AWS accélère le lancement des agents IA jusqu'à 15 fois et réduit la mémoire par session de 68 %
Un agent a besoin de son propre bac à sable isolé. Jusqu'ici, il fallait choisir entre garder des machines prêtes à l'emploi et payer leur inactivité, ou accepter un démarrage à froid. Dans la version mise à jour d'AgentCore runtime, AWS annonce qu'une session démarre en moins de 2 secondes, jusqu'à 15 fois plus vite que l'ancienne version, et que la mémoire par session recule jusqu'à 68 % pour les agents qui marquent des pauses. Les pools chauds ne sont donc plus nécessaires, et il faut revoir le budget consacré aux agents.
Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
Imaginez un agent qui corrige des bugs dans votre dépôt : il exécute du code, lance des tests et navigue sur des sites. Un tel agent ne peut pas être placé dans un environnement partagé, il lui faut son propre bac à sable isolé. Vient alors le compromis : si vous gardez des bacs à sable prêts à l'avance, vous payez l'inactivité ; si vous les créez à la demande, l'utilisateur subit un démarrage à froid.
AWS a mis à jour AgentCore runtime, la couche de calcul managée de Amazon Bedrock AgentCore, et promet de supprimer ce compromis. Une session d'agent démarre désormais en moins de 2 secondes, soit, selon AWS, jusqu'à 15 fois plus vite que l'ancienne version. Pour les agents qui marquent des pauses entre leurs étapes, la mémoire consommée par session baisse jusqu'à 68 %, car un agent en attente n'occupe plus de mémoire inutilement.
Quel était le problème
Les agents ont dépassé le cadre des simples requêtes : ils enchaînent pendant des heures des tâches en plusieurs étapes, exécutent du code, manipulent des données sensibles et agissent au nom de l'utilisateur. Chaque session doit donc être isolée, faute de quoi le code d'un utilisateur pourrait accéder aux données d'un autre. Quand les agents se comptent par milliers, les bacs à sable développés en interne deviennent complexes, coûteux et imprévisibles.
AWS s'appuie sur des enquêtes sectorielles. Selon Deloitte, seulement 15 % des organisations ont déployé à grande échelle des systèmes multi-agents orchestrés, et 70 % reconnaissent ne pas pouvoir encore faire confiance à leurs agents ni les gérer. Selon McKinsey, 40 % des grandes entreprises déploient déjà des agents IA à grande échelle, contre 27 % un an plus tôt. AWS ne dévoile pas la méthodologie de ces enquêtes, mais la conclusion est claire : beaucoup de projets butent moins sur les capacités des modèles que sur un lancement à la fois sûr et peu coûteux.
Ce qui change
La garantie de base reste la même : chaque session tourne dans sa propre micro-machine virtuelle Firecracker isolée au niveau matériel (une machine virtuelle légère qui se lance en une fraction de seconde), avec sa propre identité, sa politique d'accès et son journal d'audit. Quatre évolutions s'y ajoutent.
- Démarrage et taille. Une session démarre en moins de 2 secondes, quelle que soit la taille de l'image ou le nombre de lancements parallèles. Les limites ont quadruplé : jusqu'à 8 vCPU (cœurs de processeur virtuels) et 32 Go de mémoire, les images de conteneurs pouvant peser jusqu'à 10 Go. Cela suffit pour compiler de grandes bases de code, exécuter des scénarios navigateur et faire tourner des modèles en local. Selon AWS, les pools chauds et les clusters préalablement démarrés ne sont plus nécessaires.
- Paiement à l'usage. Un agent passe l'essentiel de son temps à attendre la réponse d'un modèle, d'un outil ou d'un humain. Désormais, l'environnement libère la mémoire dans les minutes qui suivent la fin de son utilisation, et un agent inactif descend à zéro. Pour les agents conversationnels avec des pauses, cela permet d'économiser jusqu'à 68 % de mémoire par session.
- Tarif pour les agents permanents. Pour les agents qui tournent en continu, une base engagée existe : vous fixez une quantité minimale de mémoire par session et payez ce minimum. Au-delà, vous pouvez ponctuellement mobiliser jusqu'à quatre fois ce volume à la demande. Les tarifs sont alignés sur ceux d'AWS Lambda MicroVM.
- Isolation des données. Auparavant, l'agent évoluait dans une session protégée, tandis que les fichiers dont il avait besoin restaient à l'extérieur. Désormais, la session peut monter dynamiquement un système de fichiers, par exemple un bucket Amazon S3 via FUSE (le stockage apparaît comme un simple dossier), et y enregistrer ses résultats. Les données restent à l'intérieur de la frontière de confiance, et les règles d'accès ne se définissent qu'une seule fois.
Ce que disent les clients et les points de vigilance
AWS cite des retours de clients. Coinbase indique que le démarrage à froid des sessions est passé de près d'une minute à moins de 5 secondes, même en période de pointe, tandis que le volume hebdomadaire de lancements d'agents a plus que doublé. Mission Cloud a obtenu, sur un même scénario, un démarrage 35 % plus rapide pour les requêtes d'inférence, 77 % plus rapide pour les contrôles de santé, et un coût par appel inférieur de 17 %.
Zuora a réduit d'environ 60 % la mémoire par appel dans de nombreux scénarios, avec une latence stable. Okta combine la solution avec Lambda MicroVM pour que ses agents vérifient du code, exécutent des tests et ouvrent des pull requests dans des bacs à sable jetables.
Il faut garder certaines réserves à l'esprit. Ces chiffres ressemblent soit à des arguments marketing de type « jusqu'à », soit à des propos de clients repris dans un communiqué de presse : il n'existe pas de mesures indépendantes. Le gain dépend du profil de charge : si un agent garde sa mémoire occupée en permanence, l'économie sera inférieure à 68 %. AWS ne promet de lier chaque session à son propre dossier de stockage via des identifiants de session qu'à l'occasion de re:Invent, si bien que l'isolation des données reste pour l'instant incomplète.
Conclusion pratique pour les équipes qui développent des agents : si vous maintenez des pools chauds ou des bacs à sable maison pour obtenir un démarrage rapide, comparez leur coût au nouveau modèle de facturation à l'usage réel. Le plus simple est de commencer avec les agents qui font beaucoup de pauses entre leurs étapes, c'est là que l'économie de mémoire est maximale. Le service est déjà disponible dans les régions d'Amérique du Nord et du Sud, d'Europe et d'Asie-Pacifique.
- 21 nov. 2026AG-UI 1.0 donne aux agents IA un langage commun pour dialoguer avec l'application : 31 types d'événements
- 21 nov. 2026OpenAI lance ChatGPT Wallet : des agents qui achètent sans jamais voir le numéro de carte
- 21 nov. 2026Les annonceurs américains ont dépensé 70,7 M$ en publicité sur ChatGPT en octobre, soit 127 % de plus qu'en avril
- 21 nov. 2026ONNX Runtime disparu de GitHub : Microsoft a masqué les dépôts après le piratage d'un paquet
Questions clés sur cet article
Que sait-on sur Quel était le problème ?
Les agents ont dépassé le cadre des simples requêtes : ils enchaînent pendant des heures des tâches en plusieurs étapes, exécutent du code, manipulent des données sensibles et agissent au nom de l'utilisateur. Chaque session doit donc être isolée, faute de quoi le code d'un utilisateur pourrait accéder aux données d'un autre. Quand les agents se comptent par milliers, les bacs à sable développés en interne deviennent complexes, coûteux et imprévisibles. AWS s'appuie sur des enquêtes sectorielles.
Que sait-on sur Ce qui change ?
La garantie de base reste la même : chaque session tourne dans sa propre micro-machine virtuelle Firecracker isolée au niveau matériel (une machine virtuelle légère qui se lance en une fraction de seconde), avec sa propre identité, sa politique d'accès et son journal d'audit. Quatre évolutions s'y ajoutent. Démarrage et taille. Une session démarre en moins de 2 secondes, quelle que soit la taille de l'image ou le nombre de lancements parallèles.
Que sait-on sur Ce que disent les clients et les points de vigilance ?
AWS cite des retours de clients. Coinbase indique que le démarrage à froid des sessions est passé de près d'une minute à moins de 5 secondes, même en période de pointe, tandis que le volume hebdomadaire de lancements d'agents a plus que doublé. Mission Cloud a obtenu, sur un même scénario, un démarrage 35 % plus rapide pour les requêtes d'inférence, 77 % plus rapide pour les contrôles de santé, et un coût par appel inférieur de 17 %.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.