Cloud IA en 2026 : Azure OpenAI vs AWS Bedrock vs Google Vertex AI

Pourquoi passer par le cloud pour l'IA

Appeler directement l'API d'OpenAI ou d'Anthropic est parfait pour débuter. Mais en entreprise, les équipes IT et conformité posent rapidement des questions plus complexes : où sont stockées les données ? Quel SLA est garanti ? Comment intégrer l'authentification SSO ? Qui est responsable en cas de fuite ?

Les plateformes cloud managées répondent à ces besoins :

Vue d'ensemble des 3 plateformes en 2026

Azure AI (Microsoft)

Microsoft a fait le pari d'OpenAI dès 2019 et cela se voit dans l'offre. Azure OpenAI Service donne accès à GPT-4o, GPT-4 Turbo et o3 avec les garanties enterprise de Microsoft.

Composants clés :

• Azure OpenAI Service : accès à tous les modèles OpenAI avec données hébergées en EU
• Azure AI Foundry : plateforme unifiée pour déployer, évaluer et monitorer des modèles (dont Llama, Mistral, Phi)
• Phi-4 : le modèle maison de Microsoft, petit et très efficace, déployable en edge
• Copilot Studio : pour créer des agents sans code, intégré à M365

AWS Bedrock

Amazon a choisi l'approche marketplace : Bedrock agrège des modèles de multiples fournisseurs sur une seule API unifiée.

Modèles disponibles sur Bedrock :

• Anthropic : Claude 3.5 Haiku, Sonnet, Opus : et Claude 4 (Sonnet, Opus)
• Amazon : Titan Text/Embedding/Image, Nova (Micro, Lite, Pro)
• Meta : Llama 3.3 70B, Llama 3.2 Vision
• Mistral AI : Mistral Large 2, Mistral Small
• Cohere : Command R+, Embed

Atout clé : InvokeModel avec une API boto3 unifiée : un seul SDK pour tous les modèles.

Google Vertex AI

La plateforme ML de Google, historiquement orientée MLOps, s'est transformée en hub de modèles génératifs.

Modèles disponibles :

• Gemini 2.0 Flash : très rapide, fenêtre de 1M tokens, multimodal
• Gemini 2.0 Pro : le plus puissant de Google, raisonnement avancé
• Imagen 3 : génération d'images de haute qualité
• PaLM 2 : legacy, toujours disponible pour les projets existants
• Modèles tiers : Llama, Mistral via Model Garden

Tableau comparatif des 3 plateformes

Critères de choix par profil

Startup

Priorité : time-to-market, coût initial minimal, flexibilité.

Recommandation : AWS Bedrock ou Azure AI. Bedrock pour l'accès direct à Claude (Anthropic), Azure si l'équipe utilise déjà Microsoft 365 / Azure Active Directory.

Enterprise

Priorité : gouvernance, intégrations SSO, audit, support contractuel.

Recommandation : Azure AI pour les entreprises déjà dans l'écosystème Microsoft. Google Vertex AI pour celles déjà sur GCP (BigQuery, GKE). AWS Bedrock pour celles avec un footprint AWS important.

Secteur réglementé (santé, finance)

Priorité : souveraineté des données, conformité (HDS pour la santé, DSP2 pour la finance), hébergement EU.

Recommandation : Vérifiez la certification HDS pour la santé (Azure a la certification HDS en France). Pour la finance, les trois plateformes ont des programmes de conformité financière : mais Azure et AWS ont les historiques les plus longs.

Micro-exercice : même requête via AWS Bedrock et Azure AI

import anthropic
import boto3
import json

PROMPT = "Explique la différence entre RAG et fine-tuning en 3 points."

# --- Option 1 : Anthropic direct ---
client_direct = anthropic.Anthropic()
response_direct = client_direct.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=500,
    messages=[{"role": "user", "content": PROMPT}]
)
print("=== Anthropic Direct ===")
print(response_direct.content[0].text)

# --- Option 2 : Claude via AWS Bedrock ---
bedrock = boto3.client("bedrock-runtime", region_name="eu-west-1")
body = json.dumps({
    "anthropic_version": "bedrock-2023-05-31",
    "max_tokens": 500,
    "messages": [{"role": "user", "content": PROMPT}]
})
response_bedrock = bedrock.invoke_model(
    modelId="eu.anthropic.claude-sonnet-4-20250514-v1:0",
    body=body
)
result_bedrock = json.loads(response_bedrock["body"].read())
print("\n=== AWS Bedrock ===")
print(result_bedrock["content"][0]["text"])

# --- Option 3 : GPT-4o via Azure OpenAI ---
from openai import AzureOpenAI

client_azure = AzureOpenAI(
    api_key="VOTRE_AZURE_API_KEY",
    api_version="2024-02-01",
    azure_endpoint="https://VOTRE_RESSOURCE.openai.azure.com/"
)
response_azure = client_azure.chat.completions.create(
    model="gpt-4o",  # Nom du déploiement Azure
    messages=[{"role": "user", "content": PROMPT}],
    max_tokens=500
)
print("\n=== Azure OpenAI ===")
print(response_azure.choices[0].message.content)

Calcul de TCO : 1 million de tokens par jour

Prenons un cas concret : une application qui envoie 1M tokens d'input et génère 200K tokens d'output chaque jour.

À 10M tokens/jour, héberger Llama 3 70B sur 2x A100 (AWS p4d) coûte ~$35/jour fixe : soit $1050/mois quelle que soit la charge. Le break-even avec Claude Sonnet sur Bedrock est à environ 5M tokens d'input/jour.

Éviter le lock-in avec Agno

La multiplication des SDKs (openai, boto3, google-genai, anthropic...) crée un lock-in involontaire : votre code est intimement lié à un fournisseur. Migrer vers une autre plateforme demande de réécrire toute la couche d'appel.

Agno résout ce problème avec une abstraction multi-provider :

from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.models.openai import OpenAIChat
from agno.models.aws import BedrockClaude
from agno.models.google import Gemini

# Changez UNE ligne pour changer de provider
# model = Claude(id="claude-sonnet-4-20250514")          # Anthropic direct
# model = BedrockClaude(id="claude-sonnet-4-20250514")   # AWS Bedrock
# model = OpenAIChat(id="gpt-4o")                         # OpenAI direct
model = Gemini(id="gemini-2.0-flash-exp")               # Google Vertex

agent = Agent(
    model=model,
    tools=[...],       # Les mêmes outils fonctionnent avec tous les providers
    knowledge=...,     # La même base de connaissance RAG
    markdown=True,
)

agent.print_response("Quel provider utilises-tu ?")