Générer des présentations avec Amazon Bedrock AgentCore
Un consultant qui prépare une présentation client passe souvent plusieurs heures à relire des rapports, extraire les chiffres clés, et les remettre en forme dans PowerPoint. AWS a publié le 2 septembre 2026 une architecture de référence qui automatise une partie de ce travail avec des agents IA construits sur Amazon Bedrock AgentCore. Voici ce qu'elle fait réellement, ce qu'elle coûte à mettre en place, et ce qu'elle ne remplace pas.
Le problème que ça résout : la présentation client à la main
Le cas de départ : des heures par semaine sur des slides
Dans beaucoup de cabinets de conseil et de PME, la production de supports clients suit toujours le même schéma. Un rapport d'activité, une étude de marché ou un compte-rendu de projet existe déjà sous forme de document. Il faut en extraire l'essentiel, le hiérarchiser, et le transformer en diaporama lisible pour un comité de direction ou un client final. Cette tâche, répétée chaque semaine ou chaque mois, mobilise du temps d'analyste ou de consultant sans valeur ajoutée stratégique.
Ce que l'automatisation cible précisément
L'architecture décrite par AWS dans son article du 2 septembre 2026 cible exactement cette étape : transformer un corpus documentaire déjà existant en un fichier PowerPoint structuré. Elle ne crée pas le contenu à partir de rien. Elle s'appuie sur des documents sources déposés dans un espace de stockage, les interroge, et compose une présentation à partir de ce qu'ils contiennent. C'est une automatisation de mise en forme et de synthèse, pas de création d'information.
Comment fonctionne le système d'agents
Le supervisor agent et ses deux outils (generate_pptx, generate_summary)
Le cœur du système est un agent superviseur, construit avec le framework open source Strands Agents (strandsagents.com, consulté en 2026). Cet agent orchestre deux outils spécialisés : generate_summary, qui produit une synthèse textuelle à partir des documents indexés, et generate_pptx, qui transforme cette synthèse en fichier PowerPoint avec mise en page et éléments visuels. L'agent décide quel outil appeler selon la demande de l'utilisateur, un principe caractéristique des architectures agentiques où un modèle de langage pilote des fonctions externes plutôt que de tout générer lui-même.
Le pipeline RAG : de S3 à OpenSearch Serverless
Les documents d'entreprise sont déposés dans Amazon S3, le service de stockage objet d'AWS. Ils sont ensuite découpés, vectorisés et indexés dans Amazon OpenSearch Serverless, qui sert de base vectorielle pour la recherche augmentée par génération (RAG, retrieval-augmented generation) : au lieu de laisser le modèle inventer une réponse, le système va chercher les passages pertinents dans les documents avant de générer le texte. C'est ce mécanisme qui garantit, en théorie, que la présentation reflète le contenu réel des rapports et non une reformulation approximative du modèle.
Les modèles mobilisés : Claude Sonnet 4.6, Titan Embeddings v2, Stable Image Inpaint
Trois modèles distincts interviennent dans la chaîne, selon la description d'AWS publiée le 2 septembre 2026. Claude Sonnet 4.6, le modèle d'Anthropic disponible via Bedrock, génère le texte des slides. Amazon Titan Embeddings v2 convertit les documents en vecteurs sémantiques (embeddings) pour alimenter l'index de recherche. Stable Image Inpaint, un modèle d'édition d'image de Stability AI, intervient pour composer ou retoucher les visuels intégrés aux diapositives. Trois modèles, trois fournisseurs, orchestrés par un seul agent superviseur : c'est la logique même d'AgentCore, le runtime managé qu'AWS décrit comme destiné à faire tourner des agents en production avec gestion de session et d'identité (aws.amazon.com/bedrock/agentcore, 2026).
Ce que ça coûte et ce que ça demande à assembler
Une architecture AWS complète, pas un outil clé en main
Il faut être clair sur un point : ce n'est pas un produit que l'on active en cliquant sur un bouton. AWS documente une architecture de référence, un ensemble de services à provisionner et à connecter soi-même : S3, OpenSearch Serverless, Bedrock AgentCore, des fonctions Lambda pour orchestrer les appels, et du code applicatif pour exposer le tout à un utilisateur final. AWS ne publie pas de coût global chiffré pour cette stack dans son article du 2 septembre 2026. Le coût réel dépend du volume de documents indexés, du nombre de requêtes aux modèles Bedrock, et du temps d'ingénierie nécessaire pour l'assembler et la maintenir. Toute estimation chiffrée avancée sans cette architecture précisément dimensionnée serait spéculative.
Sécurité et conformité : VPC, KMS, IAM, Guardrails
Pour une entreprise qui y dépose des rapports internes ou des données clients, la couche sécurité n'est pas optionnelle. L'architecture de référence prévoit un déploiement dans un VPC (réseau virtuel privé) isolé, le chiffrement des données avec AWS KMS, une gestion fine des permissions via IAM, et l'ajout d'Amazon Bedrock Guardrails pour filtrer les contenus sensibles ou les sujets interdits avant qu'ils n'atteignent le modèle (aws.amazon.com/bedrock/guardrails, 2026). Ces briques ajoutent de la complexité de configuration, mais elles sont nécessaires dès lors que les documents traités contiennent des informations confidentielles.
Les limites à connaître avant de se lancer
OpenSearch Serverless publiquement accessible : la contrainte réseau
Un point technique mérite attention avant tout déploiement : selon la configuration décrite, la collection OpenSearch Serverless peut être exposée avec un accès réseau public si elle n'est pas explicitement restreinte à un VPC. Pour une entreprise qui y stocke des vecteurs issus de documents sensibles, cette configuration par défaut doit être revue et verrouillée. C'est un exemple typique du type de détail qui distingue une démonstration technique d'un déploiement en production conforme.
Compétences requises : .NET, CDK, Lambda
Déployer cette architecture suppose des compétences d'ingénierie cloud réelles : manipulation d'AWS CDK (Cloud Development Kit) pour provisionner l'infrastructure en code, écriture de fonctions Lambda, et selon l'implémentation de référence, du développement en .NET pour certains composants applicatifs. Ce n'est pas un projet qu'un consultant ou un dirigeant non technicien peut assembler seul avec un tutoriel. Il faut soit une équipe interne familière avec AWS, soit un prestataire spécialisé.
Ce que l'agent ne garantit pas (mise en page, qualité visuelle, fiabilité du contenu)
L'agent compose une structure de slides à partir d'une synthèse générée par un modèle de langage. Il ne garantit ni une mise en page soignée au niveau d'un designer, ni l'absence totale d'erreur factuelle ou d'approximation dans la synthèse, ni la pertinence éditoriale pour un public précis. La relecture humaine reste nécessaire avant tout envoi à un client. Ce système réduit le temps de première mise en forme, il ne supprime pas l'étape de validation.
Par où commencer
Identifier un cas d'usage interne limité : un seul type de rapport récurrent, par exemple un compte-rendu mensuel, avant d'envisager un déploiement plus large.
Évaluer les compétences disponibles en interne (AWS CDK, Lambda, gestion de VPC) ou budgéter un prestataire capable de dimensionner le coût réel d'usage de Bedrock et d'OpenSearch Serverless.
Tester l'architecture de référence d'AWS sur un sous-ensemble de documents non sensibles, avec les Guardrails activés dès le premier essai, avant d'y connecter des données clients.
Ce type d'architecture rejoint une tendance plus large observée dans le déploiement d'agents IA en production, où le gain de temps réel dépend moins du modèle choisi que de la rigueur d'assemblage de l'ensemble du pipeline.
Sources
Generate presentations with Amazon Bedrock AgentCore — AWS, AWS Machine Learning Blog, 02/09/2026
Amazon Bedrock AgentCore — AWS, Amazon Web Services, 15/08/2026
Strands Agents — AWS, Strands Agents, 10/07/2026
Knowledge bases for Amazon Bedrock — AWS, AWS Documentation, 20/08/2026
Amazon Bedrock Guardrails — AWS, Amazon Web Services, 05/08/2026
Cet article a été rédigé et illustré par un système d'intelligence artificielle à partir des sources citées ci-dessus, puis publié automatiquement, sans relecture humaine préalable. Si vous relevez une erreur factuelle, merci de nous la signaler.
Commentaires