← Tous les articles
    21 avril 2026 · Mis à jour le 22 octobre 2026 · AWS · GCP · Azure · cloud · IA · product management

    AWS, GCP, Azure : ce qu'un PM doit comprendre du cloud

    Les briques cloud à connaître, et ce qu'un PM doit savoir avant de lancer une fonctionnalité IA : région, hébergement des données, quotas, coûts d'API.

    Par Marie Van Haecke

    Un PM n'a pas besoin de savoir configurer un serveur. Il a besoin de savoir ce qui existe, ce que ça coûte et où vont les données, pour poser les bonnes questions avant que les décisions soient prises sans lui. C'est encore plus vrai depuis que les fonctionnalités IA passent par le cloud : le choix d'une région ou d'un service géré a des conséquences produit, juridiques et budgétaires qu'aucune équipe technique ne devrait arbitrer seule.

    Les cinq briques de base

    AWS, Google Cloud et Azure proposent à peu près les mêmes briques sous des noms différents. Connaître leur fonction suffit pour suivre une conversation d'architecture.

    Le calcul (EC2, Compute Engine, Virtual Machines) : les machines qui font tourner ton code. Tu paies tant qu'elles tournent, qu'elles servent ou non.

    Le stockage objet (S3, Cloud Storage, Blob Storage) : là où vivent les fichiers, images, PDF, vidéos, exports. Ce n'est pas une base de données, on n'y fait pas de requêtes fines.

    La base de données managée (RDS, Cloud SQL, Azure SQL) : un Postgres ou un MySQL dont le fournisseur gère les sauvegardes, les correctifs et la disponibilité. Tu gardes la responsabilité du schéma et de ce que tu y mets.

    Le CDN (CloudFront, Cloud CDN, Azure Front Door) : des copies de tes contenus statiques au plus près des utilisateurs, pour que les pages et les images chargent vite partout.

    Le serverless (Lambda, Cloud Functions ou Cloud Run, Azure Functions) : du code qui s'exécute à la demande, sans serveur permanent. Parfait pour les tâches ponctuelles, moins pour les traitements longs.

    Les questions qu'un PM devrait poser sur l'existant

    « Les sauvegardes de la base sont automatiques, et quand ont-elles été restaurées pour la dernière fois ? » Une sauvegarde jamais testée est une hypothèse, pas une sauvegarde.

    « Quelle est la politique de rétention des fichiers utilisateurs ? » Elle a des conséquences sur le RGPD autant que sur la facture.

    « Comment évolue le coût quand le trafic double ? » Certaines briques montent proportionnellement, d'autres par paliers, d'autres presque pas.

    « Qu'est-ce qui sort du cloud et vers où ? » Les transferts de données sortants sont facturés, et ils surprennent souvent.

    Lancer une fonctionnalité IA : ce qui change

    Quand ton produit appelle un modèle de langage, deux chemins existent. Soit tu appelles directement l'API d'un éditeur de modèles. Soit tu passes par le service IA de ton cloud : Amazon Bedrock, Vertex AI chez Google, le service Azure qui donne accès aux modèles d'OpenAI et d'autres. Ce choix n'est pas qu'une affaire de goût technique.

    Passer par ton cloud habituel a des avantages concrets : la facturation et les contrats existants s'appliquent, les données restent dans un environnement que l'équipe sécurité connaît déjà, les accès se gèrent avec les mêmes outils. En contrepartie, tous les modèles ne sont pas disponibles partout, et les nouvelles versions arrivent parfois plus tard que chez l'éditeur.

    La région : le paramètre que personne ne regarde

    Dans le cloud, tout se déploie dans une région : un ensemble de centres de données situés dans une zone géographique précise. Pour une fonctionnalité IA, trois conséquences.

    L'hébergement des données. Si tu traites des données personnelles d'utilisateurs européens, le lieu de traitement compte. Les trois grands clouds proposent des régions européennes, et souvent des options pour que le traitement par le modèle reste aussi en Europe. Mais ce n'est pas toujours le réglage par défaut, et un appel qui part vers une région américaine pour profiter d'un modèle plus récent change l'analyse. Pour préparer cette conversation avec ton DPO, j'ai listé les questions à se poser sur l'IA et les données personnelles.

    La disponibilité des modèles. Un modèle peut être proposé dans certaines régions seulement. Si ta contrainte est de rester en Europe, vérifie que le modèle que l'équipe a testé y est réellement disponible, avec la capacité dont tu as besoin. Découvrir l'écart au moment du lancement est un classique.

    La latence. Un appel qui traverse un océan ajoute du délai. Sur un parcours interactif, l'utilisateur le sent.

    La question à poser avant chaque fonctionnalité IA : dans quelle région tourne le modèle, et est-ce celle qu'on a validée avec le juridique ?

    Les quotas : la limite qu'on découvre en production

    Chaque service IA impose des limites de débit : nombre de requêtes et volume de texte traité par minute. En test, avec une poignée d'utilisateurs, on ne les voit jamais. Au lancement, quand l'usage monte d'un coup, les appels commencent à être refusés.

    Un PM doit savoir quel est le quota actuel, comment on le relève et en combien de temps, et ce que voit l'utilisateur quand la limite est atteinte. Le relèvement passe souvent par une demande au fournisseur, qui n'est pas instantanée. Prévois-la avant le lancement, pas pendant.

    Les coûts : penser en coût par usage

    Le coût d'une fonctionnalité IA ne se lit pas dans le prix unitaire affiché. Il dépend de la quantité de texte envoyée et reçue à chaque appel, du nombre d'appels par tâche, des boucles éventuelles et du volume d'utilisateurs. À cela s'ajoutent les coûts cloud autour du modèle : stockage des documents, base vectorielle si tu fais de la recherche documentaire, journaux, calcul pour les traitements intermédiaires.

    Deux modes de facturation coexistent souvent : au volume consommé, ou en capacité réservée, payée qu'on l'utilise ou non. Le premier convient au démarrage ; le second se discute quand l'usage est stable et important.

    Ce que je demande toujours : le coût ramené à une unité que le métier comprend, par conversation, par document traité, par utilisateur actif. C'est ce chiffre qui dit si la fonctionnalité tient économiquement. La méthode pour l'estimer avant de déployer est détaillée dans maîtriser les coûts d'API LLM avant qu'ils dérapent. Et pose dès le départ une alerte de budget, plus un plafond de dépense là où le service le permet.

    Les pièges classiques

    Le multi-cloud par principe. C'est rarement utile en startup, et toujours plus complexe. Un seul cloud bien maîtrisé suffit longtemps. L'exception raisonnable : utiliser l'API d'un éditeur de modèles en plus de ton cloud principal, si c'est là que se trouve le modèle dont tu as besoin.

    Choisir le modèle avant la région. On teste sur ce qui est disponible le plus vite, puis on découvre que ce n'est pas autorisé pour les données de production.

    Oublier la réversibilité. Si ton code dépend fortement d'un service propriétaire, changer de modèle ou de fournisseur coûtera cher. Une couche d'abstraction simple autour des appels au modèle limite ce risque. C'est aussi ce qui permet de réévaluer un modèle sur tes propres cas quand une nouvelle version sort.

    Par où commencer cette semaine

    Prends la prochaine fonctionnalité IA de ta roadmap et pose trois questions à ton équipe technique : dans quelle région tourne le modèle, quel est le quota actuel, et combien coûte une utilisation complète par un utilisateur. Si l'une des trois réponses est « on ne sait pas encore », tu as trouvé ta prochaine tâche de cadrage.

    À lire aussi

    Vous travaillez sur un sujet proche ?

    J'accompagne les organisations sur l'audit IA, le cadrage de produits IA, les agents et l'automatisation. Si cet article recoupe une question que vous vous posez, on peut en parler.