DynamoDB intègre la recherche vectorielle native et rend les bases vectorielles dédiées obsolètes pour l’opérationnel

30 juillet 2026, AWS, re:Invent 2026 : DynamoDB fait le plus gros bond architectural de son histoire. La base NoSQL serverless d’Amazon intègre désormais la recherche vectorielle en mode natif — une fonctionnalité qui, jusqu’ici, exigeait une base vectorielle dédiée (Pinecone, Weaviate, OpenSearch) synchronisée avec la base opérationnelle via un pipeline ETL jamais tout à fait fiable.

L’annonce, faite lors de l’AWS Summit New York 2026 par Swami Sivasubramanian, VP Agentic AI chez AWS, change la donne pour les architectures RAG (Retrieval-Augmented Generation), les moteurs de recommandation et la recherche sémantique. Le tout sans serveur à provisionner, sans fenêtre de maintenance, et avec le même modèle pay-per-request que le reste de DynamoDB.

La fin du pattern « base opérationnelle + base vectorielle »

Depuis 2023, l’architecture standard pour ajouter de la recherche sémantique à une application ressemblait à ceci :

Application → DynamoDB (données opérationnelles)
            → Pipeline ETL (Lambda / Kafka)
            → Base vectorielle (Pinecone, Weaviate, OpenSearch)

Ce pattern imposait trois coûts que les équipes connaissent bien :

• Coût de synchronisation : chaque mise à jour dans DynamoDB doit être répliquée dans la base vectorielle. Le pipeline ETL est une source de bugs, de latence et de divergence.
• Coût financier : une base vectorielle dédiée facture au nombre de vecteurs stockés, souvent avec un minimum mensuel. Pour un catalogue de 50 millions de produits, la facture Pinecone peut dépasser 2 500 $/mois avant la première requête.
• Coût cognitif : deux bases, deux SDK, deux modèles de cohérence, deux dashboards de monitoring. La simplicité opérationnelle n’existe pas.

Avec la recherche vectorielle native, DynamoDB stocke les embeddings directement dans les items de la table, sous forme d’attribut de type List contenant des flottants. Une seule table, un seul appel API, une seule facture.

Ce que DynamoDB Vector Search fait — et ne fait pas

La fonctionnalité repose sur un nouveau type d’index : le Vector Index. Sa création se fait en quelques paramètres :

aws dynamodb create-vector-index \
    --table-name ProductCatalog \
    --index-name ProductDescriptionIndex \
    --vector-attribute-name descriptionEmbedding \
    --dimensions 1536 \
    --distance-function cosine \
    --partition-key marketplace \
    --inline-filter-attributes category

Les capacités clés :

• Jusqu’à 4 096 dimensions par vecteur — compatible avec OpenAI text-embedding-3-large (3 072 dimensions), Cohere Embed v4 (4 096) et Amazon Titan Embeddings G1 (1 536).
• Trois fonctions de distance : Cosine (similarité sémantique), Euclidean (distance géométrique), Dot Product (pertinence pour le ranking).
• Filtrage inline : possibilité de restreindre la recherche à une partition et à des attributs exacts (exemple : « cherche des chaussures similaires, mais uniquement dans la catégorie footwear du marketplace US »).
• Latence < 10 ms au P99 sur des index de plusieurs milliards de vecteurs, grâce au partitionnement natif de DynamoDB.
• Pas de limite de stockage : l’index scale horizontalement avec la table.

Ce que DynamoDB Vector Search ne fait pas :

• Pas de filtrage range (BETWEEN, BEGINS_WITH) sur les attributs de filtre inline — uniquement des égalités exactes.
• Pas de recherche hybride (vectorielle + plein texte) — pour ça, OpenSearch reste nécessaire.
• Pas de re-ranking LLM intégré — le score de similarité est brut, sans couche de pertinence sémantique additionnelle.

Pour les cas d’usage où le filtrage exact suffit et où la recherche plein texte n’est pas requise, DynamoDB couvre désormais l’intégralité du besoin.

Qui doit migrer — et qui ne doit pas

La décision de migrer dépend du rapport entre vos données vectorielles et vos données opérationnelles.

Migrez si vos données opérationnelles sont déjà dans DynamoDB et que vous maintenez un pipeline de synchronisation vers une base vectorielle externe. C’est le cas de figure le plus fréquent dans les architectures RAG sur catalogue produit, documentation interne, ou base de connaissances client. La suppression du pipeline réduit la latence d’indexation de plusieurs secondes à < 100 ms et élimine le risque de divergence.

Ne migrez pas si vous avez besoin de recherche hybride vectorielle + plein texte, de filtrage complexe (range, booléen imbriqué), ou si votre volume de données vectorielles dépasse très largement vos données opérationnelles. OpenSearch et Pinecone restent supérieurs pour la recherche purement sémantique avec reranking.

Cas frontière : si vous utilisez Pinecone serverless pour sa simplicité et que vos embeddings proviennent déjà de données DynamoDB, le coût de migration est quasi nul — un UpdateItem pour ajouter l’attribut d’embedding, un CreateVectorIndex, et vous supprimez le pipeline.

Coût : combien ça change vraiment

Le modèle de facturation de DynamoDB Vector Search suit le même principe que le reste du service. Pas de frais fixes, pas d’instance à provisionner :

Pour un cas réel — 50 millions de produits avec embeddings 1 536 dimensions (Titan Embeddings G1, ~6 Ko par vecteur) :

• Avant : DynamoDB (~300 $/mois stockage) + Pinecone p1.x2 (~2 500 $/mois) + Lambda ETL (~150 $/mois) = ~2 950 $/mois
• Après : DynamoDB seul (~300 $/mois stockage + ~50 $/mois écritures + ~100 $/mois lectures) = ~450 $/mois

Soit une réduction de 85 %. Le chiffre varie selon le volume de requêtes, mais l’ordre de grandeur est cohérent sur tous les cas d’usage où le pipeline ETL était le poste de coût principal.

Verdict

DynamoDB Vector Search n’est pas un tueur de Pinecone ou Weaviate pour tous les usages, mais il l’est pour un usage en particulier — et c’est le plus répandu : « j’ai des données dans DynamoDB, je veux faire de la recherche sémantique dessus sans ajouter une deuxième base. »

Si vous êtes dans ce cas, la migration est un no-brainer financier et opérationnel. Supprimez le pipeline de synchronisation, ajoutez l’index vectoriel, et économisez 80 à 90 % sur votre facture mensuelle de recherche sémantique. Si vous avez besoin de recherche hybride ou de filtrage complexe, gardez OpenSearch — mais branchez-le sur le même DynamoDB Stream plutôt que de maintenir deux jeux de données redondants.

L’architecture RAG de 2027 aura une base de moins. C’est AWS qui vient de la retirer du schéma.

Références

• AWS News Blog, « Amazon DynamoDB now supports real-time vector search at any scale », 30 juillet 2026
• AWS Summit New York 2026, Keynote de Swami Sivasubramanian, 30 juillet 2026
• Amazon DynamoDB Developer Guide, « Vector Search for DynamoDB », consulté le 6 août 2026