Amazonのエンジニアは2026年11月9日、社内の大量の問い合わせチケットを分類する処理に「Strands Decider」を採用し、従来のClaude Sonnet 4.6を使う方式と比べて費用を約98%削減した事例を公表しました。1件あたりの推計費用は約0.0222ドルから約0.0005ドル、平均処理時間は4,215ミリ秒から897ミリ秒に短縮したとしています。

98%という数字は、社内チケットの分類という特定用途、特定の処理量、米国東部リージョンの公表価格を前提とした比較です。長文の回答を作る仕事や他社のAIエージェント全体に、そのまま適用できる削減率ではありません。

Strands Deciderが担当する「選択肢から選ぶ」処理

Strands Deciderは、入力された状態と決められた選択肢を受け取り、各候補の確率と確信度を出す判断モデルです。一般的な生成AIのように自由な説明文を作る処理とは出力方法が異なります。

Amazonの事例では、問い合わせチケットを20種類のカテゴリへ振り分けます。問い合わせには顧客からのエスカレーション、設備の容量申請、自動アラーム、セキュリティ関連の指摘などが含まれます。従来のSonnet 4.6は、長い指示文を読んで分類理由を含むJSONを返していました。新方式は、チケットの情報と候補カテゴリを一つの選択問題に変え、選んだ結果を短く返します。

今回採用されたモデルはStrands DeciderのE4B版です。最初は2B版で試した後、E4Bの方が社内テストの結果が良かったため変更したと説明されています。

費用98%削減の計算はどうなっている?

公式ブログが示した、同じ社内分類処理に対する代表値は次のとおりです。

  • 平均処理時間:Claude Sonnet 4.6は4,215ms、Strands Decider E4Bは897ms(約78%短縮)。
  • 入力トークン:1件あたり6,554から2,009へ削減。
  • 出力トークン:1件あたり170から1へ削減。
  • 合計トークン:6,724から2,010へ削減(約70%)。

費用の比較には、Claude Sonnet 4.6のBedrock上の公表価格として入力100万トークン3ドル、出力100万トークン15ドルを使用しています。対するDeciderはAmazon SageMakerの「ml.g5.xlarge」を1時間1.408ドルで稼働させる前提です。

この条件から算出したチケット1件あたりの費用は、Sonnet方式で約0.0222ドル、Decider方式で約0.0005ドルです。100万件を処理すると約22,200ドルと約500ドルとなり、比率は約44分の1、削減率は約98%になります。

Decider側の費用はサーバーの稼働率に依存します。公式記事によると、1インスタンスの推論自体は約640msで、フル稼働時には1時間約5,600件の処理が可能です。実際の運用ではアクセス集中に備えて余力を確保するため、満杯で稼働した場合の理論単価より高めの約500ドル/100万件として計算しています。

分類処理を軽くした工夫と切り替え前の検証

出力を短くし、カテゴリ説明も圧縮

従来はカテゴリの長い説明をすべてプロンプトに渡し、JSON形式の回答を生成させていました。新方式では20カテゴリをそれぞれ1〜2文の判断条件にまとめ、どれにも当てはまらない場合の「none」も選択肢に加えています。

Strands Deciderのコンテキスト長は4,096トークンで、長いチケットでは古いコメントを落として入力を収めています。分類に必要な背景情報まで失われると誤判定につながるため、短縮の仕方は用途に合わせて検証する必要があります。

本番切り替え前に両モデルを並走させた

AWS AppConfigの設定を「BEDROCK」「DUAL」「DECIDER」の3種類に分け、従来モデルのみ、両モデルを同時実行、Deciderのみという段階を設けています。DUALでは従来の結果を本番に適用しながら新モデルの分類結果を比較し、判断が食い違ったチケットを確認しました。

公式記事は、JSONのキー順を変えるだけで出力確率が最大0.19変わった例も報告しています。入力の並びを固定し、閾値や例外処理を決めることが安定した分類につながりました。

実行環境と運用費、問い合わせ分類に向く業務

Amazon社内のシステムでは、チケットイベントをSQSで受け取り、LambdaからSageMakerのモデルエンドポイントを呼び出しています。DeciderのE4BはA10G GPU(24GB)を備えたml.g5.xlarge上で動作し、モデルが約19GiBを使用します。監視にはCloudWatch、切り替えにはAppConfigを使ったと説明されています。

導入に向くのは、カテゴリが決まっている問い合わせ振り分け、優先度判定、担当チームの選択、定型的なワークフローの分岐などです。判定理由を長文で生成する仕事や、選択肢が頻繁に変わる仕事には別のモデルを組み合わせる設計が考えられます。

自社で試す場合は、過去のチケットを使って誤分類率とカテゴリ別の精度を測り、判断が難しいケースを人へ戻す条件を決めます。実際の推論費用にはサーバーの待機時間、ログ、データ転送、失敗時の再実行、監視運用なども含めて比較してください。

AIが選択した後に外部システムへ処理を送る仕組みについては、folimielの「Function Calling」で解説しています。

一次情報と関連報道

Strands Agents公式(2026年11月9日)

GIGAZINE(2026年11月11日)