6 min de lecture

Amazon Bedrock AgentCore est devenu généralement disponible fin avril 2026. Cet outil basé sur la CLI apporte une intégration CDK, des tests A/B pour les versions d’agents et une couche de gouvernance pour le déploiement en production des agents IA sur AWS. Pour les équipes d’entreprise qui souhaitent faire passer leurs charges de travail agentic-AI de la phase d’évaluation à des déploiements prêts pour la production, il s’agit de la première couche d’infrastructure significative côté AWS.

Les points clés en bref

• Intégration CDK pour l’Infrastructure-as-Code : les agents AgentCore sont définis, versionnés et déployés via AWS CDK. Cela permet d’utiliser les mêmes workflows GitOps que ceux établis pour Lambda, ECS et d’autres services AWS – les agents étant ainsi des artefacts reproductibles et auditables.
• Tests A/B entre les versions d’agents : le fractionnement du trafic entre les variantes d’agents permet des déploiements contrôlés. Au lieu de « nouveau déploiement = tous les utilisateurs concernés », le trafic peut être redirigé progressivement – avec une option de rollback si les métriques divergent.
• Couche d’observabilité intégrée : AgentCore écrit directement les traces d’exécution, les métriques de latence et d’erreur dans CloudWatch. Les journaux d’audit pertinents pour les exigences de conformité sont générés automatiquement.
• Modèle agnostique au niveau AWS : AgentCore fonctionne avec tous les modèles Bedrock – Anthropic Claude, Amazon Titan, les variantes Llama. Le changement du modèle sous-jacent ne nécessite aucune modification de l’architecture de l’agent.

Articles connexesAmazon S3 Files en GA : montée NFS pour les pipelines ML et EKS  /  Kubernetes 1.36 Haru : suppression de cgroup-v1, DRA stable

Ce que résout concrètement AgentCore

Qu’est-ce qu’Amazon Bedrock AgentCore ? AgentCore est un service géré par AWS qui standardise l’exploitation des agents IA en environnement de production. Il combine une infrastructure d’exécution pour l’exécution des agents, une pipeline de déploiement basée sur CDK et une couche d’observabilité – comparable à ce que fait AWS App Runner pour les applications conteneurisées, mais spécialisé dans les spécificités des charges de travail agentic-AI.

Le problème fondamental que résout AgentCore : les agents IA ne sont pas de simples microservices classiques. Ils présentent des chemins d’exécution non déterministes, un contexte d’appel d’outils variable et des problèmes de state qui surviennent lorsqu’on adopte une architecture strictement stateless. Les outils de déploiement standards pour les applications conteneurisées ne fonctionnent pour les agents qu’avec un code personnalisé considérable.

AgentCore regroupe les solutions de contournement les plus courantes : gestion de l’état de session, logique de retry pour les appels d’outils, journalisation structurée des étapes de raisonnement, intégration avec AWS IAM pour les autorisations d’outils. Ce que les équipes mettaient auparavant en œuvre elles-mêmes est désormais proposé comme couche gérée.

Intégration CDK : les agents en tant qu’artefacts de code

L’intégration CDK constitue la partie la plus pertinente pour les équipes d’entreprise. Un agent AgentCore est défini comme un construct CDK. Ce construct décrit le choix du modèle, la configuration des outils, la politique de session et les permissions – tout sous forme de code, tout versionné, tout déployé dans les mêmes pipelines CI/CD que l’autre Infrastructure-as-Code.

En pratique, cela signifie : le déploiement d’un agent passe par une pull request avec revue, test et approbation – pas par un clic manuel dans la console. C’est l’étape décisive pour répondre aux exigences de conformité des entreprises (gestion des changements, piste d’audit) et passer du proof-of-concept à un déploiement prêt pour la production.

À lire aussi : État du FinOps 2026 : pourquoi le FinOps s’appelle désormais Technology Value Management et ce que cela implique pour les budgets cloud dans la région DACH

« Pour les équipes d’entreprise qui souhaitent faire passer les charges de travail Agentic AI de la phase d’évaluation à des déploiements prêts pour la production, il s’agit de la première couche d’infrastructure notable côté AWS. »

Tests A/B pour les agents – ce que cela signifie en pratique

Les tests A/B pour les agents d’IA sont plus complexes que pour les applications web classiques. Une nouvelle version d’un agent peut emprunter des chemins de raisonnement différents, invoquer des outils plus ou moins fréquemment et produire des structures de sortie différentes. Dire si c’est mieux ou pire ne se répond pas uniquement par des mesures de latence.

AgentCore intègre un framework d’évaluation qui suit, outre les métriques techniques, des scores de qualité de sortie. AWS y a intégré des mécanismes LLM-as-Judge – un modèle évaluateur vérifie automatiquement si les réponses des agents satisfont aux critères de qualité définis. Pour les équipes réalisant des tests A/B entre versions de modèles ou variantes de prompts, il s’agit de la boucle de rétroaction manquante.

La limite : le LLM-as-Judge n’est pas un évaluateur parfait. Pour les domaines exigeant une expertise très spécifique (documentation médicale, analyses juridiques), les équipes doivent définir et calibrer leurs propres critères d’évaluation. AgentCore fournit le mécanisme – la définition de la qualité reste à la charge de l’équipe.

Pour les équipes enterprise DACH, AgentCore constitue la prochaine étape après la phase d’évaluation. Ceux qui ont expérimenté avec Bedrock Agents et prévoient désormais des charges de travail en production obtiennent avec AgentCore l’infrastructure de déploiement qu’ils devaient auparavant construire eux-mêmes. Le seuil de maturité pour l’Agentic AI dans les environnements enterprise AWS est ainsi repoussé nettement vers l’avant.

Sources : Documentation AWS Bedrock AgentCore GA (avril 2026), annonces Blog AWS re:Invent 2025.

Foire aux questions

AgentCore est-il uniquement destiné aux modèles Bedrock ou peut-il également être utilisé avec des modèles externes ?

AgentCore est principalement conçu pour les modèles Bedrock. Les modèles personnalisés déployés via SageMaker peuvent être intégrés grâce à une couche de modèle personnalisé Bedrock. Les modèles externes hors AWS – GPT-4o, Gemini, modèles open source auto-hébergés – ne sont pas directement intégrables. Pour l’orchestration d’agents multi-fournisseurs, d’autres frameworks comme LangChain ou LlamaIndex sont actuellement plus flexibles.

Quel est le coût d’AgentCore par rapport à une infrastructure d’agents développée en interne ?

AgentCore applique une majoration sur les coûts du modèle pour le runtime géré. Des tableaux de prix détaillés sont disponibles dans la documentation tarifaire AWS. La comparaison avec une infrastructure maison dépend fortement de l’effort de développement : qui développe lui-même la gestion des sessions, l’observabilité et les pipelines de déploiement investit typiquement plusieurs cycles de sprint. AgentCore s’amortit rapidement pour les équipes ne disposant pas de capacités dédiées en ML-Ops.

Comment AgentCore se comporte-t-il face aux exigences du RGPD pour les données européennes ?

AgentCore fonctionne dans les régions eu-central-1 (Francfort) et eu-west-1 (Irlande). Avec une configuration correcte de l’ancrage régional, les données ne quittent pas l’UE. Les traces d’exécution et les données de session sont stockées dans CloudWatch au sein de la même région. Pour les secteurs aux exigences particulières (services financiers, santé), il est recommandé de réaliser une revue de protection des données spécifique aux cas d’usage des agents, car les données d’interaction des agents peuvent être considérées comme des données personnelles.

AgentCore peut-il gérer des architectures multi-agents ?

Oui. AgentCore prend en charge la communication superviseur-agent vers agent-travailleur. Un agent orchestrateur peut appeler des sous-agents via des interfaces définies. Chaque étape de l’agent est journalisée et suivie séparément – ce qui aide considérablement au débogage des workflows multi-agents. Cependant, la complexité de la coordination multi-agents augmente toujours exponentiellement avec le nombre d’agents impliqués.

Photo : Pexels

Source image de couverture : Wikimedia Commons / Rene Schwietzke from Jena, Germany (CC BY 2.0)