파트 2: 아마존 아테나와 쿠두스를 활용한 아마존 베드락 비용 귀속

(aws.amazon.com)

AWS Machine Learning Blog2026년 8월 12일AI 모델

Amazon Bedrock의 비용을 IAM 주체별로 정밀하게 추적할 수 있는 새로운 방법을 소개하며, Athena와 CUDOS를 활용해 사용자 및 애플키케이션 단위의 비용 귀속을 자동화하여 효율적인 클라우드 비용 관리를 가능하게 합니다.

이 글의 핵심 포인트

1Amazon Bedrock의 비용을 IAM principal(사용자/애플리케이션) 단위로 추적 가능
2CUR 2.0 설정 시 'Include caller identity (IAM principal) allocation data' 옵션 활성화 필수
3Athena를 활용해 SQL 쿼리로 Bedrock 사용 유형 및 비용 분석 가능
4CUDOS 대시보드를 통해 정밀한 Bedrock 비용 데이터를 시각화할 수 있음
5IAM 데이터 포함 시 데이터 행 확대로 인해 S3 저장 용량 증가 가능성 유의

이 글에 대한 공공지능 분석

왜 중요한가?

LLM 도입이 급증함에 따라 예측 불가능한 API 호출 비용은 기업의 주요 재무 리스크로 부상하고 있습니다. 이번 기능은 어떤 사용자나 서비스가 비용을 유발하는지 명확히 식별하게 해줌으로써, AI 운영의 투명성과 비용 통제력을 극대화합니다.

어떤 배경과 맥락이 있나?

생성형 AI 모델(Bedrock) 사용량이 늘어나면서 단순 총액 관리를 넘어, 개별 에이전트나 팀 단위의 정밀한 '비용 귀속(Cost Attribution)'에 대한 수요가 커지고 있습니다. AWS는 이를 위해 CUR 2.0의 데이터 확장 기능을 통해 IAM 주체별 데이터를 제공하기 시작했습니다.

업계에 어떤 영향을 주나?

개발팀은 비용 효율적인 AI 애플리케이션 아키텍처를 설계할 수 있고, 운영팀은 서비스별로 정확한 비용을 산정하여 내부 정산(Chargeback) 프로세스를 자동화할 수 있습니다. 이는 특히 다수의 에이전트가 상호작용하는 복잡한 AI 워크플로우 환경에서 필수적인 관리 역량입니다.

한국 시장에 어떤 시사점이 있나?

클라우드 비용 관리가 서비스의 유닛 이코노믹스(Unit Economics)와 직결되는 한국 스타트업들에게, LLM 사용량에 따른 정밀한 원가 계산은 서비스 지속 가능성을 결정짓는 핵심적인 기술적/재무적 역량이 될 것입니다.

이 글에 대한 큐레이터 의견

AI 에이전트와 다양한 외부 도구가 결합된 현대의 클라우드 환경에서, '누가 얼마를 썼는가'에 대한 가시성 확보는 단순한 비용 절감을 넘어 비즈니스 모델의 건전성을 증명하는 수단입니다. 특히 Bedrock과 같은 서버리스 AI 서비스는 호출량에 따라 비용이 기하급수적으로 늘어날 수 있어, 이번처럼 IAM 주체별로 비용을 쪼개 볼 수 있는 기능은 운영 효율성 측면에서 매우 강력한 무기가 됩니다.

다만, 주의할 점도 명확합니다. 본문에서도 언급되었듯 IAM principal 데이터를 활성화하면 데이터 행(row)이 사용자 수만큼 확장되어 CUR 파일 크기와 S3 저장 비용이 증가하는 트레이드오프가 발생합니다. 따라서 모든 로그를 무분별하게 수집하기보다는, 비즈니스 임팩트가 큰 핵심 서비스 위주로 태깅 전략을 세우고 Lifecycle 정책을 통해 데이터 관리 비용을 최적화하는 영리한 접근이 필요합니다.

원문 보기 →