AWS показала, как data mesh становится фундаментом для агентного AI в продакшне

AWS a publié un guide technique détaillé sur la construction d'un data mesh serverless géré — une architecture qui fournit à l'IA agentic une base fiable, sécurisée et scalable pour fonctionner en production.

Pourquoi les agents ont besoin d'un data mesh

L'IA agentic est fondamentalement différente des chatbots : elle forme indépendamment des chaînes d'actions, accède aux outils et prend des décisions sans intervention humaine. Pour ce faire de manière fiable, un agent doit recevoir des données d'entreprise actuelles en temps réel — et le faire strictement dans le cadre des politiques de sécurité. Le problème est que les données d'entreprise sont traditionnellement dispersées sur des dizaines de systèmes, d'équipes et de formats.

Les entrepôts de données centralisés et les data lakes résolvent une partie du problème, mais créent un goulot d'étranglement : les données deviennent obsolètes, les schémas divergent et une seule équipe d'ingénieurs ne peut pas gérer les demandes de tous les départements. Le data mesh propose une approche différente : chaque domaine (finances, marketing, logistique) possède ses propres données et les publie comme un « produit » — avec documentation, schémas clairs et contrats d'accès. Un agent d'IA se connecte directement à ce produit sans intermédiaires.

Architecture sur AWS

AWS offre une pile serverless qui permet d'implémenter un data mesh sans gestion de serveurs :

• Amazon S3 — stockage décentralisé : chaque domaine conserve les données dans des buckets séparés
• AWS Glue Data Catalog — catalogue unifié des schémas et des métadonnées pour tous les domaines
• AWS Lake Formation — gestion des droits d'accès au niveau des tables, colonnes et lignes
• Amazon Athena — requêtes SQL serverless contre les données en S3 sans pipelines ETL supplémentaires
• AWS IAM — modèle basé sur les rôles : chaque agent reçoit les permissions minimales nécessaires

Le point clé : les agents n'ont pas besoin de connaître l'emplacement physique des données. Ils accèdent au produit logique via le catalogue Glue, pas directement aux buckets S3. Cela permet aux équipes de déplacer et restructurer les données sans modifier l'interface pour les agents. En pratique, le cycle fonctionne ainsi : l'agent reçoit un rôle IAM, Lake Formation vérifie les permissions à chaque requête, Athena exécute SQL, le résultat revient à l'agent. Tout est serverless, toutes les actions sont auditables.

Sécurité et contrôle

L'IA agentic est imprévisible : elle peut formuler une requête qui surcharge le système ou tenter de lire des données en dehors de son domaine. AWS aborde cela à plusieurs niveaux. Les politiques de Lake Formation bloquent toute requête en dehors de la portée autorisée — même si l'agent a techniquement accès à S3.

CloudTrail maintient un journal d'audit complet de chaque action. Les quotas d'Athena limitent le volume de données analysées par requête, protégeant contre les surcharges accidentelles ou intentionnelles. Un autre détail important est la sémantique des données.

Le Glue Data Catalog stocke non seulement les schémas, mais aussi les descriptions de champs : l'agent comprend le sens de ce qu'il lit, pas seulement un ensemble d'octets sans contexte. La gestion des versions des schémas garantit que les changements de structure dans un domaine ne cassent pas les agents travaillant avec ce produit.

Ce que cela signifie

Le data mesh cesse d'être un concept théorique et devient une exigence pratique pour tous ceux qui construisent de l'IA en production. Les entreprises sans accès géré aux données auront des agents qui sont peu fiables ou peu sûrs — ou plus souvent les deux. AWS offre une pile serverless prête à l'emploi qui couvre la plupart des tâches nativement.