AWS face au déluge des modèles d’IA : Amazon veut guider les entreprises

Au 7 juin 2025, le problème des entreprises qui veulent déployer l’intelligence artificielle ne se résume plus à savoir si elles doivent s’y mettre. Elles doivent surtout composer avec une offre qui se renouvelle sans cesse. Modèles généralistes, modèles plus légers, systèmes spécialisés, fournisseurs américains, chinois ou européens : le choix peut rapidement devenir opaque, même pour des équipes techniques expérimentées.

Werner Vogels, directeur technologique d’Amazon, décrit cette difficulté chez les clients d’Amazon Web Services, ou AWS, la branche de cloud computing du groupe. Les nouveaux modèles d’IA arrivent à un rythme si soutenu que les entreprises cherchent un interlocuteur capable de les aider à distinguer une nouveauté prometteuse d’une solution réellement utile à leur activité. Derrière cette « avalanche » se joue une question très concrète : comment obtenir de bons résultats sans multiplier inutilement les coûts, les essais et la complexité informatique ?

Pourquoi les entreprises sont-elles submergées par les modèles d’IA ?

La compétition entre les laboratoires d’IA accélère la cadence des annonces. De nouveaux modèles sont proposés régulièrement, avec des promesses variables : rédiger et résumer des textes, répondre à des questions, analyser des documents, écrire du code, extraire des données ou alimenter un assistant conversationnel. Certains sont conçus pour être très polyvalents, d’autres privilégient la rapidité ou un coût d’usage réduit.

Pour une organisation, cette profusion ne se traduit pas automatiquement par plus de valeur. Chaque modèle possède ses propres capacités, ses contraintes et son mode de facturation. Il peut être performant pour synthétiser un long document, mais moins convaincant pour traiter un volume élevé de demandes simples. Il peut aussi répondre à un besoin avec une précision suffisante, tout en étant moins coûteux qu’un modèle de très grande taille.

C’est ce qui rend la décision plus délicate que le seul examen d’un classement technique. Un benchmark mesure une performance dans un test donné, mais ne dit pas à lui seul si le système s’intègre bien aux données, aux règles internes et au budget d’une entreprise. Les dirigeants doivent rapprocher les résultats observés de leur cas d’usage réel.

La taille d’un modèle ne suffit pas à décider

Un réflexe consiste à considérer qu’un modèle comptant davantage de paramètres sera nécessairement le meilleur choix. Les paramètres sont les valeurs ajustées lors de l’entraînement d’un système d’IA, qui lui permettent de repérer des régularités dans les données. Ils constituent un indicateur de l’ampleur du modèle, mais ne résument ni sa qualité ni son adéquation à une tâche précise.

Werner Vogels rappelle que certains systèmes atteignent 700 milliards de paramètres. De tels modèles peuvent exiger des ressources importantes et entraîner des coûts d’exploitation élevés. Or, une entreprise qui souhaite classer des messages, résumer des comptes rendus ou aider ses employés à retrouver une information dans une base documentaire n’a pas forcément besoin de mobiliser le modèle le plus massif disponible.

L’enjeu est donc d’éviter la logique du modèle unique. Une même organisation peut avoir intérêt à utiliser plusieurs modèles selon les situations : un outil rapide pour des tâches répétitives, un autre plus sophistiqué pour les demandes complexes, et éventuellement une solution adaptée à une langue ou à un secteur particulier. Cette approche suppose de mettre en place des tests, d’observer la qualité des réponses et de surveiller les dépenses dans la durée.

Amazon Bedrock, une plateforme pour comparer les options

Amazon répond à cette complexité avec Amazon Bedrock, un environnement dédié à l’utilisation de modèles d’IA dans le cloud. L’idée est de proposer aux entreprises un point d’accès unique à plusieurs systèmes, afin qu’elles puissent les essayer et les comparer sans devoir mettre en place elles-mêmes l’infrastructure informatique nécessaire au fonctionnement de chaque modèle.

Parmi les modèles évoqués figurent ceux de DeepSeek et de Mistral. Leur présence illustre l’approche d’AWS : plutôt que de demander à ses clients de s’en remettre à une seule technologie, la plateforme leur donne accès à des options diverses. Amazon travaille également avec de nombreux partenaires, dont les entreprises françaises Hugging Face et Mistral.

Bedrock repose sur une approche dite « serverless ». En pratique, le client n’a pas à administrer des serveurs pour lancer ses essais ou faire fonctionner un modèle sélectionné. Cette simplification peut faciliter les expérimentations, notamment pour les équipes qui ne disposent pas de spécialistes capables de déployer et maintenir elles-mêmes une infrastructure d’IA.

L’intérêt ne réside toutefois pas seulement dans la facilité technique. Comparer plusieurs modèles dans un même environnement permet de confronter leurs réponses à une même demande, d’estimer leurs besoins en tokens et d’identifier le compromis acceptable entre qualité, vitesse et coût. C’est ce travail de comparaison qui doit, selon le discours d’Amazon, transformer la profusion de modèles en choix rationnel.

Du modèle massif au modèle ciblé : choisir selon le travail à accomplir

Le face-à-face entre grands modèles et solutions plus légères ne doit pas être réduit à une opposition entre puissance et faiblesse. Il s’agit surtout de faire correspondre l’outil au problème. Un système très vaste peut se justifier lorsqu’une tâche exige du raisonnement, la compréhension d’instructions longues ou la production de réponses nuancées. Mais son utilisation systématique pour chaque requête peut faire grimper une facture sans amélioration proportionnelle du service.

Les modèles plus légers offrent, à l’inverse, une piste pour des demandes nombreuses et prévisibles. Leur intérêt potentiel tient à leur rapidité et à leur coût, à condition que leurs résultats soient bien évalués. Une entreprise a donc intérêt à définir des critères concrets avant de choisir : quel niveau de précision est exigé ? Quelles erreurs sont tolérables ou, au contraire, inacceptables ? Combien de requêtes seront traitées ? Quel est le budget par utilisateur ou par processus ?

Cette étape d’évaluation est aussi une question de gouvernance. L’IA générative produit des réponses plausibles qui ne sont pas toujours exactes. Pour des usages ayant des conséquences commerciales, juridiques, financières ou humaines, les entreprises doivent prévoir des contrôles adaptés et ne pas confondre fluidité d’expression et fiabilité absolue.

La facture de l’IA devient un sujet de pilotage

La question des coûts est centrale dans l’analyse de Werner Vogels. Selon les modèles, le prix peut aller de un centime à plusieurs dollars par milliard de tokens. Cet écart oblige les entreprises à s’intéresser de près à leur consommation réelle, plutôt qu’à la seule capacité affichée par un fournisseur.

Le calcul ne doit pas s’arrêter au tarif unitaire. Une requête peu coûteuse, répétée à très grande échelle, peut représenter une dépense importante. À l’inverse, un modèle plus onéreux peut être pertinent s’il réduit le temps passé sur une tâche complexe ou améliore suffisamment un service. Le retour sur investissement dépend donc du volume, de l’usage et du gain opérationnel attendu.

Pour éviter des dépenses superflues, une démarche raisonnable consiste à débuter par un périmètre limité. Les équipes peuvent tester plusieurs modèles sur un jeu d’exemples représentatifs, mesurer le coût des requêtes et vérifier la qualité des réponses avant d’étendre le dispositif. Cette méthode ne supprime pas l’incertitude, mais elle permet de fonder la décision sur des observations concrètes.

L’IA, les énergies renouvelables et les infrastructures d’Amazon

L’essor de l’IA pose aussi la question de l’énergie consommée par les centres de données et les équipements qui entraînent ou exécutent les modèles. Amazon met en avant son engagement environnemental : le groupe indique avoir atteint en 2023 son objectif d’alimenter ses opérations avec 100 % d’énergie renouvelable, alors que cette cible était initialement fixée à 2025.

L’entreprise s’appuie notamment sur des projets d’énergie éolienne, solaire et géothermique. Amazon se présente également comme le plus grand consommateur mondial d’énergie renouvelable. Ces annonces ne font pas disparaître l’enjeu énergétique lié à l’expansion de l’IA, mais elles montrent que la capacité des infrastructures et leur approvisionnement électrique sont désormais liés aux stratégies technologiques des grands acteurs du cloud.

Amazon souligne par ailleurs le rôle de puces conçues pour l’IA, comme Trainium et Inferentia, censées réduire la consommation énergétique associée à certaines tâches. Pour les clients, l’efficacité matérielle peut compter autant que le choix du modèle : une IA utile à grande échelle doit pouvoir être exploitée avec un niveau de ressources cohérent avec son bénéfice.

Une IA déjà intégrée aux opérations d’Amazon

La stratégie du groupe ne concerne pas seulement les outils proposés aux entreprises clientes. Amazon déploie l’IA dans ses propres opérations, en particulier dans la chaîne d’approvisionnement, les entrepôts et la livraison. L’objectif est d’améliorer les prévisions d’approvisionnement, d’optimiser les opérations logistiques et de mieux organiser l’acheminement des colis.

Amazon indique utiliser près de 750 000 robots dans ses centres de distribution. Ces systèmes participent à l’automatisation des opérations et sont présentés comme un moyen d’améliorer à la fois l’efficacité et la sécurité des travailleurs. L’IA intervient également dans des tâches telles que l’inspection automatisée de véhicules.

Côté client, le groupe cite Rufus, un outil destiné à générer des recommandations de produits plus personnalisées. Ces usages montrent que l’intelligence artificielle ne constitue pas, chez Amazon, un sujet isolé ou réservé à AWS. Elle irrigue la vente en ligne, la logistique, l’infrastructure cloud et l’automatisation physique.

Ce qu’il faut surveiller dans la course aux modèles

L’abondance des modèles devrait rester l’une des caractéristiques majeures du marché de l’IA. Pour les entreprises, la difficulté sera moins de trouver un système disponible que de conserver une méthode de sélection face aux nouveautés. Le risque est de changer d’outil à chaque annonce, sans avoir mesuré l’apport réel de la technologie précédente.

Le rôle que souhaitent jouer les plateformes comme Bedrock est précisément celui d’un intermédiaire de confiance : centraliser l’accès à plusieurs modèles, faciliter les comparaisons et réduire la charge technique du déploiement. Cette promesse devra se vérifier dans la qualité des outils d’évaluation, la transparence des coûts et la diversité effective des solutions accessibles.

Pour les organisations, trois repères restent essentiels : partir d’un besoin métier concret, tester les modèles sur des situations représentatives et suivre les dépenses comme n’importe quel autre poste technologique. Dans un marché où les annonces se succèdent chaque semaine, la capacité à dire non à une nouveauté mal adaptée peut devenir aussi précieuse que la capacité à adopter rapidement une innovation utile.