AWS beschreibt Adjudicated-Query-Muster für lückenlose Mietvertragsprüfungen in Amazon Quick

Das Problem: Jeden Mietvertrag prüfen und es beweisen können

AWS stellt das Problem am Beispiel eines Immobilienbetreibers dar, der 50.000 Mietverträge in mehreren US-Bundesstaaten verwaltet. Jeder Bundesstaat veröffentlicht Gesetze zum Verhältnis von Vermietern und Mietern, etwa Obergrenzen für Verzugsgebühren, Kündigungsfristen und Kautionslimits, und diese ändern sich nach dem Zeitplan der Parlamente. Ändert sich eine Regel, muss das Compliance-Team herausfinden, welche Verträge nun nicht mehr konform sind.

Bei kleinen Mengen kann ein Paralegal die Verträge lesen, und man vertraut dem Ergebnis, weil ein Mensch dafür geradesteht. Ab einer gewissen Größe übernimmt Software die Arbeit, und das Ergebnis wird zu einer Zahl auf dem Bildschirm, die niemand unabhängig überprüfen kann. AWS leitet daraus zwei Anforderungen ab:

• Nachweisbare Vollständigkeit: Eine Aussage wie „Wir haben alle 22.910 Mietverträge in Texas geprüft“ muss wahr und belegbar sein. Ein nie bewerteter Datensatz muss als nicht ausgewertet gemeldet werden und darf nicht stillschweigend fehlen.
• Belastbarkeit: Ein Befund kann Monate später in einem Rechtsstreit, einer Prüfung oder einer behördlichen Untersuchung angefochten werden. Ihn zu verteidigen heißt zu wissen, welche Version welcher Regel auf welchen Klauseltext, mit welcher Methode, an welchem Datum und von wem angewendet wurde.

AWS argumentiert, dass Retrieval Augmented Generation (RAG) keine der beiden Anforderungen erfüllen kann, weil es bei der Ähnlichkeitssuche keinen Schwellenwert gibt, der „alle Datensätze“ bedeutet, und eine gerankte Stichprobe nie weiß, was sie ausgeschlossen hat. Text-to-SQL birgt ein eigenes Risiko: Ein halluziniertes Prädikat kann die Grundgesamtheit unbemerkt verkleinern, und die resultierende Zahl wirkt exakt, selbst wenn der Umfang falsch ist.

So funktioniert das Muster

Adjudicated Query wird als begrenzte Dialogschicht über einer deterministischen Regelengine beschrieben. Das Modell macht nur zwei Dinge: Es übersetzt eine Frage in natürlicher Sprache in einen Aufruf aus einem festen Satz typisierter Operationen und formuliert das Ergebnis in Worte. Es schreibt nie eine Abfrage, legt nie die Grundgesamtheit fest und trifft nie eine Entscheidung.

Regeln werden als versionierte Daten gespeichert, nicht als Code. Die Engine kennt generische Vergleichsoperatoren (gte, lte, equals, exists) und enthält keine Verzweigung, die eine Rechtsordnung oder ein Thema benennt. Eine Gesetzesänderung ist daher eine Änderung einer Zeile im Regelwerk und kein Code-Deployment.

Jeder Sweep erzeugt einen Vollständigkeitsnachweis, eine zugesicherte Invariante: konform plus verletzt plus mehrdeutig plus unlesbar muss gleich der Zahl der gescannten Datensätze sein. Sie wird aus Zählwerten berechnet und geprüft, bevor etwas gespeichert wird, sodass ein Lauf, der seine Grundgesamtheit nicht vollständig erklären kann, nie abgeschlossen wird. Die Chat-Oberfläche zeigt Zählwerte, den Nachweis und eine gekennzeichnete Stichprobe, während der gesamte Ergebnisbestand in einem Dashboard liegt, das denselben Datenspeicher liest.

AWS vergleicht die Ansätze so: RAG liefert eine gerankte Stichprobe und macht Vollständigkeit strukturell unmöglich, Text-to-SQL liefert eine behauptete, aber nicht beweisbare Grundgesamtheit, während eine Regelengine mit BI und Adjudicated Query beide eine exakte und belegte Grundgesamtheit liefern. Das neue Muster ergänzt den Ansatz aus Regelengine und BI um den Zugang per natürlicher Sprache, ohne die Garantie aufzugeben.

Referenzarchitektur und die sechs Tools

Eine Compliance-Beauftragte nutzt in Amazon Quick zwei Oberflächen: einen Chat-Agenten für Fragen und ein Amazon Quick Sight Dashboard, um die vollständigen Ergebnisse zu durchsuchen. Der Chat-Agent erhält ein OAuth-Token von Amazon Cognito und sendet dann Model-Context-Protocol-Anfragen (MCP) über eine Amazon API Gateway HTTP API, die das Token validiert, bevor sie die Anfragen an eine AWS-Lambda-Funktion weitergibt. Diese Funktion hostet den MCP-Server und die Regelengine und nutzt über die RDS Data API Amazon Aurora Serverless v2 (Postgres mit pgvector). Das Dashboard liest über eine VPC-Verbindung denselben Aurora-Speicher, wodurch der Vollständigkeitsnachweis eine einzige maßgebliche Quelle bleibt.

Der MCP-Server stellt genau sechs Tools bereit:

• sweep_compliance: ein erschöpfender Sweep gegen die an einem genannten Stichtag geltenden Regeln. Die Ergebnisse sind offiziell und werden als Befunde gespeichert.
• simulate_rule_change: testet eine Regel mit einem vorgeschlagenen Wert gegen die genehmigte Baseline. Explorativ, nur richtungsweisende Zählwerte, nichts wird aufgezeichnet.
• explore_clauses: die Top K nach semantischer Ähnlichkeit innerhalb einer gefilterten Grundgesamtheit. Interpretativ und nicht geeignet, um „Wie viele?“ zu beantworten.
• get_finding: die vollständige Beweiskette für einen Befund.
• list_rules: das an einem Stichtag geltende Regelwerk mit Versionen, Fundstellen und Freigebenden.
• check_connection: ein Lebenszeichen-Check, der keine Daten berührt.

Begrenzte Operationen werden in mengenbasiertes SQL übersetzt, wobei Regelwerte als Parameter gebunden werden, sodass keine natürliche Sprache die Abfrageschicht erreicht. Amazon Bedrock wird nur auf dem explorativen Pfad der Klauselsuche aufgerufen: mit Amazon Titan Text Embeddings V2 für das Ähnlichkeitsranking und Anthropic Claude Sonnet 5, über ein regionsübergreifendes Inferenzprofil aufgerufen, für die qualitative Bewertung von Klauseln. Laut AWS ist an Compliance-Sweeps kein Modell beteiligt. AWS weist zudem darauf hin, dass die Verfügbarkeit von Bedrock-Modellen je nach Region variiert und vor dem Deployment geprüft werden sollte.

Was das für Compliance-Teams bedeutet

AWS sieht das Muster für Fälle vor, in denen verantwortliche Nutzer einen dialogbasierten Zugang brauchen und ein übersehener Datensatz eine Haftungsfrage ist und nicht bloß eine kleine Unannehmlichkeit. Weil das Modell nur aus Operationen wählen kann, deren Logik zur Grundgesamtheit von Menschen geschrieben, geprüft und getestet wurde, kann es keine falsche Grundgesamtheit zusammenstellen.

Obwohl der Beitrag Mietvertrags-Compliance als Beispiel nutzt, sagt AWS, dass sich das Muster auch auf andere Bereiche mit hohem Risiko übertragen lässt, darunter Sanktionsprüfung, Schadenregulierung in der Versicherung und Exportkontrolle. Der Beitrag enthält außerdem ein funktionierendes Beispiel, das Leser bereitstellen und von Anfang bis Ende ausführen können.