Paysage des services IA d’AWS (niveau métier)

Voici la référence des services AWS que nomme l’examen AWS Certified AI Business Strategist (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.

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.

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

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

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

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.

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.

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.