Автоматический учет затрат на ИИ-инструменты в Amazon Bedrock
AWS Machine Learning · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Amazon Bedrock внедряет механизм атрибуции затрат, связывающий каждый запрос к модели с конкретным пользователем через IAM-идентификатор. Это позволяет компаниям точно отслеживать расходы на ИИ-инструменты и управлять бюджетами без изменения кода приложений.
Рост использования ИИ-ассистентов создает риск неконтролируемых расходов. Новый подход AWS решает проблему «серых зон» в биллинге, обеспечивая прозрачность затрат на уровне отдельных сотрудников и команд.
Масштабирование внедрения искусственного интеллекта в корпоративных средах порождает критический вопрос для служб FinOps: как точно атрибутировать расходы на каждого пользователя? Amazon Web Services предлагает решение, встроенное непосредственно в платформу Amazon Bedrock. Механизм работает без необходимости внедрения дополнительного программного обеспечения или изменения логики API-вызовов. Система автоматически фиксирует IAM-идентификатор (ARN) каждого вызывающего субъекта при обращении к эндпоинтам bedrock-runtime или bedrock-mantle. Эта информация попадает в отчеты AWS Cost and Usage Reports (CUR 2.0) и Cost Explorer, оставаясь внутри защищенного периметра AWS. Таким образом, организация получает возможность видеть реальную стоимость использования ИИ-инструментов на уровне отдельных сотрудников, команд или центров затрат.
Ключевым преимуществом подхода является его универсальность. Механизм атрибуции функционирует на уровне платформы Bedrock, независимо от конкретного приложения. Инструменты разработки и продуктивности, такие как Claude Code, OpenAI Codex, ChatGPT Work или OpenCode, используют одни и те же механизмы аутентификации. Если компания настроит передачу идентичности один раз, все инструменты, маршрутизирующие запросы через Bedrock, автоматически наследуют видимость затрат по пользователям. Это устраняет необходимость в создании отдельных IAM-ролей для каждого приложения или использовании сложных скриптов управления учетными данными.
Для реализации этой схемы требуется интеграция AWS IAM Identity Center с внешним поставщиком идентичности, таким как Okta или Microsoft Entra ID. Через протокол SCIM происходит синхронизация пользователей и групп, а организационные атрибуты (например, название команды или центр затрат) маппятся на сессионные теги. Эти теги автоматически добавляются к каждому API-вызову и появляются в биллинговых данных с префиксом iamPrincipal/. Пользователи аутентифицируются стандартной командой aws sso login, что обеспечивает безопасность и удобство, так как долгосрочные ключи доступа не выдаются.
Важно понимать ограничения гранулярности данных. В CUR 2.0 затраты агрегируются по типу использования за интервал экспорта (час или день), а не по каждому отдельному запросу. Для детального анализа на уровне токенов или промптов AWS рекомендует использовать логи вызовов моделей или метаданные запросов. Тем не менее, для целей финансового контроля и распределения бюджета данных CUR 2.0 достаточно. Компания Bedrock отдельно тарифицирует входные, выходные, кэш-чтения и кэш-записи токенов, что позволяет детально анализировать структуру расходов.
После получения видимости затрат организации необходимо внедрить механизмы контроля. AWS предлагает несколько уровней защиты. Самый простой вариант — AWS Budgets с действиями, которые срабатывают при превышении порога. Однако из-за задержки в биллинге (до 24 часов) этот метод не подходит для мгновенного ограничения. Для более оперативного контроля используются CloudWatch и Lambda, реагирующие на метрики Bedrock в течение 1–5 минут. Наиболее строгий контроль обеспечивается через LLM-шлюзы или отслеживание квот в DynamoDB, что позволяет блокировать запросы в реальном времени.
Компании могут внедрять эти компоненты поэтапно. Сначала подключается Identity Center для получения базовой атрибуции в CloudTrail. Затем активируются теги затрат для отображения данных в CUR 2.0. По мере роста потребностей добавляются дашборды на базе Athena или QuickSight. Наконец, внедряются механизмы ограничения расходов в зависимости от допустимой задержки реакции. Такой подход позволяет гибко управлять затратами на ИИ, сохраняя при этом простоту администрирования и безопасность данных.