Jamf 实战：Amazon Bedrock 实时支出强制与 AI 成本治理
问题
生成式 AI 支出与行为挂钩，缺乏按用户可见性和成本问责；在扩大 AI 访问前，领导层需要知道每人花费、能否限制以及 ROI。
解决方案
Jamf 构建了基于 Amazon Bedrock 调用日志、Amazon Athena 成本视图、AWS Lambda 定时执行和 IAM 客户托管策略的系统，按工程师每日预算实施分层模型限制，并在接近预算时通过 Slack 通知。
结果
实现按用户成本可见性，限制在几分钟内生效且无需重新认证，每日自动重置；保持低成本模型可用，避免中断工作；治理反而加速了 AI 采用。
成本
成本信息待确认。
案例分析
使用场景：AI 成本治理 / 生成式 AI 按用户实时支出限制
实施证据：Jamf 已在其工程组织中构建并运行生产系统：文中描述了部署步骤，并提到‘Running this system in production surfaced lessons’，且给出了数百名工程师下的成本数据。
指标：数百名工程师规模下，AWS Lambda、DynamoDB 和 S3 成本低于每月 10 美元；达到日预算 80% 时禁止 Anthropic Claude Opus，100% 时禁止 Claude Sonnet，保留 Claude Haiku；强制执行循环每 15 分钟运行一次；IAM 客户托管策略最多保留 5 个版本，需删除旧版本
经验：成本优化：Amazon Athena 按扫描范围计费，需保持日志 schema 精简并只查询预聚合视图；JSON 日志无法列裁剪，建议合并查询或转换为 Parquet。；治理加速采用：硬性上限让管理层愿意扩大 AI 访问。；始终保留低成本模型，避免完全阻断生产力。；新模型需要显式定价分支，避免未映射模型绕过限制。；IAM 策略版本上限为 5，需要删除最旧非默认版本。；Athena 异步查询需要 Lambda 等待完成并设置适当超时。