificielle du géant du cloud. Développés par Google DeepMind et publiés sous licence Apache 2.0, ces modèles open-weight sont déclinés en trois variantes : Gemma 4 31B, un modèle dense de 30,7 milliards de paramètres ; Gemma 4 26B-A4B, une architecture de type mixture-of-experts (MoE) avec seulement 3,8 milliards de paramètres actifs par requête sur 25,2 milliards au total ; et Gemma 4 E2B, un modèle compact de 2,3 milliards de paramètres effectifs. Tous supportent une fenêtre de contexte de 256 000 tokens (128 000 pour le modèle compact), un mode de raisonnement intégré, l'appel natif de fonctions pour les workflows agentiques, et des entrées multimodales combinant texte et image. Selon Artificial Analysis, le modèle Gemma 4 31B affiche un Intelligence Index de 39, soit bien au-dessus de la médiane de 15 pour la catégorie des modèles open-weight entre 4 et 40 milliards de paramètres. L'intégration de Gemma 4 dans Bedrock répond à une tension bien connue des entreprises adoptant des modèles open-weight en production : accéder aux meilleurs modèles disponibles tout en maintenant un contrôle total sur leurs données, leur conformité réglementaire et leur infrastructure. Disponibles via trois niveaux de service (Standard, Priority et Flex), ces modèles s'exécutent entièrement sur l'infrastructure AWS, sans que les prompts ou les réponses ne soient utilisés pour entraîner d'autres modèles ni partagés avec des tiers. Les équipes peuvent ainsi construire des agents multimodaux, des pipelines de traitement documentaire ou des assistants au développement logiciel, avec une prise en charge native de plus de 35 langues et un pré-entraînement sur plus de 140 langues. Cette annonce s'inscrit dans la compétition croissante entre les fournisseurs cloud pour proposer les meilleurs modèles open-weight sur leurs plateformes managées, en rivalité directe avec Microsoft Azure et Google Cloud. Google DeepMind continue de déployer la gamme Gemma comme levier stratégique pour étendre son influence dans l'écosystème IA sans passer uniquement par son propre cloud. Pour AWS, distribuer Gemma 4 sur Bedrock renforce son catalogue de modèles fondateurs sans investissement en R&D propre, tout en captant les entreprises qui préfèrent la flexibilité open-weight à des modèles propriétaires comme Claude ou Titan. La nature open-weight de la famille Gemma permet en outre aux organisations d'auditer l'architecture, de benchmarker sur leurs propres données et de fine-tuner les modèles selon leurs besoins, une capacité que les modèles fermés n'offrent pas.

Créez des agents de recherche riches en contexte avec Deep Agents et Bedrock AgentCore

Amazon Web Services et LangChain ont publié une approche conjointe pour construire des agents de recherche IA capables de travailler en profondeur sans saturer leur fenêtre de contexte. La solution combine LangChain Deep Agents, un orchestrateur qui délègue le travail intensif à des sous-agents éphémères et spécialisés, avec Amazon Bedrock AgentCore, l'infrastructure cloud qui fournit à chaque sous-agent son environnement isolé : un vrai navigateur web dans une MicroVM (machine virtuelle légère à usage unique) pour la recherche en ligne, et un interpréteur Python complet pour l'analyse de données. Le modèle de langage utilisé est Claude Sonnet d'Anthropic, accessible via Amazon Bedrock. L'architecture décrite suit un schéma précis : un agent coordinateur reçoit la requête, consulte une mémoire persistante (AgentCore Memory) pour récupérer des analyses antérieures, puis lance trois sous-agents navigateurs en parallèle, chacun explorant le site d'un concurrent dans sa propre MicroVM. Une fois leurs résultats consolidés, un quatrième sous-agent analyste génère un graphique comparatif et un rapport Markdown via l'interpréteur de code. L'ensemble du flux est tracé via Amazon CloudWatch ou LangSmith. L'intérêt concret de cette architecture réside dans la résolution d'un problème structurel des agents IA : la compétition pour la fenêtre de contexte. Lorsqu'un agent lit dix pages web et exécute du code en même temps, la mémoire disponible pour le raisonnement stratégique s'épuise rapidement. En isolant chaque tâche intensive dans un sous-agent dédié qui ne renvoie qu'un résultat synthétique, le coordinateur conserve toute sa capacité de réflexion. Pour les équipes qui construisent des workflows de recherche concurrentielle, d'analyse de marché ou de veille technologique, cela représente un gain de fiabilité et de scalabilité significatif, sans avoir à chaîner manuellement les prompts ou à découper séquentiellement les traitements. Cette publication s'inscrit dans une dynamique plus large de structuration de l'écosystème des agents IA en production. AWS positionne Bedrock AgentCore comme une couche d'infrastructure standardisée pour les agents multi-étapes, rivalisant avec des offres comme OpenAI's Assistants API ou les frameworks autonomes tels qu'AutoGPT et CrewAI. LangChain, de son côté, continue de s'imposer comme la couche d'orchestration de référence dans les architectures multi-agents complexes. La disponibilité d'AgentCore comme fournisseur natif dans la CLI Deep Agents, accessible via une simple commande deepagents --sandbox agentcore, suggère une volonté de réduire la friction à l'adoption. La prochaine étape décrite dans le tutoriel est le déploiement de l'agent en tant que service managé et isolé par session via AgentCore Runtime, ce qui ouvre la voie à des applications de recherche IA persistantes et scalables en entreprise.

Traiter des PDF et en extraire des insights : concevoir un pipeline intelligent avec les services IA générative d'AWS

Amazon Web Services a dévoilé une architecture complète de traitement intelligent de documents reposant sur ses services d'IA générative, notamment Amazon Bedrock Data Automation (BDA). Ce service unifié permet d'extraire des informations structurées depuis des documents multimodaux, PDF, images, vidéos, fichiers audio, avec une capacité allant jusqu'à 3 000 pages et 500 Mo par requête API. Contrairement aux solutions OCR classiques qui se limitent à l'extraction de texte brut, BDA analyse le contexte, classe automatiquement chaque section d'un document dans la bonne catégorie, l'associe au bon modèle de traitement, et fournit des scores de confiance sur les données extraites. L'architecture s'appuie sur quatre couches intégrées : ingestion des fichiers via Amazon S3, extraction et stockage avec DynamoDB, couche d'intelligence sémantique via Amazon Bedrock Knowledge Base, et coordination agentique par des agents spécialisés hébergés sur Amazon Bedrock AgentCore Runtime, orchestrés par AWS Step Functions. Pour les organisations qui traitent chaque jour des millions de documents, contrats juridiques, dossiers médicaux, factures, déclarations d'assurance, cette solution répond à un goulot d'étranglement majeur : l'intervention humaine obligatoire dans les pipelines traditionnels. En automatisant la classification, la normalisation et la validation des données, BDA réduit les coûts opérationnels, accélère les délais de traitement et limite les erreurs de saisie. La capacité à relier plusieurs documents entre eux via une base de connaissances sémantique permet également des analyses croisées impossibles avec les approches OCR conventionnelles, ouvrant la voie à des cas d'usage comme l'audit automatisé de contrats ou l'analyse comparative de rapports financiers. Ce lancement s'inscrit dans une course que se livrent les grands fournisseurs cloud, AWS, Microsoft Azure et Google Cloud, pour proposer des pipelines documentaires clé en main à destination des entreprises. AWS positionne BDA comme une réponse directe aux limites des solutions point-à-point qui nécessitaient jusqu'ici d'assembler manuellement des modèles OCR, des LLM et des orchestrateurs distincts. En intégrant l'ensemble dans une API unifiée au sein de Bedrock, Amazon cherche à réduire la friction technique pour les équipes data et à accélérer l'adoption de l'IA générative dans des secteurs très réglementés comme la finance, la santé et le droit. Les prochaines évolutions attendues concernent l'élargissement des formats supportés et le renforcement des capacités d'analyse de graphiques et de visualisations complexes embarqués dans les documents.

Amazon Bedrock Data Automation : améliorer la précision de l'extraction de plans

Amazon Web Services a enrichi son service Amazon Bedrock Data Automation (BDA) d'une fonctionnalité appelée "blueprint instruction optimization", conçue pour améliorer automatiquement la précision d'extraction de données structurées à partir de documents non structurés, factures, contrats, formulaires fiscaux ou dossiers d'inscription. Le principe repose sur des blueprints, des schémas personnalisables qui définissent les champs à extraire (numéro de commande, montant total, date, demandes spéciales) accompagnés d'instructions en langage naturel guidant le modèle. Jusqu'ici, lorsqu'un champ était mal extrait, les équipes devaient affiner manuellement ces instructions en boucle. Désormais, il suffit de fournir entre trois et dix documents d'exemple avec les valeurs attendues : BDA analyse les écarts entre ses résultats et la vérité terrain, puis reformule automatiquement les instructions de chaque champ en quelques minutes. Aucun fine-tuning de modèle séparé n'est nécessaire. L'impact est direct pour les équipes en charge de l'automatisation documentaire dans les entreprises. Traiter des documents provenant de centaines de fournisseurs différents posait un problème structurel : les libellés varient ("subtotal" vs "total"), les mises en page changent selon les périodes ou les partenaires, et la qualité des scans dégrade encore la reconnaissance. Ce cycle d'itération manuelle pouvait prendre plusieurs semaines par type de document. Avec cette optimisation automatisée, ce délai tombe à quelques minutes, ce qui réduit considérablement le coût de mise en production de pipelines de traitement intelligent de documents (IDP). Les organisations qui gèrent de grands volumes documentaires, assureurs, cabinets comptables, services achats, sont les premières bénéficiaires. Cette annonce s'inscrit dans la stratégie d'AWS visant à rendre l'automatisation documentaire accessible sans expertise en machine learning. Amazon Bedrock Data Automation, lancé pour unifier classification, extraction, normalisation et validation via une seule API, fait face à une concurrence croissante d'acteurs spécialisés comme Google Document AI ou Microsoft Azure Form Recognizer, ainsi que de solutions fondées sur des modèles de vision généralistes. En supprimant la nécessité de fine-tuner un modèle tout en automatisant le travail d'ingénierie des prompts, AWS réduit la barrière d'entrée pour les équipes métier. La prochaine étape logique serait d'étendre cette optimisation à des flux documentaires plus complexes impliquant plusieurs types de documents interconnectés, un enjeu central pour des secteurs comme la finance ou la santé.

Pourquoi Microsoft et d'autres clients d'Anthropic ont tardé à adopter Claude Fable

Lors du lancement de son dernier modèle d'intelligence artificielle Claude Fable, Anthropic a instauré une nouvelle politique de rétention des données : toutes les informations transmises au modèle sont conservées pendant 30 jours. L'objectif affiché est de détecter les usages malveillants ou illégaux. Mais cette décision a un effet secondaire immédiat : les entreprises qui utilisent Fable pour écrire ou modifier du code applicatif confient techniquement leurs données propriétaires à Anthropic pendant un mois. Dans certains cas, ces données sont stockées sur des serveurs cloud distincts de ceux que les clients ont eux-mêmes configurés. Amazon Web Services, qui héberge l'infrastructure d'Anthropic et revend ses modèles à ses propres clients cloud, a officiellement averti ces derniers mardi que "dès lors que vous optez pour la rétention des données, celles-ci quittent le périmètre de données et de sécurité d'AWS." Cette situation freine l'adoption de Fable chez plusieurs grands clients, dont Microsoft. Pourtant, les capacités de codage du modèle sont reconnues comme exceptionnelles, au point qu'Anthropic a pu relever ses tarifs sans perdre la demande. Le problème est fondamentalement de nature juridique et réglementaire : pour des entreprises manipulant du code propriétaire, des secrets industriels ou des données sensibles, accepter qu'un tiers conserve ces informations hors de leur périmètre de contrôle pendant 30 jours représente un risque de conformité inacceptable, notamment au regard des réglementations sectorielles ou des politiques internes de cybersécurité. La tension illustre un défi structurel pour les fournisseurs d'IA générative : plus leurs modèles sont puissants et déployés dans des environnements critiques, plus les exigences de souveraineté des données deviennent contraignantes. Anthropic se retrouve dans une position délicate, devant concilier ses impératifs de sécurité et de surveillance des usages avec les standards de confidentialité attendus par ses clients enterprise. La décision d'AWS de clarifier publiquement les implications de cette politique suggère que la pression des clients institutionnels est déjà forte, et que des aménagements contractuels ou techniques pourraient être négociés dans les semaines à venir.

💬 Fable code apparemment mieux que tout le monde, au point qu'Anthropic peut se permettre de monter ses prix. Mais 30 jours de rétention sur du code propriétaire, c'est le genre de clause que les équipes légales barrent d'un trait rouge sans lire la suite. Reste à voir si Anthropic lâche du lest, parce que se fâcher avec Microsoft et AWS en même temps, c'est pas une stratégie de croissance évidente.

Fini le réglage manuel des kernels : Neuron Agentic Development accélère les optimisations AWS Trainium

Amazon Web Services vient d'annoncer les capacités "Neuron Agentic Development", un ensemble d'agents IA et de compétences spécialisées conçues pour accélérer le développement de kernels sur ses puces Trainium et Inferentia. Ces outils permettent aux agents de développement comme Kiro et Claude d'écrire, déboguer et profiler automatiquement des kernels NKI (Neuron Kernel Interface), la couche logicielle bas niveau qui détermine l'efficacité réelle du matériel. Le package comprend cinq compétences distinctes suivant le pipeline naturel de développement : écriture, débogage, profilage et analyse. Concrètement, la compétence d'écriture traduit du code PyTorch, NumPy ou une simple description en langage naturel en kernels NKI corrects, en respectant les contraintes matérielles spécifiques comme les dimensions de partition de 128 éléments. La compétence de débogage couvre 28 codes d'erreur du compilateur Neuron, tandis que les outils de profilage génèrent des traces exploitables via neuron-explorer avec un détail au niveau des opérations DMA. Ces capacités s'intègrent directement dans des environnements comme VS Code, Cursor ou Kiro, et nécessitent une instance Amazon EC2 basée sur Trainium. L'enjeu est considérable : l'écart entre les performances théoriques d'un accélérateur IA et ce qu'une équipe obtient réellement en pratique reste souvent énorme, faute de développeurs capables d'écrire des kernels matériels optimisés. Jusqu'ici, cette expertise demandait des années d'expérience au niveau de l'architecture des puces, rendant l'optimisation de bas niveau inaccessible à la majorité des équipes de machine learning. En automatisant cette couche via des agents IA, AWS permet à n'importe quel ingénieur ML de produire du code hardware-aware sans formation spécialisée, réduisant potentiellement le temps d'implémentation de plusieurs mois à quelques jours. Pour les équipes qui déploient des modèles à grande échelle, des gains même marginaux sur l'efficacité des kernels se traduisent directement en coûts d'inférence réduits et en meilleures latences pour les utilisateurs finaux. Cette annonce s'inscrit dans la stratégie d'AWS de différencier ses puces maison face à Nvidia, dont les GPU H100 et H200 restent la référence dans l'industrie. Trainium et Inferentia existent depuis plusieurs années mais peinent à convaincre des équipes habituées à l'écosystème CUDA, bien établi et documenté. En abaissant la barrière d'entrée via l'automatisation agentique, Amazon cherche à élargir la base de développeurs prêts à migrer ou à tester ses accélérateurs. La question de la généralisation reste entière : ces capacités agentiques pourraient préfigurer une tendance plus large où chaque fabricant de silicium embarque son propre assistant IA pour faciliter l'adoption, transformant la guerre des puces en une guerre des outils de développement.

Créer un assistant de réparation d'équipements alimenté par l'IA avec Amazon Bedrock AgentCore

Amazon Web Services a publié un tutoriel détaillé présentant la construction d'un assistant de réparation d'équipements agricoles propulsé par l'IA, en s'appuyant sur son service Amazon Bedrock AgentCore. L'assistant est conçu pour permettre aux techniciens de terrain de diagnostiquer des pannes de machines lourdes, d'identifier les pièces nécessaires et d'accéder aux procédures de réparation approuvées par les fabricants, le tout via un langage naturel. Techniquement, la solution repose sur plusieurs briques AWS : le runtime AgentCore associé au Strands Agents SDK, le modèle de fondation Amazon Nova 2 Lite pour l'inférence, une Knowledge Base Bedrock pour la génération augmentée par récupération (RAG), et AgentCore Memory pour la persistance des conversations entre sessions. Le frontend React est hébergé sur AWS Amplify, tandis qu'Amazon Cognito gère l'authentification des utilisateurs. Les données de documentation, manuels constructeurs, catalogues de pièces, guides de réparation, sont indexées dans Amazon S3, interrogées via Amazon OpenSearch Serverless pour la recherche vectorielle, avec Amazon Titan Embeddings pour la correspondance sémantique. Les tickets d'intervention sont stockés dans Amazon DynamoDB. La portée concrète de cet outil est significative pour un secteur où chaque heure d'immobilisation d'une machine pendant les récoltes peut se chiffrer en milliers d'euros de pertes. Aujourd'hui, un technicien envoyé sur site sans la bonne pièce doit souvent repartir, revenir, et multiplier les déplacements, allongeant le temps d'arrêt de manière coûteuse. En permettant un diagnostic précis en amont, avec accès instantané aux manuels techniques du fabricant et aux nomenclatures de pièces, l'assistant réduit ce cycle. La mémoire inter-sessions d'AgentCore est particulièrement utile : le technicien peut reprendre une conversation là où il l'avait laissée, sans répéter le contexte de la panne à chaque nouvelle interaction. Cette publication s'inscrit dans la stratégie agressive d'AWS pour imposer Bedrock AgentCore comme plateforme de référence pour le déploiement d'agents IA en production. Lancé en 2025, AgentCore vise à simplifier l'hébergement, la mémoire et l'observabilité des agents, des points de friction majeurs dans les projets IA réels. La concurrence est vive : Vertex AI de Google, Azure AI Foundry de Microsoft, et des frameworks open-source comme LangGraph cherchent tous à capter ce marché. En publiant des cas d'usage sectoriels concrets, ici l'agritech, après d'autres dans la santé ou la finance, AWS tente de démontrer la maturité opérationnelle de sa plateforme face à des besoins métier exigeants. La prochaine étape logique pour ce type de solution serait l'intégration de données IoT temps réel issues des capteurs des machines, pour passer du diagnostic assisté au diagnostic prédictif.

Amazon Bedrock AgentCore permet d'héberger des agents de codage en toute sécurité

Amazon a lancé Bedrock AgentCore Runtime, un service cloud conçu pour héberger les agents de codage, Claude Code, Codex, Kiro, Cursor CLI, Gemini CLI ou tout autre outil similaire, sans que le développeur n'ait à garder son ordinateur portable allumé et ouvert. Chaque session obtient un microVM Linux isolé avec un espace de travail persistant, un shell réel et une exécution déterministe des commandes. Le service embarque également trois composantes clés : une couche d'identité qui fait agir l'agent au nom de l'utilisateur qui l'a déclenché, une passerelle MCP (Model Context Protocol) unique donnant accès à GitHub, Jira, Slack et aux services internes avec les vrais tokens stockés hors de portée de l'agent, et une intégration native à Amazon CloudWatch pour tracer chaque action effectuée. Amazon annonce que plusieurs agents concurrents, Claude Code, Codex, Kiro et Cursor, pourront être lancés simultanément sur le même dépôt, chacun dans son propre environnement isolé, et évalués sur la latence, le coût et le taux de réussite des tests. L'enjeu va bien au-delà du confort : héberger un agent de codage sur un laptop expose l'ensemble de l'environnement du développeur. L'agent partage le shell, le système de fichiers, les clés SSH, les credentials AWS stockés dans ~/.aws/credentials, les tokens npm, et le VPN actif. Un fichier README piégé suffit à déclencher une exécution malveillante avec accès complet aux secrets. La parallélisation pose un problème distinct : lancer deux agents via git worktree ne règle que la partie git, les deux processus se battent toujours pour le même localhost:5432, le même port :3000, le même trousseau SSH. Trois agents sur trois branches, c'est trois processus en compétition sur une seule machine. Enfin, fermer le couvercle du laptop tue la session : dépendances à moitié installées, refactoring en cours, suite de tests en attente, tout disparaît. Un chantier de 90 minutes ou une migration nocturne exige que l'écran reste allumé pendant toute la durée. La montée en puissance des agents de codage autonomes a rendu ce problème structurel. Ces outils peuvent désormais tenir des tâches longues, audit de codebase, migrations de schéma, refactoring multi-fichiers, qui dépassent largement la durée d'une session de travail classique. Les équipes qui veulent en tirer parti à l'échelle se heurtent aux limites du modèle "un agent par laptop ouvert". Amazon positionne AgentCore comme la réponse infrastructure à ce changement de régime : un environnement cloud dédié par agent, cloisonné par défaut, observable dès le départ, et déconnecté du cycle de vie de la machine du développeur. Le service s'inscrit dans une compétition plus large entre AWS, Google et Microsoft pour capter les workflows d'IA des équipes engineering, à mesure que les agents de codage passent du statut d'expérimentation à celui d'outil de production.

Comment déployer des opérations IA autonomes à grande échelle sur Amazon Bedrock

Amazon Web Services a dévoilé Amazon Bedrock Ops Alert, une solution de supervision automatisée en trois couches conçue pour les organisations qui déploient des applications d'IA générative à grande échelle. Utilisé par plus de 100 000 organisations dans le monde, d'entreprises naissantes aux multinationales, Amazon Bedrock fournit l'infrastructure sur laquelle reposent des centaines de workloads de production. La nouvelle solution surveille en continu les quotas de requêtes par minute (RPM) et de tokens par minute (TPM) alloués à chaque client, détecte les anomalies opérationnelles avant qu'elles n'impactent la production, ajuste dynamiquement les seuils d'alarme, et ouvre automatiquement des tickets de support AWS enrichis en contexte. Elle intègre également un mécanisme anti-doublons qui bloque la création d'un nouveau ticket si un cas non résolu de même nature est déjà ouvert, évitant ainsi de diluer l'attention des équipes d'ingénierie. Pour les équipes SRE spécialisées en IA, l'enjeu est considérable : gérer manuellement les quotas et escalades de support à mesure que l'adoption interne s'accélère est un travail chronophage qui détourne les ingénieurs de l'innovation. Bedrock Ops Alert réduit ce surcoût opérationnel en automatisant le triage, en fournissant des notifications contextualisées directement exploitables, et en raccourcissant le temps moyen de résolution des incidents. La solution permet aussi d'anticiper les besoins d'augmentation de quotas avant que les limitations ne se matérialisent en erreurs pour les utilisateurs finaux, un gain critique dans des environnements où plusieurs modèles de fondation tournent simultanément en production. Cette annonce s'inscrit dans une tendance plus large chez AWS : réduire la friction liée à l'échelle des workloads d'IA générative sans exiger systématiquement une augmentation de quotas. Amazon Bedrock propose déjà l'inférence inter-régions géographique et, plus récemment, l'inférence inter-régions mondiale (global cross-region inference), qui route automatiquement les requêtes vers les régions AWS commerciales les mieux disponibles dans le monde entier, offrant un accès à un pool de ressources nettement plus large et une réduction de coût d'environ 10 % par rapport à l'inférence géographique classique. Le prompt caching, autre fonctionnalité optionnelle, permet quant à lui de réduire la latence et les coûts en token en évitant de recalculer des portions de contexte identiques. Ensemble, ces mécanismes forment une réponse structurée d'AWS à la pression croissante que font peser des milliers d'organisations sur une infrastructure d'IA devenue critique pour leurs opérations quotidiennes.

Amazon Bedrock AgentCore Identity permet désormais de référencer ses propres secrets AWS Secrets Manager

Amazon a annoncé une nouvelle fonctionnalité pour Amazon Bedrock AgentCore Identity qui permet désormais aux développeurs de référencer leurs propres secrets AWS Secrets Manager existants, plutôt que de laisser le service en créer automatiquement de nouveaux. Jusqu'à présent, AgentCore Identity gérait de façon autonome un coffre-fort de jetons qui créait et administrait un secret dans Secrets Manager pour chaque fournisseur d'identité externe configuré. Cette approche fonctionnait, mais elle privait les équipes de toute maîtrise sur la configuration de ces secrets : impossible d'y apposer des tags personnalisés, d'imposer une politique de rotation, ou d'appliquer un chiffrement via une clé KMS gérée par le client. La nouvelle capacité, disponible dès aujourd'hui, lève ces contraintes en permettant de fournir directement l'ARN d'un secret préconfiguré à la ressource de fournisseur d'identité. Concrètement, les organisations conservent désormais un contrôle total sur le cycle de vie de leurs secrets d'API utilisés par leurs agents IA : chiffrement avec une clé KMS maison, politique de rotation automatique, réplication, tags pour l'allocation des coûts ou la conformité, et politiques de ressources IAM granulaires. Quand la valeur d'un secret est mise à jour suite à une rotation, AgentCore Identity récupère automatiquement la nouvelle valeur à la prochaine lecture, sans qu'il soit nécessaire de recréer ou de modifier la configuration du fournisseur de credentials. Il est également possible de référencer un secret hébergé dans un autre compte AWS, dans la même région, et les secrets importés via des connecteurs externes Secrets Manager permettent l'intégration avec des gestionnaires de secrets tiers comme HashiCorp Vault. Cette annonce s'inscrit dans une tendance plus large : la montée en puissance des agents IA en production dans les entreprises, qui soulève des exigences de sécurité et de gouvernance de plus en plus strictes. Les équipes cloud des grandes organisations opèrent souvent dans des environnements régulés, avec des politiques SCP et RCP imposant un chiffrement obligatoire par clés gérées par le client, ou des audits de conformité exigeant une traçabilité précise par tags. En permettant à AgentCore de s'insérer dans les workflows de gestion des secrets déjà en place, AWS répond directement à ces contraintes sans obliger les entreprises à dupliquer leur infrastructure ou à contourner leurs propres politiques de sécurité. La prochaine étape naturelle sera probablement l'extension à des secrets cross-région, aujourd'hui encore absente.

Amazon Bedrock AgentCore Gateway étend sa prise en charge du protocole MCP

Amazon a annoncé cette semaine une extension significative des capacités d'AgentCore Gateway, son service de passerelle centralisée pour le protocole MCP (Model Context Protocol) au sein d'Amazon Bedrock. Les nouvelles fonctionnalités couvrent notamment la prise en charge étendue des schémas d'outils MCP, l'intégration des primitives MCP prompts et ressources, la découverte dynamique de serveurs MCP à l'exécution, la gestion de sessions pour les interactions temps réel, un mécanisme d'élicitation permettant des demandes d'entrée en cours d'exécution, et un échange de jetons OAuth 2.0 pour l'authentification déléguée. Ces ajouts s'appliquent à un service qui sert déjà de point d'entrée unique entre les serveurs MCP d'une organisation et les clients qui les consomment, en centralisant la gestion des identifiants, l'observabilité et la connectivité sécurisée. L'enjeu est directement opérationnel pour les équipes engineering en entreprise. Sans passerelle centralisée, chaque serveur MCP déployé, qu'il gère les contrats pour l'équipe juridique, les données financières ou les incidents opérationnels, doit gérer indépendamment ses propres mécanismes d'authentification, de contrôle d'accès et de journalisation. Cela multiplie les délais d'approbation, fragmente la visibilité sur l'usage des outils et oblige les équipes sécurité à auditer chaque serveur séparément. AgentCore Gateway réduit ce fardeau en laissant chaque équipe se concentrer sur la logique métier de son serveur MCP, tandis que la passerelle prend en charge tout le reste : agrégation des capacités, politiques d'accès basées sur les ressources, isolation réseau via AWS PrivateLink, logs d'audit centralisés, et guardrails déterministes via AgentCore Policy. MCP, le protocole lancé par Anthropic fin 2024 pour standardiser la façon dont les agents IA interagissent avec des outils et services externes, a rapidement été adopté par les grands acteurs du cloud, dont AWS, Microsoft et Google. Amazon intègre AgentCore Gateway dans son écosystème Bedrock, qui concurrence directement Azure AI et Google Cloud Vertex AI dans la course aux infrastructures d'agents IA en entreprise. La montée en puissance des architectures multi-agents, où plusieurs modèles coopèrent en orchestrant des dizaines d'outils, rend ce type de couche de gouvernance centrale de plus en plus stratégique. Les prochaines étapes probables incluent une intégration plus poussée avec les outils d'identité AWS IAM et une extension du support aux agents tiers via les flux OAuth 2.0 maintenant disponibles dans la passerelle.

Amazon Bedrock AgentCore : paiements par agents autonomes avec garde-fous intégrés

Amazon a annoncé en avant-première AgentCore Payments, une nouvelle fonctionnalité d'Amazon Bedrock développée en partenariat avec Coinbase Developer Platform et Stripe (via Privy), qui permet aux agents d'intelligence artificielle d'effectuer des transactions financières au nom de leurs utilisateurs. Disponible en préversion dans quatre régions, Virginie du Nord, Oregon, Francfort et Sydney, la solution repose sur un système de portefeuilles embarqués auto-custodiaux hébergés chez ces partenaires. Concrètement, chaque session de paiement est isolée, assortie d'un budget configurable et d'une durée de vie limitée (TTL), empêchant tout agent de dépenser librement au-delà du périmètre défini. Les informations sensibles, numéros de carte, codes CVV, clés d'API développeur, ne transitent jamais dans le contexte de l'agent, ce qui réduit considérablement la surface d'exposition en cas de compromission. Cette capacité répond à un verrou majeur dans le déploiement des agents autonomes : jusqu'ici, dès qu'une ressource web, un outil ou un endpoint MCP nécessitait un paiement, l'agent se retrouvait bloqué, incapable de finaliser la tâche sans intervention humaine. En intégrant la transaction directement dans l'infrastructure AWS, Amazon permet aux développeurs de construire des agents capables de mener à bien des missions complexes sans interruption. Les garde-fous sont conçus pour répondre aux trois risques principaux identifiés : les dépenses incontrôlées liées au comportement non-déterministe des grands modèles de langage, l'absence de délégation explicite de la part de l'utilisateur final, et la compromission des credentials développeur ou des tokens de portefeuille. Les limites de dépense sont appliquées au niveau de l'infrastructure, en dehors du modèle, ce qui les rend incontournables même si l'agent est manipulé ou mal configuré. Cette annonce s'inscrit dans une tendance de fond : les grandes plateformes cloud cherchent à industrialiser l'infrastructure nécessaire aux agents autonomes, au-delà des simples appels d'API. AWS positionne Bedrock AgentCore comme une couche de confiance entre les agents et les systèmes financiers réels, à un moment où la course à l'agentivité s'intensifie entre Amazon, Google et Microsoft. Le choix de Coinbase et Stripe comme partenaires n'est pas anodin : il permet de couvrir à la fois les paiements en crypto-monnaie et les paiements en monnaie fiduciaire, deux rails complémentaires selon les cas d'usage. La fonctionnalité reste en préversion, avec des API susceptibles d'évoluer avant la disponibilité générale, mais elle marque une étape concrète vers des agents capables d'agir pleinement en mandataires économiques de leurs utilisateurs, avec un cadre de responsabilité clairement défini.

AgentOps : déployer des agents IA à grande échelle avec Amazon Bedrock AgentCore

Amazon Web Services a présenté AgentOps, une nouvelle discipline opérationnelle pour déployer, gérer et améliorer les agents IA en production, en s'appuyant sur sa plateforme Amazon Bedrock AgentCore. Publié début juin 2026, ce cadre de référence s'articule autour de quatre piliers : gouvernance et sécurité, construction et opérations, évaluation, et observabilité. Bedrock AgentCore permet de déployer des agents IA compatibles avec n'importe quel modèle de langage et n'importe quel framework open source, en passant du développement local à la production sans gérer d'infrastructure. AWS propose une architecture de référence complète couvrant l'ensemble du cycle de vie DevOps adapté aux agents : planification, développement, construction, test, déploiement et maintenance. Le besoin derrière AgentOps est concret : contrairement aux pipelines classiques, les agents IA prennent des décisions autonomes et non déterministes, ce qui rend le débogage difficile, les coûts imprévisibles et le contrôle qualité complexe. AgentOps répond à ces défis en traitant chaque agent, outil et configuration mémoire comme un artefact versionné avec son propre pipeline CI/CD. L'évaluation s'effectue à quatre niveaux : l'outil individuel, le tour de conversation, le résultat de session et le système global, aussi bien en développement qu'en production. L'observabilité couvre quatre couches de télémétrie pour tracer chaque décision d'agent, surveiller les baisses de qualité et mesurer le coût par interaction. Ce lancement s'inscrit dans une course industrielle autour de l'IA agentique, où AWS, Google, Microsoft et OpenAI cherchent à proposer des plateformes complètes pour industrialiser le déploiement d'agents. La complexité opérationnelle croissante, notamment la gestion des identités d'agents, des protocoles d'authentification inter-agents (A2A), du Model Context Protocol (MCP) et des mécanismes de contrôle humain (human-in-the-loop), pousse les entreprises à chercher des cadres structurés. Amazon Bedrock AgentCore se positionne comme une réponse cloud-native à ces enjeux, en intégrant nativement sécurité, registre d'outils, gestion de l'état et limites d'exécution. Les suites prévisibles incluent l'adoption de ces pratiques AgentOps dans les grandes organisations, ainsi qu'une pression croissante sur les équipes DevOps pour adapter leurs outils et processus à la nature non déterministe des systèmes agentiques.

Chargement des LLM accéléré et fenêtres de contexte élargies avec GPUDirect, Amazon FSx for Lustre et TurboQuant

Amazon Web Services vient d'annoncer une combinaison technique qui pourrait transformer le déploiement de grands modèles de langage en production : l'utilisation conjointe d'Amazon FSx for Lustre, de NVIDIA GPUDirect Storage (GDS) et d'une nouvelle technique de quantification appelée TurboQuant. Concrètement, charger un modèle comme Llama 3.1 405B, soit environ 800 gigaoctets de poids en BF16, prend aujourd'hui entre 10 et 20 minutes avec une infrastructure classique. Avec GDS sur les nouvelles instances P6 et P6e d'AWS, propulsées par l'architecture NVIDIA Blackwell, ce délai tombe à quelques secondes. Le flagship P6e UltraServer concentre 72 GPU Blackwell dans un seul domaine NVLink, avec 13,4 téraoctets de mémoire HBM3e et 360 pétaflops de calcul en FP8. Le problème que résout cette approche est fondamental pour l'industrie de l'inférence à grande échelle. Dans le pipeline traditionnel, les poids du modèle transitent séquentiellement depuis le stockage vers la RAM CPU, sont désérialisés, éventuellement quantifiés, puis copiés un par un vers chaque GPU via le bus PCIe. Pendant tout ce temps, parfois vingt minutes, les GPU les plus chers de l'infrastructure restent inactifs. GPUDirect Storage court-circuite entièrement ce chemin : les checkpoints du modèle sont pré-découpés en fragments sur FSx for Lustre, et les huit GPU d'une instance lisent leurs fragments en parallèle directement dans leur mémoire HBM, sans jamais passer par le CPU ni le PCIe. L'impact est immédiat sur trois métriques critiques : la latence au premier token lors d'un démarrage à froid, la réactivité de l'autoscaling lors des pics de charge, et le coût d'infrastructure lié aux GPU qui attendent. Cette annonce s'inscrit dans une course à l'optimisation de l'inférence LLM qui s'est intensifiée depuis l'émergence de modèles à plusieurs centaines de milliards de paramètres. Des frameworks comme vLLM ont certes amélioré le chargement parallèle des poids depuis la version 0.19 et son moteur V1, mais les données continuent d'emprunter le CPU et le bus PCIe, une limitation structurelle que GDS supprime à la racine. AWS introduit simultanément TurboQuant, une technique de mise en cache KV qui permet d'augmenter significativement la taille des fenêtres de contexte disponibles sur ces instances. Ces deux avancées combinées positionnent AWS comme un acteur offensif sur le marché de l'infrastructure d'inférence, face à des concurrents comme Google Cloud et Azure qui développent leurs propres accélérateurs et solutions de stockage haute performance pour répondre aux mêmes contraintes.

LangSmith sur AWS pour évaluer les agents LLM avancés

AWS et LangChain ont publié conjointement un guide pratique sur l'évaluation des agents IA complexes en production, en s'appuyant sur l'outil LangSmith déployé sur l'infrastructure AWS. Co-rédigé par Karan Singh, directeur des partenariats chez LangChain, ce guide combine les travaux de LangChain et le guide publié par Anthropic sur la démystification des évaluations d'agents. Il présente cinq patterns d'évaluation, une méthode pour construire des tests hors ligne via pytest et LangSmith, ainsi qu'une configuration de monitoring en production. Le cas d'usage central est un agent "texte vers SQL" fonctionnant sur Amazon Bedrock, utilisant le modèle Amazon Nova 2 Lite, un modèle de raisonnement rapide et économique avec une fenêtre de contexte d'un million de tokens, capable de traiter texte, images, vidéos et documents, et bien adapté aux charges de travail agentiques. Le défi posé par l'évaluation des agents IA est fondamentalement différent de celui des LLMs classiques, pour trois raisons majeures : la non-déterminisme (le même agent peut réussir 90 % du temps et échouer dans 10 % des cas), la propagation d'erreurs (une faute à l'étape 3 peut fausser toutes les étapes suivantes, un agent SQL qui identifie mal le schéma construira un JOIN incorrect et produira une réponse erronée), et la créativité des solutions (les modèles frontières trouvent parfois des chemins valides non anticipés par les concepteurs de tests). Pour mesurer la fiabilité réelle, le guide introduit deux métriques clés : pass@k, qui mesure la probabilité d'au moins un succès en k tentatives, et pass^k, qui mesure la probabilité que toutes les k tentatives aboutissent, permettant ainsi de distinguer les agents capables d'improviser de ceux qui produisent des résultats cohérents et reproductibles. Ce guide s'inscrit dans une tendance de fond : à mesure que les agents IA passent des démonstrations aux déploiements réels, l'absence d'outils d'évaluation rigoureuse est devenue l'un des principaux freins à leur adoption industrielle. LangChain, qui développe l'un des frameworks d'orchestration les plus utilisés, et AWS, qui héberge une part croissante des charges de travail IA via Bedrock, se positionnent ensemble sur ce segment critique. LangSmith est disponible sur AWS Marketplace, ce qui simplifie son intégration dans les environnements cloud existants. Cette collaboration reflète une maturité croissante de l'écosystème : après une phase d'enthousiasme autour des agents autonomes, l'industrie se tourne désormais vers les questions de fiabilité, d'observabilité et de gouvernance, conditions indispensables à un déploiement à grande échelle.

Claude Opus 4.8 est désormais disponible sur AWS

Anthropic a annoncé la disponibilité de Claude Opus 4.8, son modèle le plus avancé de la gamme Opus, sur Amazon Bedrock et sur la Claude Platform déployée sur AWS. Ce lancement permet aux équipes de développement d'intégrer le modèle directement dans leurs environnements AWS existants, tout en bénéficiant des garanties de sécurité entreprise, de résidence régionale des données et de la scalabilité d'infrastructure propres à Amazon. Pour les cas d'usage ne nécessitant pas de résidence régionale, le modèle est également accessible via la plateforme native d'Anthropic hébergée sur AWS. Techniquement, l'accès se fait via le SDK Anthropic avec l'identifiant de modèle us.anthropic.claude-opus-4-8, ou via les API Invoke et Converse d'Amazon Bedrock. Ce qui distingue Opus 4.8 de ses prédécesseurs, c'est sa capacité à maintenir un plan d'action sur plusieurs étapes successives, à suivre ce qui a été accompli et ce qui reste à faire, et surtout à se recorriger lorsqu'un blocage survient plutôt que de simplement s'arrêter sur une erreur. Pour les équipes qui automatisent des tâches longues et complexes, cette stabilité se traduit concrètement par moins de variance dans les sorties, moins de cycles de révision manuelle, et une supervision réduite des pipelines en production. En développement logiciel, le modèle est conçu pour naviguer dans de vraies bases de code, planifier avant d'éditer, et conserver le contexte sur des sessions prolongées. Les cas d'usage industriels ciblés incluent la recherche d'investissement et l'analyse de résultats financiers, la rédaction de contrats et de mémoires juridiques, la synthèse de littérature scientifique et de soumissions réglementaires en sciences du vivant, ainsi que l'analyse de menaces et la réponse à incident en cybersécurité. Ce lancement s'inscrit dans une stratégie de partenariat approfondi entre Anthropic et AWS, qui s'est notamment matérialisée par un investissement d'Amazon pouvant atteindre quatre milliards de dollars dans Anthropic. La disponibilité sur Bedrock est stratégique pour Anthropic, qui cherche à s'imposer comme fournisseur de référence pour les déploiements en entreprise, face à la concurrence directe d'OpenAI via Azure et de Google DeepMind via Vertex AI. Opus 4.8 représente le haut de gamme de la nouvelle génération Claude 4, une famille de modèles qui comprend également Sonnet 4.6 et Haiku 4.5, chacun positionné sur un équilibre différent entre performance et coût d'inférence. La prochaine étape pour Anthropic sera probablement d'élargir la disponibilité régionale du modèle sur Bedrock, et d'affiner ses capacités dans les domaines où la régulation de l'IA évolue rapidement.

Construire des systèmes multi-agents LangGraph serverless et scalables sur AWS avec Amazon Bedrock AgentCore

Amazon Web Services a présenté une architecture de référence pour déployer des systèmes multi-agents d'IA générative à grande échelle sur AWS, en combinant LangGraph, AWS Lambda, AWS Step Functions et les deux nouveaux services Amazon Bedrock AgentCore Memory et AgentCore Observability. L'approche repose sur une infrastructure entièrement serverless : les agents LangGraph sont packagés dans des conteneurs Docker exécutés sur Lambda, ce qui permet une montée en charge automatique sans gestion d'infrastructure. Pour illustrer le concept, AWS décrit un système concret de révision de campagnes marketing orchestrant trois agents spécialisés en parallèle, un agent "persona reviewer" qui évalue la résonance du contenu auprès de différents profils démographiques, un agent "validator" qui vérifie la conformité juridique et les chartes de marque, et un agent "finalizer" qui synthétise les retours en recommandations actionnables. Une interface React permet aux utilisateurs de télécharger leurs documents et de consulter les résultats en temps réel. Ce type d'architecture répond à un problème concret que rencontrent les entreprises en production : les agents IA performants en démo s'effondrent souvent sous la charge réelle, perdent le contexte entre les sessions et restent des boîtes noires difficiles à déboguer. AgentCore Memory résout la question de la mémoire en offrant à la fois un contexte conversationnel à court terme et une base de connaissances persistante entre sessions. AgentCore Observability capture quant à lui chaque invocation avec ses entrées et sorties LLM, la latence, et les métriques de chaîne d'outils sur l'ensemble des composants distribués. Pour les équipes en charge de systèmes critiques, c'est un changement de paradigme : il devient possible d'auditer exactement comment un agent a raisonné, quelle décision il a prise à quelle étape, et pourquoi. Cette publication s'inscrit dans une accélération visible chez AWS pour proposer une pile complète d'IA agentique cloud-native, face à la concurrence de Google (Vertex AI Agents) et Microsoft (Azure AI Foundry). LangGraph, développé par LangChain, s'impose progressivement comme standard de facto pour l'orchestration d'agents grâce à son modèle d'exécution en graphe orienté qui rend le flux de contrôle déterministe, parallélisable et conditionnel. L'intégration native avec Lambda et Step Functions est particulièrement stratégique pour les charges de travail "bursty" typiques des agents IA, où la demande est imprévisible et les coûts d'une infrastructure dédiée permanente seraient prohibitifs. La prochaine étape logique pour AWS sera d'étendre ces patterns à des workflows plus complexes impliquant des boucles de feedback humain et des agents à longue durée de vie, un segment encore largement inexploré en production.