Course à l'IA entre Amazon et Google : AWS veut la plateforme, pas seulement le meilleur modèle

Amazon modifie sa stratégie de modèles d'IA alors même qu'AWS a enregistré sa plus forte croissance en 18 trimestres. Le conflit au cœur de la rivalité entre Amazon et Google devient plus clair.

Google veut faire de Gemini un modèle de référence, un assistant grand public et l'intelligence intégrée à ses produits. Amazon veut que ses clients exécutent presque tous les modèles importants via AWS.

Cette distinction compte davantage qu'une victoire supplémentaire dans les benchmarks. Amazon n'a pas besoin que Nova surpasse tous les modèles de Google, OpenAI ou Anthropic. L'entreprise doit faire en sorte que Bedrock, Trainium et l'infrastructure AWS captent la demande, quel que soit le modèle qui l'emporte.

La stratégie n'est pas sans risque. Amazon aurait commencé à mettre fin à plusieurs projets Nova en juillet tout en regroupant ses chercheurs autour d'une nouvelle initiative de modèle de frontière. Cette restructuration laisse penser que son portefeuille initial de modèles n'a pas généré suffisamment d'élan.

Les derniers résultats d'Amazon montrent néanmoins pourquoi l'entreprise peut se permettre une définition différente de la victoire. Les ventes d'AWS ont augmenté de 37 % au deuxième trimestre, selon les résultats trimestriels. Amazon a également indiqué que ses activités d'IA et de puces avaient chacune dépassé un important rythme de revenus annualisé.

Google avance l'argument contraire le plus solide. L'entreprise possède une famille de modèles respectée, des puces personnalisées, une activité cloud en croissance, la distribution de Search et un produit d'IA grand public à la portée considérable.

La compétition entre Amazon et Google dépasse donc Nova face à Gemini. Elle oppose le contrôle de l'intelligence au contrôle de l'infrastructure, de la distribution et de la relation avec les entreprises autour de cette intelligence.

Amazon resserre son pari sur les modèles tandis qu'AWS accélère

Le repli signalé d'Amazon sur Nova se comprend mieux comme une concentration des ressources que comme un retrait de l'intelligence artificielle.

Reuters a rapporté le 28 juillet qu'Amazon mettait fin à plusieurs modèles développés en interne et concentrait ses ressources sur un nouveau programme de modèle de frontière. Le média citait des personnes au fait d'une réorganisation interne.

Amazon avait présenté Nova comme une vaste famille plutôt que comme un seul chatbot. Son portefeuille couvrait le texte, les images, la vidéo, la parole, le raisonnement et la personnalisation de modèles.

Cette diversité offrait à AWS un modèle pour de nombreuses charges de travail. Elle obligeait aussi Amazon à soutenir plusieurs axes de recherche coûteux, tandis que ses concurrents concentraient leur attention sur un nombre plus limité de marques phares.

La réorganisation signalée vise ce problème. Amazon concentre ses ingénieurs et ses capacités de calcul sur une initiative de modèle de frontière plus restreinte, qui serait dirigée par le chercheur en robotique Pieter Abbeel.

Amazon n'a pas détaillé publiquement tous les modèles ou équipes concernés. L'entreprise n'a pas non plus publié de calendrier complet de retrait pour le portefeuille Nova.

Cette distinction est importante. Une réduction interne signalée ne signifie pas que chaque endpoint Nova existant disparaîtra immédiatement de Bedrock.

AWS publie des informations sur le cycle de vie des modèles afin que les clients puissent planifier leurs migrations. Les utilisateurs en entreprise devraient suivre ces avis, plutôt que de supposer qu'une réorganisation de la recherche équivaut à un arrêt instantané du service.

Le calendrier crée une contradiction apparente. Amazon réduit certaines parties de son activité de modèles tout en investissant davantage dans l'infrastructure d'IA et en affichant une croissance cloud plus forte.

Cette contradiction disparaît lorsque l'on distingue les incitations d'Amazon.

Un modèle propriétaire doit attirer les développeurs par ses propres qualités. Il lui faut de solides évaluations, un comportement fiable, des coûts d'exploitation compétitifs, des mises à jour rapides et une notoriété suffisante pour influencer les décisions d'achat.

Une plateforme cloud dispose d'un chemin plus large vers les revenus. Elle peut vendre de la capacité de calcul, du stockage, des bases de données, de la sécurité, du réseau, l'accès aux modèles, une infrastructure pour agents et des outils de déploiement.

AWS peut générer des revenus d'usage lorsqu'un client choisit un modèle Amazon. Elle peut aussi en bénéficier lorsque ce client sélectionne Claude, un modèle OpenAI ou un autre système pris en charge.

C'est la position plus précieuse qu'Amazon semble chercher à occuper. L'objectif n'est pas d'abandonner la recherche sur les modèles. Il est de rendre AWS utile même lorsqu'un laboratoire externe produit le modèle préféré.

Bedrock prend désormais en charge plus de 100 modèles de fondation, c'est-à-dire des systèmes adaptables entraînés sur de vastes ensembles de données. AWS affirme que le service est utilisé par plus de 100 000 organisations.

Ces chiffres proviennent de l'entreprise, mais ils montrent comment Amazon présente son avantage. Le catalogue et sa couche opérationnelle comptent davantage qu'une seule position dans un classement.

L'expérience Bedrock repensée rend cette intention plus explicite. Les développeurs peuvent utiliser des interfaces compatibles avec les bibliothèques logicielles populaires d'OpenAI et Anthropic.

La compatibilité réduit le travail nécessaire pour changer de modèle. Une équipe peut évaluer un autre modèle sans reconstruire chaque composant de l'application environnante.

Amazon a ajouté des modèles OpenAI à Bedrock en 2026, aux côtés d'offres d'Anthropic, Meta, Mistral, Cohere et Amazon. L'intégration Bedrock comprend des contrôles unifiés de sécurité, de gouvernance et de coûts.

Cela marque le premier grand renversement dans le récit d'Amazon. Prendre en charge un modèle concurrent de Nova peut tout de même renforcer AWS.

La plateforme devient plus utile à mesure que sa concurrence interne s'intensifie. Amazon peut perdre une évaluation de modèle individuelle tout en gagnant la charge de travail cloud qui en résulte.

Cela ne prouve pas que sa stratégie réussira. Cela montre qu'Amazon a conçu une activité où le leadership des modèles n'est qu'une voie parmi d'autres vers la création de valeur.

Pourquoi la comparaison entre Amazon et Google compte désormais

Google met Amazon sous pression parce qu'il réunit la qualité des modèles, l'infrastructure cloud, le silicium personnalisé, la distribution grand public et les données propriétaires au sein d'une même entreprise.

De nombreuses comparaisons en IA placent Amazon aux côtés d'OpenAI ou d'Anthropic. Elles sont utiles pour évaluer les performances des modèles, mais elles passent à côté du conflit commercial plus profond.

Google est l'adversaire stratégique le plus complet. Google Cloud concurrence directement AWS, tandis que Gemini rivalise avec les modèles d'Amazon et les systèmes tiers proposés via Bedrock.

Google peut distribuer Gemini via Search, Workspace, Android, Cloud et son application grand public. Chaque surface représente une occasion supplémentaire d'attirer des utilisateurs ou de vendre de la capacité de calcul.

Alphabet a indiqué que le chiffre d'affaires de Google Cloud avait progressé de 82 % sur un an au deuxième trimestre 2026. L'entreprise a également déclaré que les API de ses modèles propriétaires traitaient environ 22 milliards de tokens par minute.

Un token est une petite unité de texte ou d'autre entrée de modèle. Le volume de tokens offre une indication approximative de l'intensité d'utilisation des systèmes d'IA par les développeurs et les produits.

L'application Gemini a atteint 950 millions d'utilisateurs actifs mensuels, selon le résumé des résultats de Google. Cette distribution donne à Google ce qui manque à Amazon : une destination d'IA grand public largement reconnue.

Google peut améliorer Gemini, le présenter à ses utilisateurs existants et vendre les capacités sous-jacentes via Google Cloud. L'entreprise peut aussi utiliser le modèle dans la publicité, la recherche, la productivité et les produits destinés aux développeurs.

Amazon dispose de solides surfaces grand public, notamment Alexa et sa plateforme d'achat. Toutefois, Nova n'est pas devenue une marque grand public comparable à Gemini ou ChatGPT.

La force d'Amazon se situe ailleurs. AWS gère déjà des bases de données, des applications, des identités, des politiques de sécurité et des environnements de calcul pour une vaste base d'entreprises.

Cette relation établie compte, car les systèmes d'IA en production exigent plus que l'accès à un modèle. Ils nécessitent des autorisations, une surveillance, la récupération de données, des traces d'audit, des contrôles réseau et des opérations prévisibles.

Un modèle peut générer une réponse utile lors d'une démonstration. Un service de production doit générer à répétition des réponses acceptables tout en respectant les règles de l'organisation.

C'est dans cet écart entre démonstration et exploitation qu'Amazon veut capter de la valeur.

Bedrock permet aux clients de comparer des modèles sans déplacer toute l'application vers un autre cloud. AgentCore et les services AWS associés ciblent la couche d'exécution des agents d'IA.

Un agent d'IA est un logiciel qui utilise un modèle pour planifier et effectuer des actions à travers des outils. Le modèle fournit le raisonnement, mais les systèmes environnants contrôlent l'identité, la mémoire, les autorisations et l'exécution.

Ces systèmes environnants peuvent devenir plus difficiles à remplacer que le modèle. Les modèles évoluent rapidement, tandis que l'architecture des données d'entreprise et les contrôles de sécurité évoluent lentement.

C'est pourquoi l'argumentaire neutre d'Amazon vis-à-vis des modèles est séduisant. Les acheteurs en entreprise ne savent pas quelle famille de modèles dominera chaque charge de travail l'année prochaine.

Une équipe peut préférer Claude pour un flux de travail de programmation. Une autre pourrait choisir un système OpenAI pour l'utilisation d'outils, Nova pour l'analyse de médias, ou un modèle plus petit pour une classification de routine.

Amazon veut que chaque choix génère de la demande pour la même couche d'infrastructure.

Google propose un choix de modèles via Vertex AI, Amazon ne détient donc pas l'exclusivité de ce concept. Microsoft exploite également un catalogue multi-modèles dans le cadre de son activité cloud pour entreprises.

La différence tient à l'accent mis sur chaque approche. Google peut faire de Gemini le choix par défaut dans un réseau de produits exceptionnellement vaste. Amazon présente Bedrock comme un environnement contrôlé où le client choisit.

Cela met les deux entreprises sous pression.

Amazon doit prouver que la neutralité offre plus de valeur que la possession du modèle préféré et de sa distribution. Google doit prouver que sa pile intégrée ne limite pas le choix des clients ni ne crée une dépendance indésirable.

La rivalité entre Amazon et Google n'est donc pas un simple concours de modèles. Elle pose la question de savoir si les entreprises privilégieront un service public de modèles étendu ou une plateforme d'intelligence intégrée.

La couche précieuse est tout ce qui entoure le modèle

Le pari central d'Amazon est que l'intelligence des modèles deviendra plus interchangeable, tandis que l'accès gouverné aux ressources de calcul et aux données d'entreprise restera rare.

Le modèle attire l'attention parce que les utilisateurs peuvent voir ses résultats. L'infrastructure demeure largement invisible jusqu'à ce qu'une application devienne coûteuse, peu fiable ou difficile à gouverner.

Les charges de travail en production révèlent rapidement ces exigences cachées.

Prenons une entreprise qui crée un assistant pour ses représentants du service client. Cet assistant doit récupérer les informations approuvées sur les comptes, respecter les autorisations des employés, citer les politiques en vigueur et éviter d'exposer les données d'un autre client.

Choisir un modèle performant ne résout qu'une partie du problème. L'entreprise a toujours besoin de connexions de données, de vérifications d'identité, d'observabilité, d'évaluation et d'un processus d'escalade.

Changer de modèle peut nécessiter de modifier un appel d'API et de tester les nouveaux résultats. Déplacer chaque base de données, autorisation, journal et flux de travail peut demander bien davantage d'efforts.

Amazon veut qu'AWS possède ce contexte opérationnel durable.

Ses puces Trainium personnalisées servent la même stratégie. L'entraînement et l'exécution de modèles consomment d'importantes capacités de calcul, ce qui rend la disponibilité et l'efficacité du matériel commercialement importantes.

Project Rainier, le grand cluster AWS utilisé par Anthropic, contient plus de 500 000 puces Trainium2, selon les résultats de l'entreprise d'Amazon. La quasi-totalité de l'approvisionnement en Trainium3 devait être engagée d'ici la mi-2026.

Ces affirmations indiquent une forte demande, même si les informations publiées par l'entreprise ne révèlent pas entièrement la répartition des charges de travail ni la concentration des clients.

Anthropic offre un exemple concret de l'avantage d'Amazon, mais aussi de ses limites, en matière de neutralité des modèles.

Claude n'est pas un modèle Amazon. Pourtant, Amazon peut en bénéficier lorsque Claude fonctionne sur des puces AWS, apparaît dans Bedrock et génère de la demande pour des services de soutien.

Anthropic a déclaré en avril que son accord élargi avec Amazon couvrait jusqu’à cinq gigawatts de capacité informatique supplémentaire. L’entreprise a également indiqué que plus de 100 000 clients exécutent Claude via Bedrock.

Un gigawatt mesure la puissance électrique, et non les performances d’un modèle. Ce chiffre illustre l’ampleur de l’infrastructure nécessaire pour entraîner et exploiter des systèmes très utilisés.

L’accord sur la capacité informatique maintient également Claude disponible sur AWS, Google Cloud et Microsoft Azure. Anthropic bénéficie donc de plusieurs canaux cloud au lieu de dépendre entièrement d’Amazon.

Cet arrangement illustre le compromis propre aux plateformes.

Amazon gagne des charges de travail sans contrôler le modèle. Anthropic gagne en distribution sans accorder d’exclusivité à Amazon.

Les clients gagnent en flexibilité, mais ils peuvent toujours devenir dépendants de l’orchestration, de la sécurité et des services de données propres à Bedrock. Le choix du modèle n’élimine pas automatiquement l’enfermement dans une plateforme.

La relation d’Amazon avec OpenAI prolonge cette même logique. AWS peut héberger deux grandes familles de modèles externes qui se concurrencent entre elles et avec Nova.

Un détaillant parlerait d’espace en rayon. Un fournisseur cloud parle d’accès géré aux modèles.

La valeur stratégique vient de l’agrégation de la demande. Amazon n’a pas besoin de prédire chaque modèle gagnant si les clients testent ces modèles au sein de Bedrock.

Le routage des modèles renforce encore cette logique. Un logiciel de routage sélectionne un modèle pour chaque requête selon des facteurs tels que la qualité, la latence, la disponibilité ou le coût.

Une requête de programmation complexe peut être dirigée vers un modèle de pointe. Une tâche de classification élémentaire peut être confiée à un système plus petit qui consomme moins de ressources.

À mesure que le routage s’améliore, la marque du modèle peut devenir moins visible pour l’utilisateur final. La plateforme cloud gagne en influence parce qu’elle contrôle la sélection, la supervision et la facturation.

Amazon n’a pas établi que cette issue est inévitable. Certains développeurs préfèrent les API directes des fournisseurs, car ils reçoivent les nouvelles fonctionnalités plus tôt.

Les fournisseurs peuvent aussi réserver des capacités importantes à leurs propres plateformes. Un catalogue cloud peut recevoir un modèle plus tardivement ou offrir moins de contrôles.

Néanmoins, Amazon est bien positionné dans un monde où les entreprises utilisent plusieurs modèles. Plus le marché des modèles se fragmente, plus l’agrégation devient utile.

Google bénéficie également de cette fragmentation via Vertex AI. Toutefois, Google a aussi davantage intérêt à faire de Gemini l’intelligence par défaut dans l’ensemble de ses produits.

Cette différence façonne la thèse d’investissement de chaque entreprise.

Google cherche à créer de la valeur par l’intégration verticale, c’est-à-dire en contrôlant plusieurs couches connectées, des puces aux produits grand public. Amazon cherche à créer de la valeur par l’orchestration au sein d’une base de fournisseurs plus diversifiée.

Amazon continue de développer des modèles parce que la neutralité de plateforme ne peut pas signifier une dépendance technique. Nova donne à AWS un levier de négociation, une expertise interne, des produits différenciés et une solution de repli lorsque les conditions externes évoluent.

La restructuration rapportée de Nova n’efface donc pas la stratégie de modèles propriétaires. Elle resserre le portefeuille autour des domaines où la propriété pourrait créer un avantage significatif.

Un nouveau modèle Amazon de pointe performant renforcerait Bedrock. Un modèle décevant serait moins préjudiciable si la demande pour les modèles tiers continuait de croître.

Cette issue asymétrique est au cœur de l’approche d’Amazon.

L’avantage de plateforme d’Amazon présente de réelles faiblesses

Un vaste catalogue ne devient précieux que si les clients obtiennent des modèles récents, des fonctionnalités cohérentes, des migrations fiables et une liberté crédible de partir.

La critique la plus forte de la stratégie d’Amazon commence par le calendrier. Les développeurs de modèles publient souvent leurs fonctionnalités les plus récentes d’abord via leurs services directs.

Un client Bedrock peut donc se retrouver face à un choix difficile. L’équipe peut conserver la gouvernance AWS et attendre, ou passer à un fournisseur direct pour obtenir un accès immédiat.

Ce délai compte dans le développement de produits concurrentiels. Une nouvelle capacité de raisonnement ou un modèle à plus faible latence peut influencer la qualité des applications et leur économie opérationnelle.

L’étendue des modèles peut aussi devenir superficielle. Un catalogue contenant de nombreux systèmes plus anciens n’équivaut pas à un catalogue proposant les choix actuels les plus pertinents.

La documentation AWS fournit des dates de cycle de vie, mais les clients doivent tout de même gérer le travail de migration lorsqu’un modèle est retiré. Le comportement des prompts, le format de sortie, les règles de sécurité et l’appel d’outils peuvent différer d’un modèle de remplacement à l’autre.

Une API cohérente réduit les frictions d’intégration. Elle ne rend pas différents modèles identiques dans leur comportement.

L’abandon progressif rapporté de Nova accentue cette inquiétude. Les organisations utilisant des modèles Amazon concernés ont besoin de calendriers clairs et de parcours de migration pris en charge.

Amazon n’a pas fourni publiquement suffisamment de détails pour déterminer les conséquences pour chaque charge de travail Nova. Les reportages devraient donc distinguer les avis de cycle de vie confirmés des informations sur la stratégie interne.

Un autre risque vient de la concentration.

Amazon présente Bedrock comme une plateforme multimodèle, mais ses relations les plus étroites se concentrent de plus en plus sur plusieurs grands fournisseurs basés aux États-Unis. Les accords commerciaux peuvent influencer les systèmes qui arrivent en premier et bénéficient de la meilleure intégration.

Cela ne rend pas Bedrock fermé. Cela signifie que sa neutralité doit être évaluée à l’aune de la disponibilité des produits, et non du langage marketing.

Les clients devraient comparer le calendrier des sorties, la disponibilité régionale, la prise en charge de la personnalisation, les contrôles de sécurité et l’accès aux fonctionnalités propres aux fournisseurs.

Google peut exploiter toute faiblesse sur ce point. Si Gemini reste compétitif et que Google Cloud offre une intégration étroite, les acheteurs pourraient préférer une pile cohérente à un catalogue au support inégal.

La dynamique de Google au deuxième trimestre donne du poids à cet argument. La croissance de son activité cloud a atteint 82 %, tandis que l’utilisation de Gemini s’est étendue aux canaux grand public et développeurs.

La croissance de 37 % d’AWS a également été substantielle. Ces chiffres montrent que les deux stratégies d’infrastructure attirent de la demande plutôt que de désigner un vainqueur clair.

L’intensité capitalistique crée une autre incertitude.

Les centres de données IA, les puces et la capacité électrique nécessitent des engagements avant que toute la demande future ne soit visible. Amazon a relevé ses dépenses technologiques prévues après ses derniers résultats.

Ces dépenses couvrent également des projets en dehors de l’IA générative, notamment la robotique et les satellites. Elles ne doivent pas être considérées comme une mesure pure de l’investissement dans les modèles.

La question importante est de savoir si l’utilisation augmente assez rapidement pour justifier ces actifs. Une capacité inutilisée peut peser sur les rendements, tandis qu’une capacité contrainte peut envoyer les clients ailleurs.

Amazon affirme que la demande reste forte. Ses activités liées à l’IA et aux puces ont atteint des rythmes de revenus annualisés significatifs, et la croissance d’AWS s’est accélérée pendant plusieurs trimestres consécutifs.

Ces chiffres de l’entreprise soutiennent la thèse de l’infrastructure. Ils n’établissent pas quel bénéfice supplémentaire chaque charge de travail IA produit après amortissement et coûts énergétiques.

La même inquiétude s’applique à Google. Une croissance rapide du cloud ne supprime pas le coût de l’expansion des centres de données et du déploiement de puces personnalisées.

L’adoption par les entreprises présente un défi différent.

Les entreprises testent souvent plusieurs modèles sans faire passer les expérimentations réussies à une production à grande échelle. Les examens de sécurité, des sorties peu fiables, la qualité des données et des retours métier incertains peuvent bloquer le déploiement.

Bedrock acquiert davantage de valeur stratégique lorsque les clients dépassent le stade des expérimentations. Le volume de tokens à lui seul ne peut pas montrer si les applications créent une valeur client durable.

Les acheteurs devraient examiner les preuves au niveau des charges de travail. Les indicateurs utiles comprennent le nombre d’employés utilisant une application, les tâches réalisées, les taux d’erreur, le temps de révision et les charges de travail de production conservées.

Les travailleurs du savoir ont également besoin de continuité lorsque les modèles changent. Les notes, les documents sources et les décisions doivent rester accessibles en dehors de tout assistant unique.

Une base de connaissances IA personnelle peut préserver ce contexte, bien que les systèmes d’entreprise exigent une gouvernance plus large. Le principe reste le même : conserver les connaissances durables séparément d’une couche de modèles évolutive.

La réglementation ajoute une autre contrainte. Les entreprises opérant dans plusieurs juridictions ont besoin de contrôles relatifs à la localisation, à la conservation et à l’accès aux données, ainsi qu’à l’évaluation des modèles.

Les plateformes cloud peuvent simplifier ces tâches en centralisant les politiques. Elles peuvent aussi créer une dépendance accrue aux outils de conformité et aux conditions contractuelles de la plateforme.

L’approche d’Amazon ne l’emporte que si l’agrégation réduit plus de complexité qu’elle n’en crée.

Cette issue ne peut pas être déduite du nombre de modèles disponibles. Elle doit se traduire par des déploiements plus rapides, des migrations plus faciles, des applications stables et une rétention client mesurable.

Ce qu’il faut surveiller dans la course à l’IA entre Amazon et Google

La prochaine étape sera déterminée par l’adoption en production, la rigueur des lancements de modèles et l’économie des infrastructures plutôt que par un seul graphique de benchmarks.

Le premier signal sera la prochaine sortie d’un modèle de pointe d’Amazon.

Des rapports suggèrent que le groupe de recherche concentré travaille à un nouveau système phare. Son lancement montrera si Amazon se contente de réduire l’étendue de son offre ou reconstruit autour d’un centre technique plus solide.

Les performances comptent, mais l’adoption comptera davantage. Amazon doit voir les développeurs choisir le modèle pour de véritables charges de travail, et non simplement le tester après une annonce.

Les détails les plus révélateurs incluront les modalités prises en charge, l’utilisation d’outils, la latence, la personnalisation, la disponibilité régionale et les options de migration pour les utilisateurs Nova existants.

Une feuille de route claire renforcerait l’argument d’Amazon. Une incertitude persistante autour des dates de cycle de vie de Nova l’affaiblirait.

Le deuxième signal concerne la croissance relative du cloud et l’utilisation de l’IA.

AWS a progressé de 37 % au dernier trimestre, tandis que Google Cloud a progressé de 82 %. Ces pourcentages partent de bases de revenus différentes et ne doivent donc pas être considérés comme un score direct de parts de marché.

Les futures communications devraient montrer si AWS maintient son accélération après avoir ajouté davantage de modèles externes. Elles devraient aussi montrer si Google transforme la distribution de Gemini en une demande cloud durable.

Les mesures les plus utiles incluront les clients en production, la capacité engagée, l’utilisation des API de modèles, l’utilisation des infrastructures et la croissance des services liés à l’IA.

La thèse d’Amazon se renforce si les clients utilisent plusieurs fournisseurs de modèles tout en conservant leurs données et leurs opérations d’agents au sein d’AWS. Elle s’affaiblit si des charges de travail importantes passent directement aux entreprises de modèles ou à des clouds concurrents.

La thèse de Google se renforce si Gemini stimule à la fois l’engagement des consommateurs et l’adoption du cloud par les entreprises. Elle s’affaiblit si les clients considèrent Gemini comme un modèle interchangeable parmi d’autres au sein de la plateforme d’une autre entreprise.

Le troisième signal est la parité des sorties entre les places de marché cloud.

Amazon peut revendiquer un vaste choix, mais les développeurs jugeront la rapidité avec laquelle les grands modèles et leurs fonctionnalités arrivent. Ils évalueront également si Bedrock expose les contrôles disponibles via les API directes.

L’arrivée d’OpenAI sur Bedrock a amélioré la position d’Amazon. Des sorties continues d’Anthropic, Google et d’autres fournisseurs rendraient la plateforme plus crédible.

Des mises à jour retardées produiraient l’effet inverse. Les développeurs n’accepteront pas des écarts de fonctionnalités permanents uniquement pour bénéficier d’un plan de contrôle unifié.

Google fait face à une épreuve similaire. Vertex AI doit offrir un véritable choix de modèles tandis que Google continue de promouvoir Gemini dans l’ensemble de ses produits.

Ces signaux révéleront quelle définition de l’ouverture des plateformes résiste à la pression commerciale.

Pour les acheteurs d’entreprise, la réponse immédiate devrait être pragmatique. Séparez, lorsque cela est possible, la logique applicative, les données de l’entreprise, les évaluations et les autorisations de tout modèle unique.

Testez au moins deux modèles adaptés face aux mêmes tâches représentatives. Mesurez la précision, la latence, les schémas d’échec, l’effort de révision et la complexité opérationnelle.

Ne choisissez pas une plateforme uniquement en fonction de son nombre de modèles. Vérifiez le calendrier des sorties, la portabilité, la prise en charge régionale, les contrôles de gouvernance et la qualité de la documentation de migration.

Les développeurs devraient également tester les API directes par rapport à l’accès cloud géré. Le meilleur choix peut varier selon la charge de travail, les besoins de conformité et le rythme attendu d’évolution des modèles.

Les travailleurs du savoir n’ont pas besoin de suivre chaque benchmark. Ils devraient plutôt se demander si leurs outils préservent les sources, le contexte et les résultats lorsque le modèle sous-jacent évolue.

La concurrence entre Amazon et Google se déplace vers cette couche durable. Google veut faire de Gemini l’intelligence que les utilisateurs rencontrent partout. Amazon veut qu’AWS reste l’endroit où les entreprises exploitent l’intelligence de leur choix.

Aucune de ces approches ne garantit le leadership. La distribution intégrée de Google peut transformer les améliorations de modèle en usage immédiat. L’infrastructure neutre d’Amazon peut monétiser la demande sans devoir prédire correctement chaque modèle gagnant.

La question décisive est désormais mesurable : lorsque les entreprises déploient l’IA à grande échelle, quelle couche devient la plus difficile à remplacer ?

Observez où leurs données restent stockées, où leurs agents s’exécutent et où les nouveaux modèles deviennent disponibles en premier. Ces choix détermineront si la plateforme d’Amazon s’avère plus précieuse que la seule possession du meilleur modèle.