Benjamin Revcolevschi a annoncé sur son compte LinkedIn sa nomination au poste de au poste de Managing Director d’AWS France.
On l’avait laissé en octobre dernier lors de son passage à la direction générale d’OVHcloud, poste auquel il avait accédé après y être entré en mai 2024 comme directeur général adjoint, avant de succéder à Michel Paulin quelques mois plus tard.
Son passage aux commandes du groupe roubaisien aura été de courte durée. Dans un contexte de ralentissement de la croissance, le fondateur Octave Klaba avait repris la direction opérationnelle.
Auparavant, Benjamin Revcolevschi avait construit son parcours chez plusieurs grands noms des technologies et des télécoms, avec des fonctions de direction chez Neuf Cegetel/SFR, Fujitsu et DXC Technology.
Julien Grouès a dirigé AWS France jusqu’à son départ au début de 2026. Il a été remplacé en janvier par Anish Desai, alors nommé Managing Director France & Europe du Sud. Neuf mois plus tard, Benjamin Revcolevschi lui succède à la tête d’AWS France, avec une prise de fonction annoncée le 8 septembre 2026.
La panne brutale d’un chatbot, ça arrive, ça ne prévient pas. En revanche, cela surprend et questionne lorsque trois IA, indépendantes les unes des autres, tombent en panne en même temps. C’est ce qui est arrivé à ChatGPT, Claude et Grok jeudi dernier. Cette panne a impacté plusieurs heures...
Amazon prend le contrôle du champion de l’analytique légère.
AWS officialisera l’opération début septembre sans divulguer les termes financiers du deal. Elle intègre l’équipe de DuckLabs, soit une trentaine d’ingénieurs basés à Amsterdam. Les cofondateurs Hannes Mühleisen et Mark Raasveldt rejoignent aussi AWS.
Une nuance majeure doit être soulignée. AWS n’achète pas la base de données DuckDB elle-même. La DuckDB Foundation conserve la propriété intellectuelle, les marques et la gouvernance. Le projet reste sous licence libre MIT.
En revanche, Amazon s’empare de la force de frappe technique du projet. Ces ingénieurs traçaient jusqu’ici la feuille de route de DuckDB. Le projet demeure gratuit sur le papier. Mais deux des trois membres du conseil intègrent AWS. Le géant du cloud gagne ainsi une influence décisive.
Pourquoi AWS mise sur DuckDB
DuckDB s’impose comme la référence de l’analytique légère. Les data engineers l’apprécient pour son exécution en mémoire in-process. Le moteur offre aussi un stockage SQL columnaire très rapide. Il traite efficacement des volumes allant jusqu’au téraoctet.
AWS vise un objectif précis. Le groupe veut couvrir les cas d’usage où Redshift reste surdimensionné. DuckDB répond parfaitement à ces besoins légers. Il cible les notebooks, les data apps et l’ETL côté client. Il facilite aussi le prototypage et l’analytique Edge/IoT.
Amazon crée ainsi un pont fluide du petit au grand volume. Cette stratégie verrouille les workflows en amont des gros entrepôts cloud.
L’arrivée de DuckLabs chez AWS accentue la pression sur l’écosystème :
Snowflake : Référence de l’entrepôt cloud, l’éditeur maîtrise moins l’analytique embarquée. AWS capte désormais ces besoins légers sans imposer d’entrepôt lourd.
Databricks : Le leader du Lakehouse domine le très grand volume. AWS propose désormais une alternative ultra-rapide pour le traitement local. Le groupe restreint ainsi l’empreinte de Databricks sur les petits projets.
ClickHouse, Trino, Druid, StarRocks : Ces moteurs dominent l’analytique distribuée à grande échelle. Mais le couple DuckDB + AWS devient le choix par défaut sur les architectures modestes.
Gouvernance open source : un équilibre sous surveillance
Amazon promet de respecter l’open source. Pourtant, sa prise de contrôle inquiète la communauté. AWS place deux membres au conseil de la fondation. Le groupe annonce aussi un comité consultatif technique. Amazon alignera donc la feuille de route sur ses propres priorités.
Quatre indicateurs permettront d’évaluer l’impact du rachat:
Des intégrations AWS natives : AWS lancera des connecteurs pour Athena, Glue, SageMaker et Redshift.
Des déclinaisons Edge & IoT : Amazon embarquera DuckDB dans ses passerelles IoT pour traiter les données localement.
L’évolution de la gouvernance : La DuckDB Foundation devra prouver son indépendance face aux demandes d’Amazon.
Les ripostes de l’écosystème : Google Cloud, Azure, Snowflake et Databricks devront réagir rapidement.
En observant les annonces des dix-huit derniers mois, un constat s’impose. Éditeurs de cybersécurité, spécialistes de l’API Management, plateformes de données, fournisseurs cloud et acteurs nés avec l’IA développent des fonctions qui répondent aux mêmes problématiques. Leur objectif : contrôler les appels aux modèles de langage, appliquer des politiques de sécurité, maîtriser les coûts et gouverner les agents, tout en traçant leurs interactions et en limitant la dépendance à un fournisseur unique.
Tous cherchent, avec des approches différentes, à devenir le point de contrôle entre le système d’information et l’IA.
Dans l’histoire des infrastructures IT, ce type de convergence a souvent annoncé l’émergence d’une nouvelle catégorie de logiciels. Mais elle peut aussi annoncer autre chose : une course où chaque acteur tente d’imposer son propre control plane, au risque de recréer, autour de l’IA, la fragmentation que les AI Gateways sont précisément censés résoudre.
Les éditeurs cyber veulent protéger les agents
Les plateformes de cybersécurité ont été conçues pour protéger des utilisateurs, des postes de travail, des serveurs ou des applications. L’essor des agents IA introduit une nouvelle catégorie d’entités numériques : elles disposent de droits d’accès, utilisent des identités techniques, consultent des données et exécutent des actions de façon autonome. Elles deviennent donc elles-mêmes une nouvelle surface d’attaque.
Le cas de Palo Alto Networks illustre bien cette bascule, avec un calendrier resserré. En mars 2026, l’éditeur lance Prisma AIRS 3.0, avec un module « AI Agent Gateway » alors en accès limité. Fin avril, il annonce son intention de racheter Portkey, l’un des éditeurs d’AI Gateway les plus établis ; l’acquisition est finalisée le 29 mai. Six semaines plus tard, le 22 juillet, il annonce la disponibilité générale de Prisma AIRS AI Gateway, qui intègre directement la technologie de Portkey.
Dans sa communication, Palo Alto Networks avance un chiffre destiné à illustrer l’accélération du phénomène. Selon les données observées par l’éditeur, la part du trafic réseau d’entreprise liée au protocole MCP serait passée de 11 % fin 2025 à plus de 41 % à la mi-2026. Un chiffre fourni par l’éditeur, à considérer comme un indicateur de tendance plutôt que comme une mesure indépendante du marché.
CrowdStrike suit une trajectoire différente, centrée sur l’identité des agents. En juin dernier, l’éditeur lance « Continuous Identity for AI Agents », une fonctionnalité de Falcon issue de la technologie de SGNL, rachetée pour 740 millions $. Le principe est de réévaluer en permanence les droits d’un agent, action après action, plutôt que de lui accorder un accès permanent. CrowdStrike ne cherche toutefois pas à devenir lui-même une AI Gateway. L’éditeur mise sur une stratégie d’écosystème, avec des intégrations à plusieurs gateways, dont Kong, LiteLLM, Databricks, Microsoft Azure, TrueFoundry et Google Cloud
Cisco avance sur un terrain proche avec Duo, qui traite désormais l’agent comme un objet d’identité à part entière, avec ses propres règles d’authentification et son propre cycle de vie. Zscaler, enfin, a présenté en juin 2026 ce qu’il revendique comme la première plateforme Zero Trust complète pour l’IA agentique, avec un « AI Broker » pour l’accès aux agents et un « AI Access Graph » pour cartographier les liens entre identités, applications et données. Une extension directe de sa logique réseau historique aux flux agent-à-agent et aux appels MCP, plus difficiles à intercepter que du trafic utilisateur classique.
Ces trajectoires différentes traduisent une même logique : chaque cyberéditeur cherche à prolonger son point de contrôle historique jusqu’aux agents. L’AI Gateway devient ainsi l’une des nouvelles interfaces de la logique Zero Trust où l’on vérifie non seulement qui est autorisé à agir mais aussi ce que l’agent peut faire et dans quel contexte.
Les spécialistes des API veulent éviter d’être contournés
Pour les acteurs de l’API Management, la problématique est différente. Depuis quinze ans, les API Gateway occupent une place stratégique dans les systèmes d’information : une part importante des échanges applicatifs y transite, et les équipes d’architecture y définissent l’authentification, la limitation de débit, la supervision et le routage.
L’IA pourrait remettre en cause cette position. Si les développeurs appellent directement les modèles de langage sans passer par l’infrastructure existante, une partie croissante des échanges risque d’échapper aux plateformes de gouvernance déjà en place. Les spécialistes des API cherchent donc à étendre leur périmètre plutôt qu’à laisser une infrastructure parallèle émerger.
L’exemple de Kong est représentatif : l’éditeur présente son AI Gateway comme une extension de plugins sur sa plateforme Kong Konnect existante. Les flux applicatifs continuent de transiter par la même infrastructure, mais sont désormais aussi dirigés vers des modèles de langage, avec les mêmes mécanismes d’authentification et de quotas déjà en place pour les API classiques.
Google fait évoluer Apigee dans une direction similaire, en l’articulant à la nouvelle plateforme d’agents que le groupe a lancée en avril 2026 en rebaptisant Vertex AI en Gemini Enterprise Agent Platform. Un changement qui va au-delà du nom, puisqu’il absorbe aussi Agentspace et repositionne l’ensemble autour de la construction, du déploiement et de la gouvernance d’agents plutôt que du seul entraînement de modèles.
D’autres éditeurs d’API Management plus spécialisés, comme Gravitee, Tyk ou WSO2, suivent une trajectoire comparable en ajoutant des fonctions de routage LLM, de gouvernance MCP et de suivi des coûts d’inférence à leurs plateformes existantes.
Le principe reste le même dans tous les cas : réutiliser les mécanismes déjà déployés pour les API ( authentification, quotas, journalisation, observabilité ) plutôt que de les faire reconstruire par chaque équipe projet pour l’IA. L’IA ne crée pas une infrastructure parallèle ; elle prolonge l’architecture existante.
Les plateformes de données veulent rapprocher les agents des données
Une troisième famille avance avec une approche différente : les plateformes de données. La conviction est que la valeur de l’IA ne réside pas uniquement dans le modèle, mais surtout dans les données auxquelles il accède.
Snowflake en fournit une première illustration. Fin mai 2026, l’éditeur annonce l’acquisition de Natoma, spécialiste de la gouvernance du protocole MCP. Deux mois plus tard, il lance Cortex AI Gateway pour contrôler les interactions des agents avec les modèles, les outils, les serveurs MCP et les données de l’entreprise.
La solution s’adresse aussi bien aux agents natifs de Snowflake qu’à ceux développés sur des plateformes tierces comme Claude Code ou Cursor, et s’intègre notamment avec Okta, SailPoint et 1Password pour la gestion des identités.
Databricks suit une trajectoire comparable avec Unity AI Gateway. Construit sur Unity Catalog, le service transpose aux modèles et aux agents les mécanismes de gouvernance déjà appliqués aux données : permissions, traçabilité et audit. Il ajoute des fonctions spécifiques à l’IA, comme le contrôle des dépenses, le routage entre fournisseurs et la prévention des fuites de données personnelles.
Databricks revendique déjà plusieurs milliers de clients utilisant Unity AI Gateway, dont Rivian, Asana et Edmunds. Selon l’éditeur, plus d’un quadrillion de tokens ont transité par la gateway au cours des douze derniers mois.
L’éditeur a par ailleurs choisi une approche ouverte en intégrant à Unity AI Gateway des spécialistes de la sécurité, dont CrowdStrike, Palo Alto Networks et Zscaler. L’objectif est de permettre aux entreprises de conserver leurs outils de sécurité existants tout en les appliquant aux interactions avec les modèles, les agents et les outils. Une logique d’écosystème qui contraste avec les plateformes cherchant à intégrer l’ensemble des fonctions de sécurité en interne.
Les annonces successives de Snowflake et Databricks montrent que la gouvernance des agents est en train de devenir un nouveau terrain de concurrence pour les plateformes Data & IA. Leur avantage est de pouvoir prolonger vers les modèles et les agents les politiques de contrôle déjà appliquées aux données, sans nécessairement ajouter une couche de gouvernance indépendante.
Les hyperscalers avancent en ordre dispersé
Une quatrième famille d’acteurs, les hyperscalers, aborde le problème sous un angle différent : intégrer les fonctions de gouvernance de l’IA à leur propre environnement plutôt que de les vendre comme un produit autonome.
AWS a lancé Amazon Bedrock AgentCore Gateway, qui fournit un point d’accès unique aux agents pour accéder à des outils, des serveurs MCP et d’autres agents via A2A. La plateforme peut également router les requêtes vers différents fournisseurs de modèles et connecter des services comme Salesforce, Slack, Jira ou Asana.
Microsoft combine deux briques complémentaires. Azure API Management fournit les fonctions d’AI Gateway, tandis qu’Entra Agent ID, disponible généralement depuis mai 2026, attribue une identité propre aux agents et permet d’en contrôler les accès, y compris lorsqu’ils sont construits sur des plateformes tierces.
Google a choisi une approche plus intégrée. Avec le lancement de Gemini Enterprise Agent Platform, qui succède à Vertex AI, l’éditeur regroupe dans une même plateforme la construction, le déploiement et la gouvernance des agents, plutôt que de présenter l’AI Gateway comme une brique autonome.
L’avantage de cette approche est net pour une DSI déjà engagée sur un cloud donné : l’identité, la facturation et une partie de l’observabilité restent dans le même environnement, sans couche supplémentaire à opérer. La contrepartie l’est tout autant : dans un contexte multicloud, ces trois approches ne se substituent pas les unes aux autres, et une entreprise utilisant AWS, Azure et Google Cloud simultanément peut se retrouver avec trois mécanismes de gouvernance de l’IA distincts plutôt qu’une couche transverse unique.
Les acteurs AI-native : les pionniers de la gateway IA
Une dernière catégorie est née directement avec les applications d’IA. Des acteurs comme LiteLLM, Helicone, OpenRouter ou Portkey ont construit leurs offres autour de besoins apparus avec les LLM : router les requêtes entre plusieurs modèles et fournisseurs, suivre la consommation, gérer les clés et les coûts ou observer les interactions des agents.
Portkey illustre toutefois la difficulté pour ces spécialistes de conserver leur indépendance lorsque le marché se structure. Racheté par Palo Alto Networks en mai 2026, l’éditeur montre comment les fonctions développées par les acteurs AI-native peuvent être progressivement intégrées à des plateformes plus larges de cybersécurité, d’API Management, de données ou de cloud.
Ce que révèle cette convergence
Le rapprochement de ces cinq familles d’acteurs montre que l’AI Gateway devient une couche stratégique de contrôle de l’IA. Mais cette convergence ne conduira pas forcément à une gateway unique : le marché pourrait plutôt voir coexister plusieurs briques capables de coopérer.
Pour les DSI, la question sera donc de savoir où placer le point de contrôle principal et comment faire interagir les autres briques avec lui. Faute de coordination, la multiplication des offres pourrait paradoxalement recréer une nouvelle fragmentation de la gouvernance de l’IA.
Pendant plusieurs années, la croissance du cloud public reposait principalement sur la migration des applications et des infrastructures d’entreprise.
Les derniers résultats trimestriels d’Amazon, de Microsoft et d’Alphabet montrent que le moteur a changé. L’IA générative est devenue le principal facteur de consommation de ressources cloud, qu’il s’agisse de l’entraînement des modèles, de leur inférence ou de l’exécution d’agents IA.
Mais si les trois hyperscalers affichent une accélération de leur activité cloud, leur trajectoire sont différentes. Microsoft conserve la croissance la plus élevée, AWS retrouve un rythme qu’il n’avait plus connu depuis plusieurs années et Google Cloud poursuit sa progression en s’appuyant sur l’adoption de Gemini et de Vertex AI.
AWS retrouve une croissance de près de 40 %
Amazon Web Services enregistre un chiffre d’affaires trimestriel de 42,2 milliards $, en progression de 37 % sur un an. Il s’agit de sa croissance la plus élevée enregistrée depuis plusieurs années.
Pour Andy Jassy, le patron d’Amazon, cette accélération est directement liée aux investissements des entreprises dans l’IA générative. Le groupe met notamment en avant la progression de l’adoption d’Amazon Bedrock, la demande pour ses puces Trainium ainsi que l’utilisation croissante des infrastructures GPU destinées à l’inférence.
Le successeur de Jeff Bezos indique également que la demande dépasse encore les capacités actuellement disponibles. Et d’affirmer qu’une partie des capacités de calcul prévues pour 2027 est déjà réservée par des clients.
Pour soutenir cette demande, Amazon prévoit désormais 220 milliards $ de dépenses d’investissement en 2026, principalement consacrées au développement de nouveaux datacenters et de capacités de calcul destinées à l’IA.
Azure maintient la dynamique la plus forte
Microsoft conserve la croissance cloud la plus élevée parmi les grands hyperscalers.
Azure affiche une progression de 43 % sur un an tandis que l’ensemble de l’activité Microsoft Cloud atteint 59,3 milliards $ de chiffre d’affaires trimestriel, en hausse de 27 %.
Le groupe attribue cette performance à la diffusion croissante de ses offres d’IA, notamment Azure AI et Microsoft 365 Copilot. Microsoft indique désormais compter plus de 30 millions d’utilisateurs payants de Microsoft 365 Copilot.
Autre indicateur mis en avant : Azure génère désormais plus de 100 milliards $ de chiffre d’affaires annuel, confirmant le changement d’échelle de la plateforme.
Malgré l’ampleur des investissements réalisés dans les infrastructures IA, Microsoft maintient son programme de dépenses d’investissement de 175 milliards $ pour l’exercice 2026.
Google Cloud poursuit son accélération
Google Cloud confirme également une nette accélération de sa croissance. Pour son deuxième trimestre fiscal, la division a généré 24,8 milliards $ de chiffre d’affaires, en hausse de 82 % sur un an. Son résultat opérationnel atteint 8,8 milliards $, contre 2,8 milliards un an plus tôt, tandis que son carnet de commandes progresse à 514 milliards $.
Le groupe met notamment en avant l’adoption de Gemini Enterprise, désormais utilisé par près de 90 % des entreprises du Fortune 100, ainsi que la progression de Vertex AI et des infrastructures Google Cloud Platform (GCP) dédiées à l’IA.
Alphabet a relevé ses prévisions pour 2026 et prévoit désormais des dépenses d’investissement comprises entre 195 et 205 milliards $ principalement destinées au développement de ses centres de données et de ses infrastructures de calcul pour l’IA.
Ce trimestre confirme le changement d’échelle de Google Cloud. Longtemps distancé par AWS et Azure, le troisième hyperscaler mondial affiche désormais la croissance la plus rapide du marché.
Une compétition qui se déplace vers la capacité d’exécution
Les trois fournisseurs soutiennent que la capacité de calcul devient un facteur de différenciation aussi important que les modèles d’IA eux-mêmes. Leurs performances illustrent cette évolution : le cloud devient la plateforme d’exécution de l’IA d’entreprise, combinant puissance de calcul, modèles de langage, outils de développement, services d’inférence et applications
Pour les DSI, cette évolution pourrait avoir des conséquences directes sur la planification des projets IA. Les capacités disponibles, les délais de mise à disposition des ressources ou encore les engagements contractuels avec les fournisseurs cloud pourraient devenir des critères de sélection aussi importants que les fonctionnalités des plateformes.
C’est une offensive estivale qui ressemble fort à un aveu d’urgence. À quelques jours d’intervalle, les deux leaders du cloud mondial ont sorti l’artillerie lourde.
Amazon Web Services (AWS) a dégainé le premier en annonçant un investissement de 1 milliard $ pour créer sa division AWS Forward Deployed Engineering (FDE).
Leur mission est la même : envoyer leurs meilleurs ingénieurs, concepteurs de modèles et experts en sécurité s’installer physiquement dans les bureaux de leurs clients finaux (Unilever, le London Stock Exchange, la NFL, la NBA ou Southwest Airlines) pour co-développer des systèmes d’IA de bout en bout.
Ce virage à 180 degrés s’explique par une pression devenue insoutenable à Wall Street. Malgré une croissance robuste de son activité Azure, l’action Microsoft a subi d’importantes corrections. Les investisseurs exigent des preuves concrètes de rentabilité face aux dizaines de milliards de dollars engloutis chaque trimestre dans la construction de data centers.
Or, le constat sur le terrain est signifiant. Si les grands groupes ont massivement testé l’IA, le passage à l’échelle industrielle s’avère être un gouffre de complexité.
Problèmes de gouvernance des données, manque de compétences internes, sécurité défaillante… les projets s’enlisent et les abonnements tardent à générer la valeur promise.
Le syndrome Palantir
Pour débloquer la situation, Microsoft et AWS ressuscitent une stratégie éprouvée il y a plus de dix ans par un autre acteur iconique de la tech américaine : Palantir.
Le spécialiste de l’analyse de données s’est imposé auprès des gouvernements et des multinationales en envoyant ses propres « Forward Deployed Engineers » configurer ses logiciels directement chez les clients.
En reprenant ce modèle, AWS et Microsoft cherchent à éliminer toute friction. AWS promet ainsi de compresser les calendriers de déploiement de l’IA « agentique » de plusieurs mois à seulement quelques jours, tout en garantissant l’indépendance future du client à l’issue de la mission.
En maîtrisant directement l’intégration logicielle, les hyperscalers s’assurent que les solutions d’IA développées seront intrinsèquement liées à leurs infrastructures respectives. Une manière de capturer le client pour la prochaine décennie. La bataille de l’IA ne se joue pas uniquement dans les laboratoires de recherche mais aussi bien dans les bureaux des directeurs financiers.
Sur le marché français, on apprend via l’Informé que OpenAI a ouvert à Paris un bureau de son activité d’intégrateur baptisée Deployment Company ou DeployCo.
Annoncée en mai dernier, la nouvelle structure est dotée de 4 milliards $ et compte un
consortium de 19 sociétés d’investissement, de cabinets de conseil et d’intégrateurs systèmes à son capital. Parmi eux, on trouve trois mastodontes du conseil : Bain & Company, Capgemini et McKinsey. OpenAI conserve la majorité.
C’était pressenti, c’est désormais officiel : la Commission européenne veut soumettre AWS et Azure au DMA.
On en est au stade de l’avis préliminaire. Amazon et Microsoft peuvent donc exercer leurs droits de défense.
Si leurs clouds respectifs ont jusque-là échappé à la désignation en tant que « services de plate-forme essentiels », c’est qu’ils n’atteignaient pas l’un des seuils quantitatifs définis dans le DMA. En l’occurrence, au moins 45 millions d’utilisateurs finaux actifs par mois établis ou situés dans l’UE.
Le règlement autorise cependant la Commission à mener une enquête de marché pour déterminer si un service qui n’atteint pas ce seuil constitue tout de même un « point d’accès majeur permettant aux entreprises utilisatrices d’atteindre leurs utilisateurs finaux ».
Si tel est le cas, elle peut le désigner comme service de plate-forme essentiel sous deux autres conditions. D’une part, que l’entreprise qui le propose ait un « poids important » sur le marché européen. Soit par son chiffre d’affaires (au moins 7,5 Md€ sur les trois derniers exercices), soit par sa capitalisation boursière ou sa juste valeur marchande équivalente (au moins 75 Md€). De l’autre, qu’elle jouisse d’une « position solide et durable », au sens où elle aurait atteint les deux seuils de poids sur chacun de ses trois derniers exercices.
Une enquête DMA lancée fin 2025… chiffres à l’appui
La Commission européenne avait ouvert des enquêtes sur AWS et Azure en novembre 2025. Les grandes lignes de son raisonnement étaient tracées.
En ce qui concerne le poids sur le marché intérieur, elle avait souligné que la juste valeur marchande d’AWS dépassait les 75 Md€, sachant que la capitalisation boursière du groupe Amazon avoisinait les 2700 Md$. Même réflexion pour Azure, Microsoft valant alors près de 4000 Md$.
Sur le fondement de données Statista, la Commission avait rappelé qu’AWS détenait 29 % du marché mondial du cloud d’infrastructure. Et qu’Azure en captait 20 %. Pour le marché européen, elle avait mobilisé, entre autres, des chiffres de l’Autorité de la concurrence française et de son homologue britannique, repris les uns et les autres par l’OCDE. Parmi eux : 46 % de part de marché pour AWS en France en 2021, contre 17 % pour Azure.
AWS, indispensable ? Les pannes en témoignent
Pour AWS comme Azure, Bruxelles avait pointé des effets d’échelle : les coûts de développement et de maintenance des services apparaissaient peu dépendants du nombre d’utilisateurs, en plus de pouvoir être reportés sur d’autres services, y compris non cloud.
Autre point commun : une structure conglomérale et un degré d’intégration verticale permettant des subventionnements croisés. La Commission évoquait aussi les effets de verrouillage, renforcés par l’écosystème de logiciels et services tiers.
Une remarque fut spécifique à AWS : l’échelle et la magnitude des pannes confirme que ses services sont indispensables aux entreprises pour atteindre leurs clients. Quand à Azure, il bénéficie, à travers Windows et Office 365, d’effets de réseau indirects et d’avantages en matière de collectes de données.
Les outils et partenariats IA ont pesé dans la balance
La Commission n’a pas encore publié son avis préliminaire. L’annonce qu’elle en fait liste néanmoins quelques arguments qui ont motivé sa décision.
Au-delà du chiffre d’affaires important et des effets de verrouillage, elle évoque des capacités opérationnelles et des investissements qui « semblent avoir largement dépassé » ceux des concurrents. Elle mentionne aussi des « bases d’utilisateurs vastes et bien établies ». Tout en affirmant que le portefeuille d’outils et de partenariats dans le domaine de l’IA est devenu un « facteur décisif » dans la passation de marchés.
Attention : localiser l’inférence aux États-Unis augmente la facture de 10 %.
Il en est ainsi avec l’offre Claude Platform on AWS, désormais disponible.
Il s’agit d’une intégration essentiellement commerciale. Le principe : accéder aux services d’Anthropic via la console d’AWS, lequel gère l’authentification, la facturation et la journalisation, sans héberger l’inférence.
Une offre similaire existe sur Azure, mais elle est en bêta.
Une alternative à l’option Amazon Bedrock
Par rapport à Claude sur Bedrock, Claude Platform on AWS permet d’accéder plus rapidement aux nouvelles fonctionnalités – y compris les expérimentales, grâce à un en-tête spécifique. En contrepartie, il n’y a pas d’intégration directe avec les services Bedrock (garde-fous, bases de connaissances…). Et les options de résidence pour l’inférence sont limitées : USA… ou global.
Le service provisionne une organisation dans le compte AWS. Il n’est pas possible d’y importer les paramètres d’une organisation Anthropic. On peut créer les espaces de travail dans 17 régions commerciales du cloud d’Amazon (dont Dublin, Francfort, Londres, Milan, Munich, Paris, Stockholm et Zurich).
Le catalogue comprend actuellement 7 modèles : Claude Haiku 4.5, Sonnet 4.5/4.6/4.7 et Opus 4.5/4.6/4.7. Hors surcoût lié à la localisation de l’inférence aux USA, la tarification est la même que sur l’API Anthropic. En revanche, la progression entre niveaux d’usage (tiers 1 à 4, auxquels sont associés des limites de buget, de requêtes et de tokens) n’est pas automatique.
Connecteur MCP, skills agentiques… Des briques encore en bêta
Les contrôles d’AWS remplacent ceux d’Anthropic pour des éléments comme la gestion de budget. Quelques fonctionnalités disparaissent, comme le mode rapide (accélération de l’inférence moyennant un surcoût).
Parmi les fonctionnalités de Claude disponibles sur cette nouvelle offre :
Recherche et récupération web
Exécution de code
Découverte et appel programmatique d’outils
Pensée étendue et pensée adaptative
Mise en cache des prompts
Outputs structurés
Citations
Traitement par lots
L’API Files, les skills agentiques, le connecteur MCP et la compression/édition du contexte sont encore en bêta. Même chose pour l’outil Advisor (un modèle plus rapide et moins coûteux consulte, en cours de génération, un modèle plus intelligent). Et pour les agents managés (exécution de Claude en tant qu’agent dans un environnement géré).
L’offre en aperçu sur Azure ne gère pas encore la résidence des données, le traitement par lots et l’outil Advisor. Elle n’est prise en charge que sur certains SDK d’Anthropic (C#, Java, PHP, Python, TypeScript). La sélection de modèles est légèrement différente : Claude Haiku 4.5, Sonnet 4.5/4.6, Opus 4.1/4.5/4.6/4.7.
Avec un engagement potentiel d’environ 33 milliards $ * dans Anthropic, Amazon signe l’un des plus gros soutiens financiers à une scale-up de l’IA générative qui va sécuriser jusqu’à 5 gigawatts (GW) de générations actuelles et futures de puces Trainium pour entraîner et alimenter ses modèles.
En cherchant à se positionner comme le pipeline indispensable de l’IA, plutôt que comme le créateur de modèles dominants, sa stratégie diffère de ces deux concurrents majeurs.
Comparaison avec Microsoft/OpenAI
Microsoft a structuré une relation encore plus verticale en investissant environ 13,8 milliards $ chez OpenAI. Une participation de 27 % dans le capital de la nouvelle entité à but lucratif, valorisée autour de 135 à plus de 200 milliards, soit un retour potentiel à deux chiffres sur son capital investi.
En parallèle, OpenAI a signé un contrat de 250 milliards $ en services Azure sur la décennie, ce qui renforce la position de Microsoft tout en lui donnant une prise directe sur les modèles.
Amazon se distingue par une approche plus ouverte : il soutient Anthropic, mais sans la même visibilité financière sur le modèle propriétaire. Concrètement, Amazon paie cher pour accéder à Claude, tandis que Microsoft bénéficie d’une exposition à la valeur des modèles et d’une capture directe des revenus cloud via OpenAI.
Comparaison avec Google et son écosystème interne
De son côté, Google adopte une stratégie plus intégrée et investit directement dans sa propre stack : environ 75 milliards $ prévus sur l’infrastructure IA (puces, data centers, serveurs) pour supporter Gemini et d’autres modèles internes. Google complète cela avec son AI Futures Fund, qui offre accès aux modèles avancés, crédits Cloud et prises de participation minoritaires dans des startups.
Autrement dit, Amazon se situe dans une zone intermédiaire. Il n’a pas l’architecture verticale totale de Google (modèles + puces + data centers), ni la valorisation boursière de l’investissement Microsoft/OpenAI, mais il obtient en contrepartie un contrat de plus de 100 milliards $ promis à AWS sur dix ans par Anthropic, ce qui sécurise des revenus récurrents et renforce la domination de son cloud.
Risques stratégiques derrière les chiffres
Sous ces montants vertigineux, plusieurs risques structurels émergent. D’abord, la dépendance croisée : plus Anthropic dépense chez AWS, plus Amazon la verrouille, mais cela augmente aussi l’exposition financière d’Amazon si les modèles ne génèrent pas les flux attendus ou si les coûts de calcul explosent.
En parallèle, Amazon tarde à imposer un modèle maison massif, ce qui le laisse exposé à la valeur créée par Anthropic elle‑même, alors que Microsoft et Google captent plus directement la valorisation de leurs actifs propriétaires.
Enfin, la stratégie est à la fois ouverte et biaisée : Amazon prétend offrir une plateforme multi‑modèles via Bedrock, mais en plaçant des milliards derrière Anthropic, il crée un avantage structurel implicite pour ses modèles sur la plateforme, au risque de contester sa propre neutralité marketing. Cette tension est d’autant plus sensible que Microsoft commence à diversifier ses modèles internes au sein de Microsoft 365 Copilot, réduisant déjà sa dépendance à OpenAI.
*8 milliards déjà injectés + 5 milliards annoncés immédiatement et jusqu’à 20 milliards conditionnels
Avoir un seul compte AWS pour l’industrialisation implique des quotas mutualisés, notamment pour l’inférence.
Decathlon a dû faire avec dans le cadre de son projet Image Metadata Generation. En production depuis fin 2025, il contribue à enrichir la médiathèque de l’entreprise. Celle-ci contient près de 20 millions d’assets, de 3 types : communication, identité de marque et présentation des produits.
Image Metadata Generation a englobé les photos de produits (environ 2 millions). Il s’agissait de générer des descriptions ainsi que des balises et des mots-clés SEO. Tant pour favoriser l’exploitation de ces contenus que la conformité à la directive européenne sur l’accessibilité.
Inférence par lots à 300 pixels
Avec les quotas partagés entre équipes (requêtes et tokens par minute), traiter 2 millions d’images à la demande aurait créé une saturation.
Ce ne fut pas le seul défi. Le PoC, effectué avec une centaine d’images, avait permis de valider un traitement séquentiel. Mais à l’échelle, une invocation synchrone et unitaire « était presque un antipattern », explique Lévi Bernadine, ML engineer chez Decathlon Digital. Même en parallélisant, avec les quotas partagés, on créait des goulets d’étranglement : files d’attente, timeouts, rejets…
Il fallait aussi assurer une gestion d’état pour éviter qu’une erreur fasse planter tout un lot. Et maîtriser les coûts : une image en entrée consomme un nombre de tokens proportionnel à sa taille.
Dans ces conditions, Decathlon a opté pour un traitement asynchrone, avec de l’inférence par lots. Ce traitement en arrière-plan ne bloque pas les ressources système des autres équipes, réduit le coût de moitié par rapport au traitement à la demande et embarque une gestion native des erreurs. En contrepartie, il a fallu gérer l’absence de garantie sur le délai d’exécution des jobs.
Les images ont été redimensionnées à 300 pixels en hauteur ou en largeur (ratio conservé), avec une compression JPEG qualité 85. Les résultats étaient en moyenne 96 % plus légers que les fichiers d’origine.
Un prompt, deux variantes
Decathlon a expérimenté des prompts distincts pour les descriptions et les mots-clés. Constatant que les résultats étaient peu cohérents, il a finalement opté pour un prompt unique, qui avait aussi l’avantage de ne consommer qu’une requête API.
Ce prompt a deux variantes, assignées selon la nature de l’image. D’un côté, les packshots produits. De l’autre, les photos de pratiques sportives (images contextuelles : on cherche à décrire l’action, l’atmosphère, l’émotion…).
Prétraitement quotidien, traitement horaire
Le workflow de prétraitement s’enclenche une fois par jour. « Cela correspond à la période de mise à jour des tables dans nos data lakes », confie Lévi Bernadine à l’occasion de l’AWS Summit Paris. Ses principales composantes :
Localiser, dans le DAM (Digital Asset Management), les assets pas encore passés dans le générateur ou mis à jour depuis
Les télécharger en qualité originale via le CDN Decathlon
Préparer les prompts pour les modèles Claude (Anthropic) et Nova (Amazon)
Redimensionner et compresser
Stocker les images, ainsi que les fichiers d’entrée (JSONL comprenant l’image compressée encodée en base64 et le prompt adapté)
Suivi d’état (registre DynamoDB)
Le workflow de traitement s’exécute en parallèle, toutes les heures. Il contrôle, dans le registre, les images prêtes à être traitées (statut « staging »). Elles sont groupées dans des lots de 500 à 2000 images. L’ensemble est transmis à Bedrock – avec un pont IAM – et l’API Batch pousse les résultats dans S3 (descriptions + mots-clés en anglais et en français). Airflow vérifie le statut toutes les demi-heures (timeout de 48 heures). Lorsqu’un job est terminé, le post-traitement s’enclenche et le DAM est mis à jour.
3200 € de coûts LLM… pour 1,2 M€ d’économies ?
Ce système serverless est capable de traiter 25 000 images par jour. En matière de performances, on nous annonce des taux de validation « jusqu’à 93 % à travers différents évaluateurs et catégories d’outils ».
Image Metadata Generation facilite la recherche dans le DAM (réduction de la duplication d’images), améliore l’indexation dans les moteurs de recherche et favorise la conformité en termes d’accessibilité. Decathlon estime que le projet a le potentiel d’engendrer 1,2 M€ d’économies annuelles. À comparer aux quelque 7 M€ de frais fixes annuels qu’il supporte pour créer, corriger et traduire ces contenus.
Lévi Bernadine évoque un autre cas d’usage, en cours d’exploration : l’identification de la présence de mannequins reconnaissables. Il mentionne aussi la possibilité d’A/B testing des images et des descriptions en lien avec les équipes e-commerce.
En batch à 300px avec Nova Pro, il en a coûté 3229 € pour traiter les 2 millions d’images. Plus précisément, 2125 € en entrée (2,31 milliards de tokens, dont 85 % représentant les pixels de l’image) et 1104 € en sortie (300 millions de tokens). Avec Claude Sonnet 4.5, la facture se serait élevée à environ 18 000 €.
À la demande et en pleine résolution (1200px), il aurait fallu compter 30 000 € avec Nova Pro et 160 000 € avec Claude Sonnet.
AWS a dévoilé S3 Files, un nouveau système de fichiers qui permet d’accéder aux buckets Amazon S3 comme à un espace de stockage fichier classique, sans déplacer les données hors de S3. La promesse est de combiner la durabilité et le coût du stockage objet avec l’interactivité d’un file system, un compromis que les équipes d’IA et de data engineering cherchent à réduire depuis des années.
Un pont entre objet et fichiers
Jusqu’ici, les architectures devaient souvent arbitrer entre stockage objet et stockage fichier, selon le type d’accès attendu. Avec S3 Files, AWS dit supprimer cette séparation en exposant les données S3 via une couche de fichiers partagée, accessible depuis n’importe quelle ressource de calcul AWS, qu’il s’agisse d’instances, de conteneurs ou de fonctions.
Le service maintient une vue des objets présents dans le bucket et traduit les opérations fichier en requêtes S3 optimisées. AWS affirme aussi que les données actives bénéficient d’un stockage à faible latence, avec des latences d’environ 1 ms pour les données fréquemment utilisées, tandis que les accès séquentiels lourds restent servis directement depuis S3 pour maximiser le débit.
Ciblé IA et data
Le positionnement de S3 Files vise d’abord les charges de travail interactives : agents IA collaborant sur des outils fondés sur des fichiers, préparation de jeux de données pour l’entraînement, ou encore applications existantes qui reposent déjà sur des bibliothèques et scripts manipulant des fichiers. AWS met en avant l’absence de migration préalable et la possibilité d’accéder aux mêmes données à la fois via l’interface fichier et via les API S3.
Dans le contexte actuel, ce lancement s’inscrit dans la stratégie d’AWS autour de l’IA et de la simplification des pipelines de données. Le CSP insiste sur le fait que les équipes n’auraient plus besoin de dupliquer les jeux de données entre objet et fichier, ce qui réduit la complexité de synchronisation et les silos de stockage.
Un service déjà prêt à l’échelle
AWS indique que S3 Files est désormais généralement disponible dans 34 régions. Le service supporte l’accès simultané par des milliers de ressources de calcul, avec des mécanismes de cohérence adaptés aux usages partagés, et s’intègre aux contrôles IAM, au chiffrement TLS 1.3 et aux options de chiffrement côté serveur d’AWS.
Sur le plan technique, AWS s’appuie sur Amazon EFS sous le capot pour fournir l’accès fichier, tout en conservant S3 comme système source de vérité. Cette approche permet à AWS de présenter S3 Files comme une brique hybride, pensée pour les entreprises qui veulent garder leurs données dans S3 sans renoncer aux outils qui attendent une hiérarchie de fichiers.
S3 Files n’apparaît pas comme un service à prix propre, mais comme une fonctionnalité de mise à disposition de S3 en mode système de fichiers, dont le coût suit la logique de tarification d’Amazon S3.
C’est la divulgation que les investisseurs et analystes attendaient depuis des années. Andy Jassy, le directeur général d’Amazon, a révélé ce jeudi que les services d’intelligence artificielle d’Amazon Web Services (AWS) généraient désormais un chiffre d’affaires annualisé supérieur à 15 milliards $, calculé sur la base des performances du premier trimestre. Une première pour un groupe qui, jusqu’ici, s’était gardé de chiffrer précisément cette activité pourtant au cœur de sa stratégie.
Ce montant représente environ 10 % du taux de revenus annualisé d’AWS, établi à 142 milliards $. Une part encore minoritaire, mais en progression rapide. « Les revenus de l’IA montent en flèche », affirme Andy Jassy, précisant que la division cloud croîtrait encore plus vite si elle n’était pas freinée par des contraintes de capacité, qui touche l’ensemble du secteur technologique.
200 milliards d’investissement
La lettre annuelle aux actionnaires dresse le portrait d’un groupe engagé dans une course à l’IA qu’il entend ne pas perdre. En février, Amazon avait annoncé un programme d’investissements de 200 milliards $ pour 2025, principalement fléché vers le développement de l’IA et des infrastructures associées.
Le CEO d’Amazon a voulu dissiper les doutes sur sa perspective de rentabilité. « Sur les dépenses d’investissement AWS que nous prévoyons d’engager en 2026, dont une grande partie sera monétisée en 2027-2028, nous avons déjà des engagements clients pour une part substantielle. » Un argument de poids pour rassurer les marchés.
Cette communication intervient alors que Reuters avait rapporté le mois dernier qu’Andy Jassy avait confié en interne que l’IA pourrait permettre à AWS d’atteindre 600 milliards $ de revenus annuels. Soit le double de son estimation précédente.
La puce maison, nouvel atout stratégique
Au-delà des services IA, Andy Jassy a mis en lumière l’essor fulgurant de l’activité de semi-conducteurs propriétaires d’Amazon. Le portefeuille de puces maison, qui comprend les processeurs Graviton, les puces IA Trainium et les cartes réseau Nitro, a doublé son taux de revenus annualisé pour dépasser les 20 milliards $, contre 10 milliards annoncés lors des résultats du quatrième trimestre.
Cette stratégie de désintermédiation vis-à-vis de Nvidia, dont les puces IA sont devenues incontournables mais onéreuses, suit une logique partagée par les grands acteurs du cloud. Google a ouvert la voie avec succès, en concluant en octobre dernier un accord pour fournir à Anthropic un million de ses puces d’intelligence artificielle, une transaction estimée à plusieurs dizaines de milliards de dollars.
Amazon pourrait aller plus loin encore. « Il y a une telle demande pour nos puces qu’il est tout à fait possible que nous vendions des racks entiers à des tiers à l’avenir », a indiqué Andy Jassy, ouvrant la perspective d’un nouveau marché à très grande échelle.
30 000 suppressions de postes
Cette offensive technologique a toutefois un coût humain. Parallèlement à ses investissements massifs dans l’IA, Amazon a supprimé environ 30 000 emplois ces derniers mois. Le groupe justifie ces coupes par la volonté de réduire la bureaucratie, de sortir d’activités peu rentables et de corriger les excès de recrutement opérés pendant la période Covid.
Lancé le 14 mars 2006, Amazon Simple Storage Service a transformé le stockage informatique en profondeur. En vingt ans, il est passé de brique interne d’Amazon à une colonne vertébrale du Cloud mondial, imposant ses API comme standard de facto et redessinant les modèles de coûts IT à l’échelle planétaire.
D’un besoin interne à une infrastructure planétaire
Tout commence par un besoin pragmatique : doter Amazon d’un stockage web-scale, simple, élastique et résilient pour ses propres applications e-commerce. Le service est ouvert aux développeurs externes dès son lancement, avec une promesse radicalement nouvelle : découpler le stockage de l’infrastructure matérielle, via une API simple et un modèle de facturation à l’usage. Une rupture nette avec les baies SAN/NAS en mode capex qui dominaient alors le marché.
Vingt ans plus tard, le résultat donne le vertige : S3 stocke plus de 500 000 milliards d’objets et traite jusqu’à 200 millions de requêtes par seconde. Une échelle impossible à reproduire économiquement pour la quasi-totalité des entreprises en interne. Cette masse critique a engendré un effet de plateforme puissant : de nombreux services ( data lakes, analytics, intelligence artificielle, sauvegarde, archivage ) se sont construits autour de S3, renforçant au fil du temps le verrouillage économique et technique au bénéfice d’AWS.
De 0,15 $/Go à la commodité : la guerre des prix en accéléré
En 2006, S3 est lancé à 0,15 dollar par Go et par mois pour le stockage, et 0,20 dollar par Go pour les transferts sortants. Un positionnement déjà agressif face aux infrastructures traditionnelles. Au fil des années, AWS orchestre une série de baisses de prix et de réorganisations par paliers, jusqu’à descendre autour de 0,023 dollar par Go/mois pour le stockage standard en us-east-1.
Ces réductions successives reflètent à la fois les économies d’échelle réalisées sur la supply chain matérielle et une stratégie délibérée de conquête et de défense de parts de marché face aux autres hyperscalers.
Résultat : le stockage objet s’est progressivement « commoditisé ». La différenciation ne se joue plus sur le seul coût brut au gigaoctet, mais sur la richesse de l’écosystème, les classes de stockage disponibles, les garanties de durabilité et les frais annexes. Notamment les coûts de requêtes et de sortie de données qui constituent aujourd’hui un sujet sensible pour les clients.
L’API S3, un standard de facto pour l’économie de la donnée
L’un des héritages les plus durables de S3 est sans doute la standardisation de ses interfaces de programmation. Les API S3 sont devenues le langage commun du stockage objet : la majorité des offres concurrentes, qu’elles soient on-premise ou issues d’autres fournisseurs cloud, revendiquent aujourd’hui explicitement une compatibilité avec ces API. En 2025, le stockage objet représentait environ 46 % du marché du cloud storage mondial, tiré par les usages data lake, bibliothèques média et sauvegarde.
S3 et Google Cloud Storage représentaient ensemble plus de 60 % du marché mondial du stockage objet en 2024, formant un duopole où l’API S3 sert de référence pour la portabilité. Ce statut confère à AWS un pouvoir considérable : la sémantique des opérations, les modèles de cohérence, la gestion du versioning et des politiques de cycle de vie définissent indirectement les architectures logicielles et donc les coûts de migration pour les entreprises qui souhaiteraient changer de fournisseur.
Un impact profond sur les DSI : du capex à l’opex, et ses nouvelles contraintes
Du point de vue des DSI, S3 a profondément reconfiguré la structure des dépenses de stockage. Le modèle capex ( achat de baies, sur-provisionnement, cycles de rafraîchissement ) a cédé la place à un opex à granularité fine, corrélé au volume réel utilisé.
Ce basculement améliore l’allocation du capital, mais expose les organisations à de nouveaux risques : facturation variable difficile à anticiper, coûts liés aux requêtes et au trafic sortant, et risque de » bill shock » en l’absence d’une gouvernance rigoureuse des données.
La multiplication des classes de stockage a par ailleurs transformé la gestion du stockage en une véritable problématique de data management. L’optimisation économique passe désormais par des politiques de cycle de vie sophistiquées, bien au-delà de la simple gestion de capacité.
Dans le même temps, la dépendance croissante à S3 comme « source de vérité » de nombreuses applications et data lakes renforce l’enjeu de portabilité et de souveraineté des données, expliquant en partie l’essor des solutions on-premise ou multi-cloud compatibles S3.
Au cœur de l’ère IA : S3 comme socle de la nouvelle économie des modèles
Vingt ans après son lancement, S3 occupe une position centrale dans l’économie de l’intelligence artificielle générative. Il constitue le socle de stockage pour les jeux de données d’entraînement, les feature stores, les logs d’inférence et les sorties de modèles.
À mesure que le volume de données non structurées explose sous l’effet de l’IA, le marché des logiciels compatibles S3 est évalué à plusieurs milliards de dollars en 2024, avec une croissance annuelle projetée supérieure à 15 % jusqu’en 2033. Un signal fort : l’écosystème économique autour de cette API dépasse largement AWS lui-même.
Connexion
