# Paysage des services IA d’AWS (niveau métier) Les services IA d’AWS dans le périmètre de l’AIB-C01 au niveau stratégique que l’examen évalue – Amazon Bedrock, Amazon SageMaker AI et Amazon Quick – un tableau de décision managé-vs-personnalisé-vs-assistant, une liste explicite hors périmètre, et une correspondance besoin-métier-vers-service. import { Tabs, TabItem } from '@prosefly/astro-components'; Voici la référence des services AWS que nomme l’examen [AWS Certified AI Business Strategist (AIB-C01)](/fr/aws/aib-c01/) — présentés au **niveau stratégique que l’examen évalue, et pas plus loin**. AWS indique clairement que l’examen **n’évalue pas la connaissance des services AWS** : on ne vous demandera jamais un parcours console, un appel d’API, une politique IAM ni un pattern d’architecture. Ce que l’on *attend* de vous, c’est de reconnaître quelle catégorie de service correspond à un besoin métier, d’en comprendre la forme commerciale et de savoir quelle question poser à votre équipe technique. Tout ce qui suit est vérifié par rapport aux publications d’AWS au **15 septembre 2026** ; les prix figurent en entier sur la [page Pricing & ROI](/fr/appendix/aws/pricing-and-roi/). Seuls trois services sont dans le périmètre : **Amazon Bedrock**, **Amazon SageMaker AI** et **Amazon Quick**. ## Amazon Bedrock — la plateforme managée de foundation models Bedrock est une **plateforme managée** pour les foundation models et les applications d’IA générative. L’enjeu stratégique est qu’elle vous donne les modèles de nombreux fournisseurs sur une seule plateforme, avec des outils de gouvernance et de RAG intégrés, et **aucune infrastructure à exploiter**. Vous choisissez un modèle et le consommez ; AWS l’exploite. ### Choix de modèles multi-fournisseurs Une plateforme, de nombreux fournisseurs de modèles — ce qui compte stratégiquement car cela évite le verrouillage sur un fournisseur unique et permet d’accorder un modèle à une tâche. Les fournisseurs disponibles incluent **Anthropic, Amazon (Nova, Titan), OpenAI (dont GPT-6 Astra et GPT-5.6 Sol/Terra/Luna), Meta, Mistral AI, Cohere, DeepSeek, Google (Gemma), NVIDIA, Qwen, xAI (Grok), Z AI (GLM), Writer, Stability AI, TwelveLabs, Luma AI, MiniMax, Moonshot AI, AI21 Labs**, plus **Custom Model Import** pour apporter le vôtre. :::tip[Signal d’examen] « Éviter le verrouillage », « comparer des modèles de différents fournisseurs », « une seule plateforme » → la conception multi-fournisseurs de Bedrock. La valeur pour le stratège est *l’optionalité*, pas un modèle particulier. ::: ### Niveaux de service et formes de tarification de l’inférence Bedrock propose plusieurs façons de consommer le même modèle, arbitrant entre prix, garanties de latence et engagement. Les relations entre eux peuvent être testées à l’examen ; les prix exacts par token sont propres au modèle et ne le sont pas. | Niveau / mode | Relation de prix | Quand il convient | | --- | --- | --- | | **Standard** (on-demand) | La référence | Trafic variable et imprévisible ; sans engagement | | **Flex** | **50 % de remise** sur Standard | Travail tolérant à la latence, qui peut attendre un peu | | **Priority** | **75 % de surcoût** sur Standard | Trafic sensible à la latence et à forte valeur | | **Reserved** | Engagement pour un tarif plus bas | Volume régulier et prévisible | | **Batch inference** | **50 % sous l’on-demand** (modèles sélectionnés) | Tâches hors ligne, en masse, où la latence n’importe pas | | **Provisioned Throughput** | Acheté en **model units** ; prix sans engagement, 1 mois ou 6 mois | Débit élevé et régulier nécessitant une capacité garantie | ```text cost per request high │ Priority (+75% vs Standard, latency guaranteed) │ Standard (baseline, on-demand) │ Flex (−50% vs Standard, latency-tolerant) low │ Batch (−50% vs on-demand, offline only) └────────────────────────────────────────────▶ latency tolerance rises Provisioned Throughput sits apart: buy capacity in model units, commit 1 or 6 months for a lower rate — a fixed cost that only pays off at high, steady utilisation ``` **Provisioned Throughput** est le levier classique du *engagement contre remise* : vous achetez de la capacité en **model units** et vous engagez pour 1 ou 6 mois (ou prenez un tarif sans engagement). Il abaisse le coût unitaire à volume élevé et régulier, mais devient un lourd coût fixe si l’utilisation est faible — un stratège surveille l’hypothèse d’utilisation derrière tout engagement. ### Capacités de Bedrock qui apparaissent dans les questions de stratégie | Capacité | Ce que c’est, stratégiquement | | --- | --- | | **Guardrails** | Garde-fous configurables utilisables avec n’importe quel modèle Bedrock (ou auto-hébergé) : filtres de contenu, sujets interdits, filtres d’informations sensibles (masquage des PII), filtres de mots, **contextual grounding checks** (détection d’hallucination par rapport à une source) et **Automated Reasoning checks**. AWS indique qu’il bloque jusqu’à **88 % du contenu nuisible**. | | **Managed Knowledge Bases** | **RAG sans infrastructure** — indexez vos données et ancrez-y les réponses, avec parsing, embeddings et re-ranking managés. La réponse stratégique quand un énoncé dit « ancrer les réponses dans nos propres documents » et « nous ne voulons pas construire de pipeline ». | | **Model Evaluation** | Comparez des modèles sur vos données avant de vous engager — scores algorithmiques, évaluation humaine et LLM-as-a-judge / évaluation RAG. La réponse disciplinée à « quel modèle devrions-nous utiliser ? » | | **Intelligent Prompt Routing** | Route au sein d’une famille de modèles selon la complexité du prompt ; AWS indique qu’il peut réduire le coût **jusqu’à 30 %** sans compromettre la précision. | | **Prompt Optimization** | Réécrit les prompts pour de meilleurs résultats. | | **Bedrock Data Automation** | Transforme un contenu multimodal non structuré (documents, audio, vidéo, images) en données structurées. La réponse à « extraire des données structurées d’un tas de documents ». | | Filtre | Ce qu’il empêche | | --- | --- | | Content filters | Catégories nuisibles (haine, violence, etc.) | | Denied topics | Sujets que vous définissez comme hors limites | | Sensitive-information filters | Fuite ou exposition de PII (masquage) | | Word filters | Mots et expressions spécifiques | | Contextual grounding checks | Hallucinations — vérifie la réponse par rapport à une source | | Automated Reasoning checks | Affirmations logiquement infondées, vérifiées par rapport à une politique | RAG managé : pointez-le vers vos données, et les réponses sont ancrées dans ces données avec citations — aucune base vectorielle à exploiter, aucun pipeline d’embeddings à construire. Parsing, embeddings et re-ranking sont managés et inclus. C’est la réponse « ancré sur notre propre contenu, sans projet de développement ». ## Amazon SageMaker AI — machine learning personnalisé SageMaker AI est le service pour **construire, entraîner et déployer du ML personnalisé** — l’extrémité opposée du spectre par rapport aux modèles managés de Bedrock. Stratégiquement, les deux faits qui comptent sont son **économie** et ses **outils de gouvernance**. - **Économie à l’instance.** Vous payez le compute *tant qu’il tourne*, donc un endpoint inactif brûle de l’argent. Un stratège qui évalue une proposition fondée sur SageMaker s’enquiert de l’utilisation et de la mise à l’arrêt des endpoints quand ils ne servent pas. - **Outils de gouvernance qui comptent dans une revue** — les outils que votre conversation risque et conformité référencera : | Outil | Ce qu’il apporte à une conversation de gouvernance | | --- | --- | | **SageMaker Clarify** | Détection de biais lors de la préparation des données, après l’entraînement et dans le modèle déployé, plus l’explicabilité | | **Model Monitor** | Détecte et alerte sur les prédictions inexactes des modèles déployés — votre récit de détection de dérive | | **Ground Truth** | Retour humain et labellisation des données | | **ML Governance** | Model cards, registre de modèles et dashboards — la piste d’audit | :::tip[Signal d’examen] « Modèle personnalisé sur nos propres données et algorithmes », « nous avons besoin d’un contrôle total du modèle », « détecter le biais dans notre modèle entraîné », « explicabilité pour un modèle que nous avons construit » → SageMaker AI. Si l’énoncé dit aussi « nous ne voulons pas gérer d’infrastructure » ou « utiliser un foundation model éprouvé », il a basculé vers Bedrock. ::: ## Amazon Quick — l’assistant métier propulsé par l’IA Amazon Quick est un **assistant métier et une surface de BI propulsés par l’IA** au-dessus de vos données métier : recherche, insights métier, automatisation et création d’applications no-code. Commercialement il suit un modèle **par siège** (par utilisateur). L’enjeu stratégique est qu’il met l’IA *devant les utilisateurs métier* — pas de projet de développement, pas d’équipe data-science — c’est donc la réponse quand un énoncé décrit du personnel non technique ayant besoin d’insights ou d’une application légère au-dessus de données existantes. ```text build effort ▲ high │ SageMaker AI build a custom model (data-science team) │ Bedrock assemble on a managed platform (dev team) low │ Amazon Quick business users self-serve (no build) └──────────────────────────────────────────────▶ how technical is the user? ``` ## Plateforme managée vs ML personnalisé vs assistant métier | Dimension | **Amazon Bedrock** (plateforme managée) | **Amazon SageMaker AI** (ML personnalisé) | **Amazon Quick** (assistant métier) | | --- | --- | --- | --- | | Ce que vous obtenez | Foundation models + outillage GenAI, managé | Une boîte à outils pour construire/entraîner/déployer votre propre modèle | Un assistant IA + de la BI sur vos données | | Qui l’utilise | Développeurs assemblant des applications | Data scientists et ingénieurs ML | Utilisateurs métier | | Effort de construction | Faible — aucun modèle à entraîner, aucune infra | Élevé — vous construisez et détenez le modèle | Aucun — libre-service | | Forme de tarification | Consommation (par token/requête) + options d’engagement | À l’instance (paiement à l’heure de compute) | Par siège (par utilisateur) | | Le choisir quand | Vous voulez un modèle éprouvé rapidement, sans infra, avec choix de fournisseur, guardrails/RAG intégrés | Vous avez besoin d’un modèle sur mesure sur vos propres données/algorithmes et d’un contrôle total | Du personnel non technique a besoin d’insights ou d’une application légère au-dessus de données existantes | | Le risque à surveiller | Coût de consommation croissant avec l’usage | Endpoints inactifs qui brûlent de l’argent | Coût des sièges découplé de la valeur réellement délivrée | Lecture pratique : « Un détaillant veut répondre aux questions clients ancrées dans ses propres manuels produit, lancé en quelques semaines, sans équipe ML. » C’est **Bedrock avec Managed Knowledge Bases** — RAG managé, rapide, sans infrastructure. Changez l’énoncé en « une équipe fraude a besoin d’un modèle entraîné sur les propres schémas de transaction de la banque avec une détection de biais qu’elle contrôle » et la réponse bascule vers **SageMaker AI**. Changez-le en « l’équipe finance veut interroger les chiffres du trimestre dernier sans attendre les analystes » et c’est **Amazon Quick**. ## Ce qui est hors périmètre pour cet examen L’examen n’évalue pas la connaissance des services AWS. Voici les **tâches métier et profondeurs de service dont vous n’avez PAS besoin** — et un énoncé qui en exige un teste un distracteur, pas la certification : - Développer, coder, entraîner ou fine-tuner des modèles ; sélectionner ou régler des algorithmes. - Ingénierie de données ou de features ; prétraitement, nettoyage, labellisation ou annotation des données. - Réglage d’hyperparamètres ou optimisation de modèle ; analyse mathématique ou statistique de modèle. - Construire ou déployer des pipelines ou de l’infrastructure ; gérer les opérations techniques de production (supervision d’infrastructure, débogage de pipeline, résolution de problèmes de performance de modèle). - Mettre en œuvre des protocoles de sécurité ou de conformité ; configurer ou administrer des services AWS. - Tout service AWS **autre que** Bedrock, SageMaker AI et Amazon Quick (plus le CAF, le modèle de responsabilité partagée et les outils de pricing/coût en tant que sujets de stratégie). - Navigation console, appels d’API, syntaxe de politique IAM, ou patterns d’architecture pour un service quelconque. :::note[Le signe d’un distracteur hors périmètre] Si une option vous demanderait de *faire* le travail technique — « configurer l’endpoint », « écrire la politique IAM », « régler les hyperparamètres », « construire le pipeline de données » — elle décrit le travail de l’équipe technique, pas celui du stratège. Le travail du stratège est de décider *si* et *quoi*, et de poser la bonne question à l’équipe technique. Les options qui vous entraînent dans la mise en œuvre sont généralement fausses pour cette seule raison. ::: ## Besoin métier → service dans le périmètre → la question à poser à votre équipe technique | Le besoin métier | Service dans le périmètre | La question qu’un stratège devrait poser | | --- | --- | --- | | Répondre aux questions ancrées dans nos propres documents, sans pipeline à construire | Bedrock + **Managed Knowledge Bases** | « Quelle précision obtenons-nous sur nos vraies questions, et comment détectons-nous sa dérive ? » | | Comparer plusieurs modèles avant de s’engager | Bedrock **Model Evaluation** | « Sur nos propres données, quel modèle l’emporte sur la qualité *et* le coût, pas seulement sur un benchmark ? » | | Extraire des données structurées de documents non structurés | Bedrock **Data Automation** | « Quelle est la précision d’extraction sur nos documents les plus désordonnés, et quel est le coût par page à notre volume ? » | | Bloquer les sorties nuisibles ou hors politique ; masquer les PII | Bedrock **Guardrails** | « De quels filtres avons-nous besoin, et que nous coûte un cas bloqué ou manqué ? » | | Réduire le coût d’inférence sur un trafic de difficulté mixte | Bedrock **Intelligent Prompt Routing** | « Quelle part de trafic peut router sans risque vers un modèle moins cher sans nuire à la qualité ? » | | Un modèle sur mesure sur nos propres données et algorithmes | **SageMaker AI** | « Quelle est l’utilisation des endpoints, et comment détectons-nous le biais et la dérive ? » | | Des utilisateurs métier ont besoin d’insights ou d’une application légère au-dessus de nos données | **Amazon Quick** | « Quels utilisateurs ont réellement besoin de sièges, et comment mesurons-nous la valeur que chaque siège délivre ? » | | Décider s’il faut construire, acheter ou s’associer | **AWS Marketplace** pour les options acheter/s’associer ; les catégories de services ci-dessus pour construire | « Que nous coûte de *ne pas* construire en optionalité et contrôle, et que nous coûte de construire en temps et compétences ? » | ## Points clés - Seuls **trois** services sont dans le périmètre : **Amazon Bedrock** (plateforme managée de foundation models), **Amazon SageMaker AI** (ML personnalisé) et **Amazon Quick** (assistant métier propulsé par l’IA / BI). - **Bedrock** = de nombreux fournisseurs sur une seule plateforme, sans infrastructure, avec **Guardrails**, **Managed Knowledge Bases** (RAG sans infrastructure), **Model Evaluation**, **Intelligent Prompt Routing**, **Prompt Optimization** et **Data Automation**. Niveaux : Standard, Flex (−50 %), Priority (+75 %), Reserved ; batch −50 % ; Provisioned Throughput en model units sur engagements de 1 ou 6 mois. - **SageMaker AI** = construire votre propre modèle ; coût à l’instance (les endpoints inactifs brûlent de l’argent) ; outils de gouvernance — **Clarify** (biais/explicabilité), **Model Monitor** (dérive), **Ground Truth** (labellisation), **ML Governance** (model cards, registre). - **Amazon Quick** = assistant par siège qui met l’IA devant les utilisateurs métier sans projet de développement. - L’examen **ne teste pas la connaissance des services** : pas de console, API, IAM ni architecture, et aucun service au-delà de ces trois. Une option qui exige un travail de mise en œuvre est généralement le distracteur. - Le travail du stratège est d’accorder un besoin à une *catégorie* de service et de poser la bonne question à l’équipe technique — pas de configurer quoi que ce soit.