Amazon Bedrockとは｜主要モデル・料金とAWS LLM開発案件
最終更新日：2026/09/07
Amazon Bedrockは、AWS上で複数の生成AIモデルを統一APIで利用できるフルマネージドサービスです。Anthropic Claude・Meta Llama・Amazon Nova など複数の基盤モデル（FM）を単一のAPIから呼び出せ、自前でGPUクラスタを構築せずに、AWSのセキュリティ・認証基盤に載せてLLMアプリを構築しやすいのが特徴です。この記事は、企業のLLM導入や生成AI案件でBedrockを触る／触る予定のフリーランスエンジニアに向けて、主要モデル・料金・機能・案件動向をまとめて把握できるようにするためのガイドです。
先に結論
Amazon BedrockはAWSアカウントの中で複数のLLMを切り替えて使えるフルマネージドAI基盤で、Claude・Llama・Nova・Mistralなど主要モデルを1本のAPIで呼べる
料金はオンデマンド（トークン課金）とプロビジョンドスループット（時間課金）の2軸。まずはオンデマンドで検証し、負荷が読めてきたら固定枠に切り替えるのが定石
Bedrockが選ばれる主な理由は、既存のAWS基盤（VPC・IAM・CloudTrail・KMS）に載せられること、データが学習に使われない契約になっていること、社内の統制要件を通しやすいこと
案件は「PoC・要件定義」「RAG構築」「エージェント／ツール連携」「ガードレール設計」の4類型が中心。単価は他のAWS案件と同水準〜やや上乗せの傾向
Bedrock単体の学習だけでは価値が薄い。IAMポリシー・VPCエンドポイント・OpenSearch Service／S3ベクトル検索・Lambdaといった周辺サービスと合わせて設計できる人が重宝される
この記事でわかること
Amazon Bedrockが「マネージドLLM基盤」として何を提供しているか
どのモデルを、どの用途で選べばよいか（Claude / Nova / Llama / Mistralの位置づけ）
オンデマンドとプロビジョンドスループットの料金構造と、どちらを選ぶかの判断軸
Vertex AI・Azure OpenAI Service・OpenAI直叩きとの実務上の違い
フリーランスエンジニアがBedrock案件で求められるスキルと単価の目安
目次
Amazon Bedrockとは何か（サービスの位置づけ）
主要モデルと選び方
料金体系（オンデマンドとプロビジョンドスループット）
主要機能（Knowledge Bases・Agents・Guardrails）
Vertex AI / Azure OpenAI / OpenAI APIとの違い
AWSでのLLM開発案件と単価
Bedrockを本番で使う前に押さえておくべき勘所
Bedrockを学ぶ順序（実務前提のロードマップ）
Bedrock案件でよく組み合わせるAWSサービス
内製LLM基盤・オープンモデルとの使い分け
まとめ
よくある質問
Amazon Bedrockとは何か（サービスの位置づけ）
Amazon Bedrockは、複数の基盤モデル（Foundation Model, FM）をサーバレスなAPIから利用できるAWSのマネージドサービスです。AWSアカウントの中で、Anthropic・Meta・Amazon・Mistral AI・AI21 Labs・Cohere・Stability AIといった提供元のモデルを、統一されたインターフェースで呼び出せます。自前でGPUインスタンスを立ち上げる必要はなく、リクエスト単位（トークン単位）またはスループット単位で課金されます。
Bedrockの立ち位置を一言でいうと、「AWS版のマネージドLLM基盤」です。OpenAI APIをAzureからマネージドに提供するのがAzure OpenAI Service、Google CloudでGemini・PaLM・Imagenなどを扱うのがVertex AI、AWSでClaude・Llama・Novaなどを扱うのがBedrock、と対応させると位置がつかみやすいはずです。
AWSサービスとしての特徴
サーバレス：モデルのホスティング・スケーリング・パッチ適用はAWS側で完結する
統一API：InvokeModel／Converse API 経由で複数モデルを同じ形式で呼べる
AWS基盤に統合：IAM・VPC・PrivateLink・KMS・CloudTrail・CloudWatchといった既存のAWSサービスとネイティブに連携する
データ保護：AWSの公式FAQでは、Bedrockの入出力は基盤モデルの学習には使われないと案内されている。データ取り扱いの詳細はBedrock FAQと各機能の仕様確認が必要
モデルの切り替え：モデルIDを変えるだけで別のプロバイダのモデルに差し替えられる
使い始めの流れ
AWSマネジメントコンソールの「Bedrock」画面から、利用したいモデルのモデルアクセス申請を行う（リージョンごと、モデルごと）
アクセスが承認されたら、bedrock-runtime のAPIまたはSDK（boto3等）から InvokeModel／Converse を呼ぶ
認証はAWS標準の署名v4（IAMロール／アクセスキー）で、追加のAPIキー発行は不要
数分〜数十分で有効化されることが多いですが、モデルや組織設定によっては時間がかかる場合があります。企業アカウントで組織ポリシー（SCP）を敷いている場合はさらに情シスとの調整が入ることがあります。
主要モデルと選び方
Bedrockで扱える基盤モデルは、大きく分けて汎用テキスト・マルチモーダル・画像生成・埋め込みの4系統です。代表的なモデルとユースケースを整理します。
主要モデルの一覧
プロバイダ | 代表モデル | 得意分野 | 主な用途 |
|---|---|---|---|
Anthropic | Claude系（Opus / Sonnet / Haiku） | 長文推論・コード生成・エージェント | 業務RAG、コード支援、要件抽出 |
Amazon | Nova（Micro / Lite / Pro） | 低コストの汎用モデル | チャット、要約、社内Q&A |
Meta | Llama系（3.x以降） | オープンウェイトの汎用テキスト | オンプレ検証と同じモデルでの本番運用 |
Mistral AI | Mistral Large / Mixtral | 多言語・関数呼び出し | ヨーロッパ言語対応、コスト重視 |
Amazon | Titan Embeddings v2 | 埋め込み（ベクトル化） | RAG、類似検索 |
Cohere | Command R+ | RAG最適化 | ドキュメント検索、ツール実行 |
Amazon / Stability AI | Nova Canvas / Stable Diffusion | 画像生成 | 商品画像、モックアップ |
対応モデルは追加・変更・提供終了が頻繁に起きるため、正式なモデルID・提供リージョン・世代番号はAWSの基盤モデル一覧で最新版を確認してください。同じモデルでも「東京リージョン（ap-northeast-1）」で使えるものと、バージニア北部（us-east-1）でしか使えないものがあるため、要件定義時に必ずリージョンを確認します。
用途別のモデル選定
社内RAG（社内文書のQ&A）：Claude Sonnet系＋Titan Embeddings v2、または Nova Pro＋Titan Embeddings v2 の組み合わせ
コード生成・レビュー支援：Claude Opus / Sonnet系
軽量チャット（大量トラフィック）：Nova Micro / Lite、Claude Haiku
オンプレ・BedrockのハイブリッドでLlamaを使いたい：Llama系（同じモデル系統をオンプレでも動かせる）
ヨーロッパ拠点向けチャット：Mistral Large
判断軸としては、「まずClaude SonnetとNova Proで精度検証 → コストが合わないところをHaikuやNova Liteに落とす」という順序が実務では多く見られます。オンデマンドで比較検証してから、ベースラインを固定していく流れです。
ミニFAQ：モデル選定
Q. 案件で見かけることが多いモデルは？
A. 公開事例や案件観測ベースでは、Anthropic Claude系（Sonnet中心）と Amazon Nova系がよく見られます。Claude系は業務RAGとエージェント用途、Nova系はコスト重視の社内チャットで使われる例が目立ちます。利用頻度の順位はAWS公式の統計が公開されているわけではないため、あくまで観測レンジの目安です。
Q. Bedrockで OpenAIのGPT-5 は使えますか？
A. 2026年時点では、Bedrockの提供モデルにOpenAIのGPTシリーズは含まれていません。GPT系を使いたい場合はAzure OpenAI Service か OpenAI APIを直接呼ぶ構成になります。
料金体系（オンデマンドとプロビジョンドスループット）
Bedrockの料金は、モデル種別ごとに公式ページ（Bedrock 料金）で公開されていますが、課金の軸は共通しています。
2つの課金モデル
課金モデル | 単位 | 向いているケース |
|---|---|---|
オンデマンド | 入力トークン／出力トークンごとの単価 | PoC、負荷が読めない初期、スパイクが少ないワークロード |
プロビジョンドスループット | モデルユニット×時間（1〜6か月コミット） | 定常的に高スループットが要る本番、応答時間の予測可能性が要る用途 |
オンデマンドは1000トークンあたりの単価で課金されます。たとえばClaude Sonnet系なら、入力トークンと出力トークンで別単価が設定されており、出力トークン側が高めに設定されるのが一般的です。実際の単価は上記の公式料金ページで最新値を確認する必要があります。
プロビジョンドスループットは、モデルや提供形態によって細部は異なるものの、概ねモデルユニット（MU）と呼ばれる枠を時間単位で予約する方式です。予約している間はスループット（TPS）が保証される代わりに、リクエストの有無にかかわらず料金が発生します。コミット期間や条件（例：1か月／6か月コミット）は改定されうるため、Bedrock 料金で最新情報を確認してください。
どちらを選ぶかの判断軸
月間トークン数がまだ読めない → オンデマンド
本番稼働で1日中トラフィックが張り付く → プロビジョンド
応答レイテンシを厳しくSLA化したい → プロビジョンド
社内評価用の一時的な負荷 → オンデマンド
まずオンデマンドでPoCと初期本番を回し、1〜2か月ぶんのトークン消費と応答時間のログを取ってから、プロビジョンド換算のコストを試算するという進め方が事故が少なくなります。プロビジョンドは途中解約ができないため、負荷が読めないうちに長期コミットすると、使い切れずに予算だけ減る事故が起きやすい領域です。
コストに効く追加要素
キャッシュ（Prompt Caching）：同じシステムプロンプトを繰り返し送るRAGでは、対応モデルでキャッシュを有効化するとキャッシュヒット分の入力トークン単価が大きく下がる（※対応モデル・リージョンは要確認）
バッチ推論：即時性が不要な処理はバッチAPIで単価を下げられる（※対応モデル・リージョンは要確認）
モデル選定：Sonnet→Haiku、Pro→Liteに落とせるところは落とす。日常的なコスト削減の中心はこの層
LLMアプリのコスト最適化は、モデル選定・キャッシュ・バッチをどう組み合わせるかが実務の勘所です。案件レベルの整理はLLMコスト最適化案件の単価相場｜トークン削減・推論設計のフリーランス実務で扱っています。
ミニFAQ：料金
Q. Bedrockに月額の固定基本料はありますか？
A. オンデマンドには基本料はなく、使ったトークン分だけの従量課金です。プロビジョンドスループットを契約した場合のみ、契約期間中は固定料金が発生します。
Q. 東京リージョンとバージニアで料金は違いますか？
A. モデルとリージョンの組み合わせで単価が異なるケースがあります。特に新規モデルは先にバージニア（us-east-1）で提供され、後追いで東京に来る流れが多く、対応リージョンと単価は公式料金ページで都度確認します。
主要機能（Knowledge Bases・Agents・Guardrails）
Bedrockは単なるLLM呼び出しAPIに加えて、RAG構築・エージェント・安全性ガードレールの機能をマネージドで提供しています。これらを組み合わせることで、フルスクラッチで書くコード量を減らせるのがBedrockの実務メリットです。
Knowledge Bases for Amazon Bedrock（マネージドRAG）
社内ドキュメントのRAGを構築する機能です。S3にドキュメントを置くと、ベクトル化・インデックス作成・検索・LLM呼び出しまでを一連で扱えます。バックエンドのベクトルストアはOpenSearch Serverless・Aurora PostgreSQL・Pinecone・Redis Enterprise Cloudなどから選択できます。
ドキュメントの取り込み（ingestion）は自動化される
チャンク分割戦略（固定長・階層構造・意味ベース）を選べる
ハイブリッド検索（ベクトル＋キーワード）に対応
引用元（citation）を含めて返すため、監査要件のある社内RAGで使いやすい
自前でLangChain＋OpenSearchでRAGを組んでいた頃と比べると、インフラ側の運用負担が大幅に減る一方、チャンク戦略や検索パラメータのチューニングは相変わらず腕の見せどころです。
Agents for Amazon Bedrock（エージェント）
自然言語の指示から、複数のツール（Lambda関数・API）を順番に呼び出して結果を返すエージェント機能です。ReAct的な推論ループをマネージドで実行してくれます。
Action Group としてLambda関数を登録する
OpenAPI スキーマまたは関数スキーマでツールを定義する
セッション履歴・変数の管理はBedrock側で行う
社内システム連携（在庫確認、稟議申請、ログ分析）を自然言語からトリガーするようなユースケースで採用が広がっています。
Guardrails for Amazon Bedrock（安全性ガードレール）
入力・出力に対して有害コンテンツフィルタ・PIIマスキング・トピック制限・グラウンディング評価などをかける機能です。モデルとは独立して構成できるため、モデルを差し替えてもガードレールは維持できます。
禁止トピック（例：投資助言、医療診断）を宣言的に設定できる
PII（個人情報）を検出して自動でマスキング／ブロック
RAGの参照文脈と回答の整合性チェックなど、限定的なグラウンディング評価
応答評価スコアの記録
社内システムに載せる際、法務・情報セキュリティ部門との合意形成にGuardrailsの設定が使えるため、企業導入では出番が多い機能です。プロンプトインジェクション対策の実装ポイントはプロンプトインジェクション対策｜LLMアプリのセキュリティ実装ガイドにまとめています。
モデル評価（Model Evaluation）
Bedrockのコンソールから、複数モデルの応答品質を評価するジョブを作成できます。自動評価（アルゴリズム）と人手評価の両方をマネージドで扱えるため、モデル選定の初期フェーズで使い勝手が良い機能です。LLM評価そのものの案件動向はLLM評価・データアノテーション案件｜単価相場と参入ルートで扱っています。
Vertex AI / Azure OpenAI / OpenAI APIとの違い
企業でLLM基盤を選ぶとき、Bedrock・Vertex AI・Azure OpenAI Service・OpenAI直叩きの4つが実質的な選択肢です。それぞれの実務上の違いをまとめます。
観点 | Amazon Bedrock | Azure OpenAI | Vertex AI | OpenAI API（直叩き） |
|---|---|---|---|---|
主要モデル | Claude / Nova / Llama / Mistral | GPT系（OpenAIモデル） | Gemini / Claude / Llama等 | GPT系 |
ホスト | AWS | Azure | Google Cloud | OpenAI |
データ保護 | 契約上の学習非利用に対応（詳細はAWS仕様確認） | 契約上の学習非利用に対応（詳細はMS仕様確認） | 契約上の学習非利用に対応（詳細はGoogle仕様確認） | 契約とAPI設定に依存 |
認証 | AWS IAM | Azure AD | Google IAM | APIキー |
既存基盤との相性 | AWS基盤の企業 | Microsoft 365／Azure基盤の企業 | GCP／Google Workspaceの企業 | 独立サービス |
モデルの多様性 | 高（複数プロバイダ） | 低〜中（OpenAI系中心） | 中〜高 | 低（OpenAI系のみ） |
実務での選定の勘所
AWSに既に本番システムがある企業：Bedrockが第一候補。IAM・VPC・監査ログの統合が効く
Microsoft 365・Azure ADで統制している企業：Azure OpenAI Serviceが自然
BigQuery・Vertex Pipelinesを使っている企業：Vertex AIが連携で有利
既存インフラの縛りがなくGPT系を最速で使いたい：OpenAI APIを直叩き
Bedrockの強みは「モデルロックインを避けやすい」点です。同じアプリケーションコードから、Claude・Nova・Llama・Mistralを切り替えて評価できるため、モデル戦略の柔軟性が要る企業に向いています。
各サービスのAPI直叩きの比較は、既存記事のClaude APIの使い方｜料金・モデル選定・実装例、OpenAI APIの使い方｜料金・モデル選定・Claude/Geminiとの違い、Gemini APIの使い方｜料金・モデル選定・OpenAI APIとの違い にまとめてあります。「モデル単体で使いたいのか、企業のマネージド基盤で使いたいのか」の切り分けが判断のスタート地点です。
ミニFAQ：他社比較
Q. Claude APIを直接呼ぶのと、BedrockのClaudeを呼ぶのは何が違いますか？
A. モデル自体は同じ系統ですが、認証（Anthropic APIキー vs AWS IAM）、請求先（Anthropic vs AWS）、統制（Anthropic側の契約 vs AWSアカウント内）が異なります。企業でAWS上の他システムと監査要件を揃えたい場合はBedrock経由が扱いやすいです。
AWSでのLLM開発案件と単価
Bedrockを触るフリーランス案件は、2025〜2026年にかけて公開案件で見かけるようになってきました。既存のAWS案件の延長線上で「生成AI導入」の要件が乗っている構成が多く、Bedrock単体で募集される例より、AWS基盤の要件定義・構築と組み合わさる形が中心です。
案件の4類型
類型 | 主な作業 | 求められるスキル |
|---|---|---|
PoC・要件定義 | ユースケース整理、モデル選定、コスト試算 | 業務ヒアリング、モデル特性の理解、AWSコスト設計 |
RAG構築 | Knowledge Bases構築、埋め込み設計、チャンク戦略 | S3・OpenSearch・Bedrock・Lambda、Python |
エージェント／ツール連携 | Agents for Bedrock、Lambda連携、業務システムAPI呼び出し | Lambda、API Gateway、業務システム知識 |
ガードレール・監査設計 | Guardrails、PIIマスキング、監査ログ設計 | セキュリティ、CloudTrail、監査要件の翻訳 |
単価の目安（公開案件観測ベース）
以下は主要フリーランスエージェント数社の公開案件（週4〜5日・準委任・首都圏中心）を2026年時点で観測した目安です。
Bedrockを含むAWS上の生成AI案件は、まずは公開案件ベースで月額80〜130万円のレンジで募集される例が多く見られます
上位帯（130万円超）は、AWSソリューションアーキテクト経験＋LLMアプリの本番導入経験を求めるケースが中心。例：AWS設計主担当の実績、RAGの本番導入、セキュリティレビュー対応経験がある人向け。特に医療・金融領域では要件が厳しく、単価が上振れる傾向があります
下位帯（80万円前後）は、AWSの実務経験3〜5年＋PythonでBedrockを触ったことがあるレベルの水準です。例：AWS運用〜構築経験があり、BedrockはPoC経験レベルの人向け
非公開案件では、より高い水準で打診されるケースもありますが、個別条件で振れ幅が大きいため、公開案件ベースの数字を基準に読むのが安全です
上記は公開案件の観測ベースの目安であり、契約条件・稼働率・地域で変動します。自分がどのレンジで狙えるかを具体的に知りたい場合は、フリーランスエンジニア単価診断で市場単価の目安を確認できます。AWSエンジニア全般の単価相場はAWSエンジニア フリーランスの単価相場｜経験・案件レイヤー別に解説で整理しています。
参画までの時間
公開案件やエージェント経由では、AWS実務経験と直近のLLMアプリ実装事例（PoCでも可）があるエンジニアの場合、面談から2〜4週間程度で進む例もありますが、商流・面談回数・セキュリティ審査で前後します。実務経験が浅い場合は、AWS基盤側の実績で先に参画し、Bedrock構築を稼働開始後に担当していく順序が現実的です。稼働開始後から社内でBedrock関連の設計実績を積むほうが、次の案件で「Bedrock経験あり」として提案しやすくなります。
ミニFAQ：案件
Q. Bedrock単独の案件はありますか？
A. Bedrock単独よりも、AWS基盤の設計・構築と抱き合わせの募集が中心です。既存のAWSワークロード上に生成AI機能を追加する要件が多いためです。
Q. AWSの資格は必要ですか？
A. 必須ではありませんが、AWS SAA（ソリューションアーキテクト アソシエイト）以上を保有していると初回面談でのスクリーニング通過率が上がる印象です。詳細はAWS認定資格おすすめ一覧を参照してください。
Bedrockを本番で使う前に押さえておくべき勘所
Bedrock案件で現場に入ってから詰まりやすいポイントを、実務で頻出する順にまとめます。
モデルアクセスとリージョンの罠
モデルアクセス申請はアカウントごと・リージョンごと・モデルごとに個別に必要
新モデルはバージニア北部（us-east-1）で先行提供される。東京リージョンで提供されるまで遅れることがあり、本番リージョンの選定で影響が出る
組織ポリシー（SCP）でBedrock APIコールが弾かれている企業アカウントでは、情シスと調整のうえでSCP調整が必要になる
IAMポリシー設計
bedrock:InvokeModel を全モデルに開けるのではなく、モデルARNごとに許可するのが安全側
Knowledge Basesを使う場合は、S3読み取り・OpenSearch書き込み・KMS復号など複数の権限が絡む
監査要件が厳しい企業では、実行ロールと保存先バケットを分離し、CloudTrail Data Eventsを有効化する
VPCエンドポイントとネットワーク
Bedrockはインターネット経由でも呼べるが、企業ではVPCエンドポイント（PrivateLink）経由で呼ぶ構成が主流
Knowledge Basesの内部通信・OpenSearchへの通信も含めてPrivateLinkに寄せると、監査ログの一貫性が取れる
コスト管理
開発環境でモデルを叩きっぱなしにするとオンデマンド課金が積み上がる
Cost Explorer で「Bedrock」ディメンションを絞ってダッシュボード化しておくと、初動が早くなる
開発／本番のAWSアカウントを分離し、開発アカウントに上限アラートを設定する
応答性能・レイテンシ
モデル提供状況や混雑状況によっては、東京リージョンから別リージョン（例：us-east-1）のBedrockを呼ぶほうが安定する場合もあるため、実測での比較が必要
ストリーミング（ConverseStream）を使うと、体感応答時間が大きく改善する
リトライ戦略（指数バックオフ）は Bedrock側のスロットリングと合わせて設計する
プロンプト管理
モデル切り替えの柔軟性を活かすため、プロンプトはコードにハードコードせず外部化する（Parameter Store、S3、DynamoDB等）
本番／検証／PoCで別バージョンのプロンプトを回すため、プロンプトのA/B戦略はBedrockアプリの品質を大きく左右する
Bedrockを学ぶ順序（実務前提のロードマップ）
Bedrock案件を狙うフリーランスエンジニアが最短で戦えるようになるための順序を、実務での重要度順に並べます。
ステップ1：AWSアカウントで実際に触る
個人のAWSアカウントで Nova Micro / Claude Haiku をオンデマンドで呼び、料金の桁感をつかむ
東京リージョンとバージニア北部の両方で試し、モデルアクセスの申請フローに慣れる
想定コストは、素振りレベルなら月額数百円〜数千円のオーダー
ステップ2：Knowledge Basesで社内風のRAGを組む
S3にPDF・Markdownを10〜50件置いてKnowledge Basesで検索できる状態を作る
チャンク戦略・埋め込みモデル・検索件数を変えて精度差を観察する
OpenSearch Serverlessの料金を意識しながら試す
ステップ3：Agents / Guardrails まで拡張する
Lambda関数を1〜2個作り、Agents from Bedrockから呼び出す構成にする
Guardrailsで有害コンテンツフィルタ・PIIマスキングを試す
ステップ4：他モデル基盤との比較経験を積む
Azure OpenAI・Vertex AI をそれぞれ簡単なチャットで触り、認証・課金・レイテンシの違いを説明できるようにする
面談でモデル選定の話が出たとき、経験ベースで比較できる状態にする
ステップ5：セキュリティ・監査要件のフレーム化
CloudTrail・Config・IAMポリシーで監査要件をどう組み立てるかを整理する
情報セキュリティ部門や法務にどう説明するかまで手順化しておく
現場で単に「Bedrockが触れる」だけの人と、「モデル選定・コスト設計・監査要件」までカバーできる人では、面談時の評価が大きく変わります。AWS全体でどのサービスから触ればいいかの順序はクラウド案件の参入順序｜AWS・Azure・GCPどれから取るかの判断軸にまとめています。
Bedrock案件でよく組み合わせるAWSサービス
Bedrockは単体で完結せず、他のAWSサービスと組み合わせて設計します。案件で頻出する組み合わせを整理します。
S3：ドキュメント保管、Knowledge Basesのソース、AWS S3の解説
Lambda：Agentsのアクション実行、前処理・後処理、AWS Lambdaの解説
API Gateway：LLMアプリのエンドポイント、認証・レート制御
DynamoDB：会話履歴・セッション管理、DynamoDBの解説
OpenSearch Service / Aurora PostgreSQL：ベクトルストア
CloudFront：フロントエンドの配信、CloudFrontの解説
ECS / Fargate：Bedrockを呼ぶバックエンドAPIのホスト、AWS ECS・Fargateの解説
「Bedrockだけができる人」より、「Bedrock＋周辺サービスで1つのシステムを設計・運用できる人」の方が案件単価が上がりやすいのは、この組み合わせが多いためです。
内製LLM基盤・オープンモデルとの使い分け
Bedrockはマネージドサービスですが、企業によってはオープンウェイトモデルを自前で動かしたいニーズもあります。Bedrockと内製の使い分けを整理します。
Bedrockが向くケース：AWSに既に基盤があり、IAM・監査ログを既存の統制に載せたい。モデル切り替えの柔軟性が要る
内製が向くケース：完全オンプレ運用が必要（機密性が非常に高い）。学習・ファインチューニングを頻繁に行う。GPUリソースを既に持っている
ハイブリッド：本番はBedrock、実験系はOllamaなどのローカル環境という運用も見られる
LLMファインチューニングを含む本格的なモデルカスタマイズが要件になる場合は、LLMファインチューニング案件の全体像｜必要スキル・単価目安・参画ルートを参照してください。BedrockでもCustom Model Importでオープンウェイトモデルを持ち込めますが、実務ではまだ事例が少なく、案件で見かけるのは基盤モデルのAPI呼び出しとRAG／エージェント構築が中心です。
社内向けの生成AI導入プロジェクトそのものの流れは社内LLM導入案件とは｜構成・要件・単価とフリーランスの参画実務にまとめています。
まとめ
まずは「AWS上で複数モデルを統一APIで扱えるマネージド基盤」と理解すれば十分です。Amazon Bedrockは、AWSアカウントの中で複数の基盤モデルを1本のAPIから使えるフルマネージドLLM基盤で、Claude・Nova・Llama・Mistralといった主要モデルを、既存のAWS基盤（IAM・VPC・監査ログ）に載せた形で使えるのが最大の実務メリットです。
Bedrock単体ではなく、S3・Lambda・OpenSearchなどのAWSサービスと組み合わせて設計する
料金はオンデマンドで検証し、負荷が読めてからプロビジョンドスループットの検討に進む
Knowledge Bases・Agents・Guardrailsのマネージド機能を使うと、フルスクラッチ実装より工数が減る
案件はAWS基盤の要件定義・構築と組み合わさる形が中心で、単価は月額80〜130万円のレンジで公開募集される例が多く見られる（首都圏公開案件観測ベース、2026年時点）
モデル選定・コスト設計・監査要件までカバーできると、他のBedrock経験者と差がつく
Bedrock関連の生成AI案件を探したい場合は、フリコンの案件一覧からAWS／生成AIタグで絞り込めます。自分がどのレンジで狙えるかを具体的に確認したい場合は、フリーランスエンジニア単価診断で市場単価の目安を確認できます。
参照した一次情報：
よくある質問
Amazon Bedrockは無料枠がありますか？
継続的な無料枠はありません。ただしAWSアカウント作成直後の無料利用枠期間や、モデルによっては期間限定のクレジット付与があるケースがあります。詳細はBedrock公式の最新情報を確認してください。基本はオンデマンドで少額から検証を始めるのが標準的な使い方です。
Bedrockで日本語のRAGを作る場合、どのモデル構成が現実的ですか？
埋め込みは Amazon Titan Embeddings v2、生成は Claude Sonnet系または Nova Pro が組み合わせとして採用されやすい構成です。Titan Embeddings v2は多言語対応で日本語も扱え、生成モデルの選定は精度／レイテンシ／コストのバランスで決めます。ハイブリッド検索（ベクトル＋キーワード）を有効化すると日本語の固有名詞・数字の取りこぼしが減ります。
Bedrockで生成された出力の著作権は誰のものですか？
AWSの利用規約上、出力コンテンツの権利はサービス利用者側に帰属する扱いとされています。ただし各基盤モデル提供元（Anthropic・Metaなど）の利用条件、入力データの権利、生成物の類似性、利用国の法制度など複数の論点が絡みます。実際の商用利用や再配布可否は、利用規約と個別案件の法務判断が必要です。
Bedrockで自社モデルをホストできますか？
Custom Model Importで、対応するアーキテクチャのオープンウェイトモデル（Llama系等）をBedrockにインポートできます。ただし自作モデルを何でも載せられるわけではなく、対応するアーキテクチャに限られます。要件があれば公式ドキュメントで対応形式を確認します。
Bedrockのモデル呼び出しはリージョンをまたげますか？
Cross-Region Inference（クロスリージョン推論）機能を使えば、複数リージョンで同一モデルを呼び出せるようになり、スループットとレイテンシを分散できます。応答時間の予測可能性やキャパシティ確保が必要な本番運用で有効です。ただし通信経路とデータ所在地の要件がある場合は、リージョンの選定を情報セキュリティ側と合わせる必要があります。
Bedrockに送ったデータは学習に使われますか？
AWSのBedrock FAQでは、Bedrockの入出力は基盤モデルの学習には使われないと案内されています。保存・転送・ログの扱いは構成ごとに異なるため、要件が厳しい場合は監査ログの残り方（CloudTrail Data Events）や暗号化キー（KMS）の設計まで含めて確認します。
Bedrockのモデル選定でハルシネーションを減らすには？
モデル単独で完全に消すことはできません。RAG（Knowledge Bases）で参照文脈を与える、Guardrailsのグラウンディングチェックを使う、プロンプトで「わからないときは"わかりません"と答える」指示を明示する、温度パラメータを下げる、の4点を組み合わせるのが実務での標準的な対策です。
BedrockのAPIキー漏洩リスクは？
Bedrockは独自のAPIキーを発行せず、AWS IAM（アクセスキーまたはIAMロール）で認証します。アクセスキーの誤コミット対策は他のAWSサービスと同じで、GitHub Secrets scan、IAM Access Analyzer、シークレット管理サービス（Secrets Manager）の使用が標準対策になります。EC2・Lambda・ECSからの呼び出しは可能な限りアクセスキーではなくIAMロールで認証します。
Bedrockはオンプレから呼べますか？
呼べます。オンプレからインターネット経由、あるいはDirect Connect・VPN経由でVPCエンドポイントに接続する構成が取れます。監査要件が厳しい場合はDirect Connect＋PrivateLinkの組み合わせが定番です。
Bedrock案件で必要な英語力はどのくらいですか？
案件そのものは日本語ベースですが、AWSの公式ドキュメントは英語版が最新であることが多く、リリース直後の情報は英語で追う必要があります。技術ドキュメントを英語で読める程度で十分で、会話力までは求められないケースが大半です。
Bedrockで画像生成もできますか？
できます。Amazon Nova Canvas、Stable Diffusion系のモデルが提供されており、テキストから画像を生成できます。商品画像・広告バナー・モックアップ生成などのユースケースで採用されるケースがあります。
Bedrockでコード生成はどのモデルが良いですか？
コード補完・レビュー支援用途では Claude Sonnet / Opus系が採用されやすい傾向があります。同じくBedrock上の別モデルでコード生成を試して精度を比較したい場合は、モデル評価機能を使うと比較が体系化できます。開発向けAIツール全般の比較はAIコーディングエージェント比較｜Cursor・Claude Code・Clineの選び方を参照してください。
Bedrockは中小企業でも使えますか？
使えます。AWSアカウントがあれば規模に関わらず利用できます。初期費用がかからず、オンデマンドで小さく始められるため、中小企業のPoC〜本番までスケールしやすい特徴があります。
Bedrockと生成AI以外のAWS AIサービス（SageMaker等）の違いは？
Bedrockは基盤モデル（LLM等）のAPI利用に特化したサービス。SageMakerはモデルの学習・デプロイ・MLOpsまでカバーする汎用ML基盤です。既存モデルをAPIで使いたいならBedrock、独自モデルを学習させたいならSageMaker、という切り分けが基本です。
