AWS Bedrock: co to jest, ile kosztuje i kiedy warto? Przewodnik po AI na AWS (2026)
AWS Bedrock to zarządzana usługa AI od Amazona, która daje dostęp do modeli językowych (Claude, Llama, Titan, Mistral) przez jedno API, bez stawiania infrastruktury. W tym artykule wyjaśniam co to jest, ile kosztuje per token, kiedy wybrać Bedrock zamiast OpenAI, i jakie są realne koszty dla typowych zastosowań.
Czym jest AWS Bedrock i dlaczego powstał
AWS Bedrock to odpowiedź Amazona na pytanie: “Jak dać firmom dostęp do najlepszych modeli AI bez konieczności zarządzania GPU?”
Zamiast stawiać klaster p5.48xlarge za $90/h i walczyć z CUDA driverami, wywołujesz API i płacisz za tokeny. Jeśli planujesz migrację do AWS, Bedrock jest jednym z argumentów przemawiających za tym ekosystemem. Usługa hostuje modele od:
- Anthropic: Claude 3.5 Sonnet, Claude 3.5 Haiku, Claude 3 Opus
- Meta: Llama 3.1 (8B, 70B, 405B)
- Mistral: Mistral Large, Mixtral 8x7B
- Amazon: Titan Text, Titan Embeddings, Titan Image
- Cohere: Command R+, Embed
- AI21: Jamba
Jedno API, wiele modeli, zero infrastruktury do zarządzania.
Spis treści
- Cennik per model (2026)
- Ile zapłacę? Realne scenariusze
- Bedrock vs OpenAI vs SageMaker
- Kiedy Bedrock ma sens
- Dodatkowe koszty (Guardrails, Knowledge Base)
- Jak zacząć
Cennik Bedrock: ile kosztuje per 1000 tokenów (sierpień 2026)
Cennik on-demand (pay-per-use, bez zobowiązań):
Modele generowania tekstu
| Model | Input ($/1M tokenów) | Output ($/1M tokenów) | Kontekst | Najlepszy do |
|---|---|---|---|---|
| Claude 3.5 Sonnet | $3.00 | $15.00 | 200K | Kodowanie, analiza, reasoning |
| Claude 3.5 Haiku | $0.80 | $4.00 | 200K | Chatboty, klasyfikacja, szybkie odpowiedzi |
| Claude 3 Opus | $15.00 | $75.00 | 200K | Najwyższa jakość (drogi!) |
| Llama 3.1 70B | $2.65 | $3.50 | 128K | Open-source, fine-tuning, self-hosting later |
| Llama 3.1 8B | $0.22 | $0.22 | 128K | Tanie prototypy, proste zadania |
| Mistral Large | $4.00 | $12.00 | 128K | Wielojęzyczny, Europa/RODO |
| Titan Text Premier | $0.50 | $1.50 | 32K | Najtańszy z dobrych modeli |
Modele embeddingów (do wyszukiwania semantycznego)
| Model | Cena/1M tokenów |
|---|---|
| Titan Embeddings V2 | $0.02 |
| Cohere Embed English | $0.10 |
| Cohere Embed Multilingual | $0.10 |
Modele obrazów
| Model | Cena/obraz |
|---|---|
| Titan Image Generator | $0.008/obraz (512×512), $0.012 (1024×1024) |
| Stability AI SDXL | $0.04-0.08/obraz |
Ile zapłacę? Trzy realne scenariusze
Scenariusz 1: Chatbot FAQ dla e-commerce (Claude 3.5 Haiku)
- 5 000 konwersacji/mies.
- Średnio: 500 tokenów input + 300 tokenów output per konwersacja
- Input: 5000 × 500 = 2.5M tokenów → $2.00
- Output: 5000 × 300 = 1.5M tokenów → $6.00
- Koszt: ~$8/mies.
Scenariusz 2: Asystent programisty (Claude 3.5 Sonnet)
- 200 wywołań dziennie (dev team 5 osób)
- Średnio: 2000 tokenów input (kod + kontekst) + 1000 tokenów output
- Miesięcznie: 6000 wywołań
- Input: 12M tokenów → $36.00
- Output: 6M tokenów → $90.00
- Koszt: ~$126/mies.
Scenariusz 3: RAG na dokumentach firmy (Claude Haiku + Titan Embeddings)
- 10 000 zapytań/mies.
- Embedding 1000 dokumentów (jednorazowo): 5M tokenów → $0.10
- Retrieval + generacja: 10k × (1500 input + 500 output)
- Input: 15M tokenów → $12.00
- Output: 5M tokenów → $20.00
- Koszt: ~$32/mies. (+ S3 storage + OpenSearch Serverless ~$25/mies. minimum)
Bedrock vs OpenAI API vs SageMaker
| Kryterium | Bedrock | OpenAI API | SageMaker |
|---|---|---|---|
| Dostępne modele | Claude, Llama, Mistral, Titan | GPT-4o, GPT-4 Turbo, o1 | Dowolny (Twój lub HuggingFace) |
| Koszt startu | $0 (pay per token) | $0 (pay per token) | Od $2-5/h (instancja GPU) |
| Data residency | Twój region AWS, VPC | US (OpenAI servers) | Twój region AWS |
| Fine-tuning | Tak (Bedrock Custom Model) | Tak (GPT fine-tuning) | Pełna kontrola (SageMaker Training) |
| Minimalny koszt stały | $0 | $0 | ~$150-1500/mies. (instancja) |
| Najlepszy do | Produkcja na AWS + compliance | Szybki prototyp, najlepszy model | Custom model, pełna kontrola |
| Latencja | 1-5s (zależy od modelu) | 1-3s | 0.5-2s (dedykowany endpoint) |
Kiedy OpenAI wygrywa
- Potrzebujesz GPT-4o (najlepszy model ogólny na rynku w 2026)
- Szybki prototyp bez konta AWS
- Mała firma, brak wymogów regulacyjnych
Kiedy Bedrock wygrywa
- Masz infrastrukturę na AWS i chcesz, żeby dane nie wychodziły z VPC
- Potrzebujesz Claude (lepszy w kodzie i polskim niż GPT-4o)
- Wymóg data residency (EU region, RODO)
- Chcesz testować różne modele bez zmiany providera
Kiedy SageMaker wygrywa
- Trenujesz własny model na swoich danych
- Potrzebujesz <500ms latencji (dedykowane GPU)
- Masz team ML z doświadczeniem w PyTorch/TensorFlow
Szczegółowe porównanie architektury i kosztów znajdziesz w artykule: szczegółowe porównanie architektury Bedrock vs SageMaker vs self-hosted LLM na EKS.
Kiedy AWS Bedrock ma sens biznesowy
Bedrock opłaca się gdy spełniasz minimum 2 z poniższych:
- Twoja aplikacja już działa na AWS: zero dodatkowej konfiguracji sieciowej, IAM policies kontrolują dostęp
- Potrzebujesz data residency: dane klientów muszą zostać w EU (Frankfurt, Irlandia)
- Chcesz eksperymentować z modelami: Claude nie działa? Przełącz na Llama lub Mistral bez zmiany kodu
- Budujesz RAG: Knowledge Base + OpenSearch Serverless + S3 = zero własnego kodu do embeddingów i retrieval
- Compliance: CloudTrail loguje każde wywołanie, KMS szyfruje dane, VPC endpoints izolują ruch
Bedrock nie opłaca się gdy:
- Chcesz tylko chatbota na stronie. OpenAI API będzie prostsze.
- Masz jednego użytkownika i 10 zapytań dziennie. Nie potrzebujesz infrastruktury enterprise.
- Potrzebujesz wyłącznie GPT-4o, którego nie ma na Bedrock.
Dodatkowe koszty: Guardrails, Knowledge Base, Agents
Bedrock to nie tylko wywołanie modelu. Dodatkowe funkcje kosztują osobno:
| Funkcja | Koszt | Co robi |
|---|---|---|
| Guardrails | $0.75/1000 text units (+ $0.10/obraz) | Filtrowanie NSFW, PII masking, ograniczenie tematów |
| Knowledge Base (retrieval) | $0 za samo Bedrock KB, ale płacisz za S3 + vector DB | RAG: model odpowiada na podstawie Twoich dokumentów |
| Agents | $0 za orkiestrację, koszt tokenów per krok | Multi-step reasoning + wywołanie narzędzi |
| Model Evaluation | $0 per ewaluację (płacisz za tokeny) | Porównanie jakości modeli na Twoich danych |
| Custom Model (fine-tuning) | Zależy od modelu i tokenów treningowych | Dostosowanie modelu do Twojego domeny |
Największy ukryty koszt: vector database dla RAG. OpenSearch Serverless to minimum ~$25/mies. nawet przy zerowym ruchu. Alternatywa: Pinecone ($0 starter, $70/mies. pro) lub pgvector na RDS. Więcej o ukrytych kosztach usług zarządzanych znajdziesz w artykule o kosztach chmury dla startupów.
Provisioned Throughput: kiedy opłaca się rezerwacja
On-demand jest łatwy, ale przy dużym wolumenie rozważ Provisioned Throughput:
- Płacisz stałą stawkę za godzinę (np. $39.60/h za Claude Sonnet z 1 model unit)
- Gwarantowana przepustowość (brak throttlingu)
- Opłaca się od ~500k tokenów/min
Kalkulacja progowa:
- Claude Sonnet on-demand przy 500k output tokenów/min = 720M tokenów/dzień = $10,800/dzień
- Provisioned: $39.60/h × 24 = $950/dzień
Przy takim wolumenie provisioned jest 11x tańszy. Ale potrzebujesz go dopiero przy naprawdę dużej skali.
Jak zacząć z Bedrock (5 minut)
- Włącz dostęp do modeli: AWS Console → Bedrock → Model access → włącz Claude/Llama
- Testuj w Playground: Console → Bedrock → Text playground → wybierz model, wpisz prompt
- Integruj przez API:
boto3.client('bedrock-runtime')→invoke_model()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import boto3, json
client = boto3.client('bedrock-runtime', region_name='eu-central-1')
response = client.invoke_model(
modelId='anthropic.claude-3-5-sonnet-20241022-v2:0',
body=json.dumps({
"anthropic_version": "bedrock-2023-05-31",
"max_tokens": 1024,
"messages": [{"role": "user", "content": "Czym jest Kubernetes w 2 zdaniach?"}]
})
)
result = json.loads(response['body'].read())
print(result['content'][0]['text'])
Nie potrzebujesz nic instalować poza boto3. Jeśli masz skonfigurowany AWS CLI, działa od razu.
Podsumowanie
AWS Bedrock to najszybszy sposób na wdrożenie AI w firmie, która już jest na AWS. Cennik jest przejrzysty (pay-per-token), integracja prosta (boto3 + IAM), a bezpieczeństwo danych na poziomie enterprise (VPC, KMS, CloudTrail).
Jeśli rozważasz budowę infrastruktury AI na AWS, zacznij od sprawdzenia ile kosztuje serwer w chmurze, żeby zrozumieć bazowe koszty compute. A jeśli potrzebujesz CI/CD do automatycznego wdrażania modeli, przeczytaj nasz przewodnik o GitHub Actions dla startupów.
Realne koszty:
- Chatbot FAQ: $8-30/mies.
- Asystent dla zespołu dev: $100-200/mies.
- RAG na dokumentach firmy: $30-60/mies. (+ vector DB)
Dla porównania: zatrudnienie ML engineera do utrzymania self-hosted LLM to 15-25k PLN/mies. Bedrock eliminuje tę potrzebę dla 90% przypadków użycia.
Najczęstsze pytania
Czym jest AWS Bedrock?
Zarządzana usługa AI od Amazona dająca dostęp do dużych modeli językowych (Claude, Llama, Titan, Mistral) przez API. Nie musisz stawiać serwerów GPU, płacisz za tokeny.
Ile kosztuje AWS Bedrock?
Zależy od modelu. Claude 3.5 Haiku (tani, szybki): $0.80 input / $4.00 output per milion tokenów. Claude 3.5 Sonnet (mocny): $3 / $15. Titan Text (najtańszy): $0.50 / $1.50. Brak kosztów stałych, płacisz tylko gdy używasz.
Bedrock vs OpenAI: co wybrać?
OpenAI jeśli: chcesz GPT-4o, szybki prototyp, brak infrastruktury AWS. Bedrock jeśli: masz stack na AWS, potrzebujesz data residency EU, chcesz wybierać modele (Claude, Llama, Mistral), lub potrzebujesz logowania/compliance.
Czy dane są bezpieczne w Bedrock?
Tak. Dane nie są używane do trenowania modeli. Ruch zostaje w Twoim regionie AWS. Możesz włączyć VPC endpoints (zero internetu), KMS encryption i CloudTrail audit logging.
Bedrock vs SageMaker: kiedy co?
Bedrock: gotowy model przez API (zero zarządzania GPU). SageMaker: własny model, fine-tuning na Twoich danych, pełna kontrola nad infrastrukturą GPU. 90% firm potrzebuje Bedrock, nie SageMaker.
Czy mogę użyć Bedrock w regionie EU?
Tak. Bedrock jest dostępny w eu-central-1 (Frankfurt) i eu-west-1 (Irlandia). Dane przetwarzane w tych regionach nie opuszczają UE.
Potrzebujesz pomocy z migracją? Sprawdź ofertę Devopsity →
szczegółowe porównanie architektury Bedrock vs SageMaker vs self-hosted LLM na EKSDefinicje
- Token
- Jednostka tekstu przetwarzana przez model. Około 4 znaki angielskie = 1 token. Polskie słowo to zwykle 1.5-2 tokena ze względu na diakrytyki. 1000 tokenów ≈ 750 angielskich słów.
- On-demand (Bedrock)
- Model rozliczenia pay-per-token. Płacisz za każde wywołanie, bez zobowiązań. Idealne na start i zmienne obciążenie.
- Provisioned Throughput
- Zarezerwowana przepustowość modelu. Płacisz stałą stawkę za godzinę niezależnie od użycia. Opłacalne przy >100 requestów/min (przewidywalne obciążenie).
- Knowledge Base
- Funkcja Bedrock umożliwiająca podłączenie własnych dokumentów (S3, bazy wektorowe) do modelu. Model odpowiada na podstawie Twoich danych, realizując wzorzec RAG bez pisania kodu.
- Guardrails
- Filtry bezpieczeństwa Bedrock: blokowanie treści NSFW, PII masking, ograniczanie tematów. Dodatkowa opłata: $0.75/1000 text units.
Źródła
FAQ
Czym jest AWS Bedrock?
Amazon Bedrock to zarządzana usługa AWS dająca dostęp do dużych modeli językowych (LLM) przez API. Oferuje modele od Anthropic (Claude), Meta (Llama), Amazon (Titan), Mistral i innych, bez konieczności zarządzania infrastrukturą GPU.
Ile kosztuje AWS Bedrock?
Cennik zależy od modelu. Claude 3.5 Sonnet: $3/mln input tokenów, $15/mln output tokenów. Claude 3.5 Haiku: $0.80/$4. Llama 3.1 70B: $2.65/$3.50. Titan Text: $0.15/$0.20. Płacisz tylko za użycie, zero kosztów stałych.
Bedrock vs OpenAI API: co wybrać?
OpenAI ma GPT-4o i jest prostsze na start. Bedrock wygrywa gdy: masz już infrastrukturę na AWS, potrzebujesz VPC isolation (dane nie wychodzą z Twojego regionu), chcesz wybierać między modelami (Claude, Llama, Titan), lub musisz spełnić wymogi regulacyjne (RODO, data residency).
Czy Bedrock jest droższy niż OpenAI?
Porównywalne modele mają zbliżone ceny. Claude 3.5 Sonnet na Bedrock kosztuje tyle samo co bezpośrednio u Anthropic. GPT-4o jest nieco tańszy za output ($10 vs $15 u Claude Sonnet), ale Claude jest lepszy w dłuższych kontekstach i kodzie.
Bedrock vs SageMaker: kiedy co?
Bedrock: gdy chcesz użyć gotowego modelu przez API bez zarządzania GPU. SageMaker: gdy trenujesz własny model, potrzebujesz fine-tuningu na dużym zbiorze, lub hostingu customowego modelu z pełną kontrolą nad instancjami GPU.
Czy dane w Bedrock są bezpieczne?
Tak. Dane przesłane do Bedrock nie są używane do trenowania modeli. Ruch pozostaje w Twoim regionie AWS. Możesz włączyć VPC endpoints (zero ruchu przez internet), szyfrowanie KMS i logowanie do CloudTrail.