La prise de décision dans un contexte d'incertitude repose souvent sur des fonctionnelles définies sur des variables aléatoires, telles que les fonctionnelles d'utilité (économie), les mesures de risque (finance quantitative) et les principes de prime (science actuarielle). En pratique, un modèle probabiliste est estimé et les fonctionnelles sont évaluées sur les distributions induites, en s'appuyant sur la théorie approfondie de la construction de modèles statistiques. Dans de nombreux cas, cependant, aucun modèle unique ne peut être spécifié, ce qui conduit à une prise de décision dans un contexte d'ambiguïté. L'un des principaux outils permettant de lutter contre l'ambiguïté est l'optimisation robuste en distribution (DRO), dans laquelle le décideur fixe un ensemble de modèles, appelé ensemble d'ambiguïté, et calcule la valeur la plus défavorable de la fonctionnelle sur les distributions. Dans cette présentation, nous proposons une nouvelle méthode pour construire des ensembles d'ambiguïté lorsque le décideur est un statisticien bayésien. De plus, nous discutons des avantages de ce cadre par rapport à d'autres formalisations DRO et des modèles de décision bayésiens (par exemple, le modèle lisse).