Azure et l’IA générative : comment Microsoft se rapproche d’AWS dans le cloud

L’intelligence artificielle générative ne transforme pas seulement les outils de bureau, les moteurs de recherche ou la création de contenus. Elle redessine aussi le marché, plus discret mais décisif, du cloud computing. Pour produire un texte, résumer un dossier, générer une image ou assister un développeur, les modèles ont besoin d’une puissance de calcul considérable, notamment de processeurs graphiques, les GPU. Les entreprises se tournent donc vers les grands fournisseurs de cloud pour accéder à ces capacités sans devoir construire elles-mêmes toute l’infrastructure.

À la date du 12 novembre 2024, Amazon Web Services, Microsoft Azure et Google Cloud se livrent une concurrence intense sur ce terrain. AWS conserve une position dominante sur le cloud, mais Azure se distingue par l’accès aux modèles d’OpenAI via son service Azure OpenAI, ainsi que par son intégration étroite avec l’écosystème Microsoft. Google Cloud, de son côté, défend une plateforme unifiée autour de Vertex AI et de ses modèles Gemini.

Le sujet ne se limite plus à choisir « le meilleur chatbot ». Pour une organisation, il s’agit de déterminer quel environnement permet de créer une application utile, de protéger les données internes, de relier l’IA aux outils existants et de garder les dépenses sous contrôle.

L’IA générative relance la demande de cloud

La progression de l’IA générative intervient dans un marché du cloud déjà central pour les entreprises. Les fournisseurs louent à la demande de la puissance de calcul, du stockage, des bases de données et des logiciels. L’IA ajoute une contrainte particulière : les modèles de langage de grande taille, aussi appelés LLM, exigent des ressources importantes pour être entraînés, puis pour répondre aux utilisateurs.

L’estimation de Synergy Research citée dans la publication d’origine fait état de 79 milliards de dollars de dépenses d’infrastructure cloud entre juillet et septembre 2024, soit une hausse de 22 % sur un an. Cette dynamique reflète notamment l’appétit pour les GPU, indispensables aux calculs parallèles mobilisés par les modèles génératifs.

Pour une entreprise, louer ces ressources évite d’acquérir, d’installer et d’exploiter elle-même un parc de serveurs spécialisé. Ce choix donne aussi accès à des modèles prêts à l’emploi et à des services qui facilitent leur intégration dans une application métier. En contrepartie, l’organisation dépend des capacités, des règles d’usage et de la tarification du fournisseur retenu.

Pourquoi les entreprises recherchent des plateformes prêtes à l’emploi

Les premiers usages de l’IA générative ont souvent pris la forme d’expérimentations : un assistant de rédaction, un chatbot interne ou un outil d’aide au code. En novembre 2024, l’enjeu est davantage de faire entrer ces capacités dans des processus concrets, par exemple pour rechercher une information dans une base documentaire, rédiger une première réponse au client ou synthétiser un compte rendu.

Une plateforme de cloud ne fournit pas seulement un modèle. Elle peut réunir plusieurs briques nécessaires au déploiement : gestion des identités, stockage des documents, contrôle des accès, supervision, journalisation et outils de développement. C’est un argument important pour les grandes structures, dont les applications et les données sont déjà réparties dans un environnement informatique complexe.

L’expression « au token » revient fréquemment dans les offres. Un token est une unité de texte traitée par un modèle, qui peut correspondre à un mot, une partie de mot ou un signe de ponctuation. Une tarification à l’usage dépend donc généralement du volume de texte envoyé au modèle et du volume de texte généré. Ce mécanisme est souple pour tester un projet, mais peut devenir difficile à anticiper si le nombre d’utilisateurs augmente fortement.

AWS, Google Cloud et Azure : trois approches du même marché

Les trois plateformes proposent des modèles de texte, d’images et de code, mais leur logique d’offre diffère. AWS met en avant le choix entre plusieurs familles de modèles. Google Cloud cherche à unifier les usages de l’IA générative et de l’IA plus traditionnelle. Azure s’appuie sur les modèles d’OpenAI proposés au sein de son cloud, tout en ouvrant son environnement à d’autres modèles et outils.

Ce tableau donne une photographie des offres disponibles en 2024, et non un classement absolu. La disponibilité précise d’un modèle peut varier selon les régions, les conditions d’accès et l’évolution rapide des catalogues. Le bon choix dépend aussi des applications déjà utilisées par l’entreprise, des exigences réglementaires et des compétences de ses équipes.

AWS mise sur la diversité des modèles avec Bedrock

Amazon Bedrock constitue la porte d’entrée d’AWS vers les modèles génératifs. Son principe est de permettre aux développeurs de sélectionner différents modèles sans devoir administrer l’infrastructure sur laquelle ils fonctionnent. L’offre mentionne notamment des modèles comme Claude 3.5 et Mistral Large, aux côtés d’autres options.

Cette diversité est utile lorsque les équipes souhaitent comparer plusieurs modèles selon une tâche donnée. Un modèle peut être plus adapté à la synthèse de documents, un autre au traitement multilingue, un autre encore à la génération de code. Elle réduit aussi le risque de bâtir tout un produit autour d’un fournisseur de modèle unique.

AWS propose également Amazon Bedrock Studio, un environnement destiné au prototypage et à la collaboration. L’objectif est de faciliter la création rapide d’applications génératives. Une entreprise peut notamment connecter un modèle à ses propres documents afin que les réponses s’appuient sur son corpus interne.

Cette approche est souvent désignée par l’expression RAG, pour génération augmentée par récupération. Avant de produire une réponse, l’application cherche les passages pertinents dans une base documentaire, puis les fournit au modèle comme contexte. Le modèle n’est pas nécessairement réentraîné sur les données de l’entreprise. Cette distinction est importante : elle peut accélérer les projets et faciliter l’actualisation des informations, mais ne dispense pas de vérifier la qualité des sources retrouvées.

Google Cloud rapproche IA traditionnelle et IA générative

Google Cloud organise son offre autour de Vertex AI, une plateforme qui réunit des services destinés à l’IA générative et à d’autres formes de machine learning. Cette continuité intéresse les entreprises qui combinent plusieurs systèmes : prévisions, classification de données, analyse d’images, puis génération de texte ou d’une synthèse destinée à un collaborateur.

Vertex AI donne notamment accès à Gemini, la famille de modèles de Google capable de traiter plusieurs types de données. Cette dimension multimodale désigne la capacité à travailler avec plus d’un format, par exemple du texte et des images. Dans une application professionnelle, cela peut permettre d’interroger des contenus variés à travers une interface unique, à condition que les données soient correctement préparées et autorisées à être traitées.

La promesse principale est celle d’une expérience unifiée : les équipes n’ont pas à multiplier les environnements pour passer d’un modèle prédictif classique à un modèle génératif. Comme chez ses concurrents, cette simplicité apparente ne remplace toutefois pas les choix de gouvernance. Une application générative doit avoir des règles sur les données qu’elle peut consulter, les utilisateurs qui y accèdent et les actions qu’elle est autorisée à déclencher.

Azure capitalise sur son écosystème d’entreprise

L’avantage concurrentiel mis en avant par Microsoft tient à son association avec OpenAI. Azure OpenAI rend accessibles dans l’environnement Azure des modèles comme GPT-3.5 et DALL-E, pour la génération de texte et d’images. Pour des organisations déjà clientes des services Microsoft, la possibilité d’intégrer ces capacités dans un cadre cloud familier peut réduire la friction du démarrage.

Azure ne se résume pas à l’accès à un modèle. Azure AI Studio vise à aider les équipes à concevoir, tester et déployer des applications, y compris avec des solutions tierces et open source. Cette couche d’outillage compte autant que les performances brutes du modèle : un projet doit pouvoir être évalué, surveillé et mis à jour au fil des retours des utilisateurs.

Autre composant cité, Azure AI Search peut aider à retrouver des données pertinentes avant de les transmettre au modèle. Dans un assistant destiné aux salariés, cette fonction est essentielle : plutôt que de demander au modèle de répondre uniquement à partir de ses connaissances générales, l’entreprise cherche à l’ancrer dans sa documentation interne autorisée.

Microsoft met également en avant des mécanismes de sécurité intégrés pour améliorer la qualité et la pertinence des contenus générés. Ils ne doivent pas être interprétés comme une garantie d’absence d’erreur. Un modèle peut encore inventer une référence, mal interpréter une demande ou produire une réponse inadaptée au contexte. Les applications professionnelles ont besoin de tests sur des cas réels et, selon le niveau de risque, d’une validation humaine.

Service managé ou auto-hébergement : une décision d’usage et de coût

Face aux offres des hyperscalers, certaines entreprises envisagent d’héberger elles-mêmes des modèles, en particulier des modèles open source. Cette option peut offrir davantage de contrôle sur l’infrastructure et l’emplacement des données. Elle devient envisageable lorsque l’organisation dispose déjà des serveurs, des GPU, des équipes d’exploitation et d’une volumétrie suffisamment élevée.

Mais l’auto-hébergement ne consiste pas à télécharger un modèle et à le laisser fonctionner. Il faut dimensionner les machines, assurer la disponibilité du service, gérer les mises à jour, surveiller les performances et protéger l’accès aux données. Il faut aussi optimiser le système pour éviter que des temps de réponse trop longs ou des coûts d’infrastructure élevés n’annulent le bénéfice attendu.

C’est pourquoi les services managés sont souvent privilégiés au départ. Ils permettent de mesurer l’intérêt d’un cas d’usage avant d’investir dans une infrastructure dédiée. L’expertise de l’entreprise Daveo, citée dans la publication d’origine, va dans ce sens : commencer par un service managé aide à évaluer l’efficacité réelle du projet avant de basculer, si cela se justifie, vers une solution auto-hébergée.

Sécurité, données et gouvernance : les critères qui départagent les offres

Le choix d’une plateforme ne peut pas reposer uniquement sur la qualité apparente d’une réponse générée. Les entreprises doivent d’abord identifier les données utilisées par l’application : documents internes, données clients, informations personnelles ou secrets industriels. Elles doivent ensuite définir qui peut les consulter et quelles données peuvent être envoyées à un modèle.

La question des biais mérite la même attention. Les modèles reproduisent parfois des stéréotypes ou des erreurs présents dans leurs données d’entraînement ou provoqués par une instruction ambiguë. Une réponse convaincante n’est pas forcément exacte. Pour les usages liés à la finance, à la santé, au recrutement ou au droit, les garde-fous et la responsabilité humaine sont particulièrement importants.

Enfin, les coûts doivent être suivis en continu. Le volume de requêtes, la longueur des documents transmis, la taille des réponses et le modèle retenu font varier la facture. Un prototype concluant auprès de quelques salariés n’a pas le même coût qu’un service ouvert à des milliers de clients. Définir des limites d’usage, tester différents modèles et mesurer la valeur créée sont des étapes indispensables.

Ce qu’il faut surveiller dans la compétition du cloud

En novembre 2024, la concurrence entre AWS, Google Cloud et Azure se joue sur plusieurs plans à la fois : accès aux GPU, qualité et variété des modèles, outils de développement, sécurité, intégration aux systèmes d’information et conditions commerciales. Aucun de ces éléments ne suffit seul à faire réussir un projet.

Azure bénéficie d’un positionnement particulièrement fort auprès des entreprises qui utilisent déjà les outils Microsoft et souhaitent exploiter les modèles d’OpenAI dans leur environnement cloud. AWS conserve l’atout de la diversité via Bedrock. Google Cloud défend la cohérence de Vertex AI et les capacités multimodales de Gemini.

La prochaine étape ne sera pas seulement l’adoption d’un modèle plus puissant. Elle consistera à transformer des démonstrations en services fiables, utiles et maîtrisés. Pour les entreprises, le leadership ne se mesurera donc pas uniquement à la popularité d’une plateforme, mais à sa capacité à concilier innovation, contrôle des données, performance et coût sur la durée.