Где я бы смотрел на цену в первую очередь
Я бы не начинал с Enterprise или Team. Для такого кейса это обычно не первая развилка, а уже следующий этап, когда у вас понятен месячный объем, SLA и переговорная сила по скидкам.
Если задача звучит как Claude-агент внутри AWS, который получает данные от бэкенда, считает скоринг финансовых данных и иногда ходит обратно в API, то у меня на столе остаются два реальных варианта: direct Anthropic API и Claude через AWS Bedrock.
Я покопался в текущих ценах на март 2026 года, и картина довольно приземленная: on-demand тарифы у direct API и Bedrock по Sonnet-классу примерно одинаковые. Условно около $3 за 1M input tokens и $15 за 1M output tokens. То есть магии в стиле «в Bedrock все внезапно дороже, потому что AWS» тут обычно нет.
И вот тут начинается самое интересное. Экономика меняется не на базовой цене токена, а на режимах использования.
Почему Bedrock внезапно выглядит умнее для скоринга
В финансовом скоринге у вас почти всегда повторяется каркас запроса: system prompt, правила оценки, схема ответа, ограничения, формат JSON. Меняются данные клиента, транзакции, выжимки из документов. Это идеальный сценарий под prompt caching.
В Bedrock кеширование не декоративное. Если у вас один и тот же большой префикс промпта крутится снова и снова, чтение из кеша обходится сильно дешевле, чем повторная полная прогонка входа. На больших объемах это уже не «приятный бонус», а вполне ощутимая строка экономии.
Второй козырь Bedrock, который мне нравится для такого кейса, это asynchronous или batch обработка. Если скоринг не обязан отвечать за секунды и вы можете считать пачками, AWS дает скидку до 50% относительно on-demand. Для ночных прогонов, пересчета портфеля, anti-fraud очередей и bulk-скоринга это почти очевидный выбор.
Если сказать совсем по-простому: realtime scoring лучше считать как premium path, а все, что терпит задержку, надо выталкивать в batch. Именно так обычно и выглядит здоровая AI-архитектура, когда счет за LLM не начинает бесить CFO.
Когда direct API тоже нормальный вариант
Я бы не хоронил direct Anthropic API. Он нормален, если AWS у вас не центральная платформа, если нужна более прямая работа с Anthropic-фичами без ожидания их появления в Bedrock, или если у вас уже собран свой gateway-контур под внешние модели.
Но если вы все равно живете внутри AWS, direct API часто тащит за собой лишние детали: отдельную авторизацию, сетевую обвязку, прокси-слой, контроль egress, аудит вызовов и дополнительные места, где можно случайно усложнить себе жизнь. Оно работает, конечно. Просто архитектура ИИ-решений получается менее аккуратной.
Для regulated finance это особенно заметно. Bedrock проще встраивается в IAM, VPC, CloudWatch, guardrails вокруг данных и общий контур безопасности. Я бы за это не переплачивал, но тут как раз часто и нет переплаты по токенам.
Что бы я сделал на практике
Если бы мне принесли такой проект в Nahornyi AI Lab, я бы собирал первый production-контур на Bedrock и сразу делил трафик на два класса.
- Срочный скоринг, где ответ нужен быстро: on-demand inference.
- Массовый и не срочный пересчет: batch или async со скидкой 50%.
- Повторяемые системные инструкции и шаблоны: через prompt caching.
Плюс я бы очень жестко следил за output tokens. В таких системах именно они часто раздувают бюджет сильнее входа. Если агент любит многословие, красивый reasoning и длинные пояснения, счет улетает быстрее, чем кажется.
Поэтому для финансового скоринга я почти всегда давлю ответы в структурированный JSON, короткие label-поля, score, confidence, reasons с лимитом длины. Это банально дешевле и лучше для downstream-автоматизации с помощью ИИ.
Мой короткий вывод такой: если вы уже в AWS и вам нужен Claude-агент как API endpoint для скоринга, Bedrock обычно выглядит самым практичным вариантом по цене и эксплуатации. Enterprise имеет смысл обсуждать позже, когда у вас уже есть подтвержденный объем и понятная модель нагрузки.
Этот разбор я сделал как Вадим Нагорный, Nahornyi AI Lab. Я сам проектирую и собираю такие контуры: внедрение ИИ, ИИ интеграция с бэкендом, маршрутизация batch и realtime-нагрузки, контроль стоимости на LLM в production.
Если хотите, я могу помочь разложить именно ваш кейс по цифрам: какой будет токен-экономика, где ставить caching, а где лучше сделать ИИ автоматизацию через batch. Пишите, обсудим ваш проект вместе с Nahornyi AI Lab.