AWS hat ein Referenzdesign für Amazon Quick veröffentlicht, mit dem sich Compliance-Fragen zu einer umfangreichen Sammlung von Mietverträgen stellen lassen. Die nützliche Idee ist eine strikte Aufgabenteilung: Das Chatmodell wählt ein festgelegtes Werkzeug aus und erläutert dessen Antwort; ein separates Regelwerk definiert die Grundgesamtheit und trifft jede einzelne Feststellung. Der Beitrag vom 2. Oktober und das Beispielrepository beschreiben einen Lehr-Prototyp, keinen validierten Rechts-Compliance-Dienst.

Für Ingenieurinnen, Ingenieure und Compliance-Verantwortliche stellt sich die Frage, ob diese Abgrenzung zur jeweiligen Prüfentscheidung passt. Das Beispiel verwendet synthetische Mietverträge sowie erfundene Regeln und Zitate. Die Beispielsummen zeigen nur die vorgesehene Ausgabeform; sie sagen nichts über die Genauigkeit bei echten Verträgen oder geltendem Recht aus.

Die große Änderung

  • Was sich geändert hat: AWS’ Beispiel macht KI zu einer kontrollierten Schnittstelle für festgelegte Prüfwerkzeuge. Ein Regelwerk bestimmt die Ergebnisse für eine genau aufgezählte Gruppe von Mietverträgen.
  • Warum das wichtig ist: Versionierte Regeln und ein Nachweisbeleg geben Prüfenden eine Möglichkeit, außerhalb des Chats nachzuvollziehen, wie die ausgewählten Datensätze beurteilt wurden.
  • Worauf zu achten ist: Der Beleg validiert weder das Bestandsverzeichnis noch die Extraktion oder die rechtlichen Regeln. Anwender müssen diese Eingaben, die Zuordnung zu den anfragenden Personen und die Leistung mit ihren eigenen Daten prüfen.

Die Grundgesamtheit kommt vor dem Prompt

Eine Person kann Quick fragen, welche Mietverträge in Texas an einem bestimmten Datum gegen eine Regel zu Verzugsgebühren verstoßen. Quick leitet die Anfrage an sweep_compliance weiter, eine von sechs benannten MCP-Operationen. Die Operation bestimmt anhand des angegebenen Gerichtsstands und Datums die Grundgesamtheit und die jeweils gültigen versionierten Regeln. Das Modell schreibt weder die SQL-Abfrage noch entscheidet es, ob eine Klausel die Prüfung besteht. Die Regel-Engine wendet festgelegte Vergleichsoperatoren an; die Regelwerte werden als Parameter übergeben. AWS erklärt, dass bei einer offiziellen Gesamtprüfung kein Modell konsultiert wird. AWS erläutert hier den Operationsvertrag; das Repository beschreibt die Implementierung.

Die übrigen Werkzeuge haben engere Aufgaben. simulate_rule_change liefert explorative Zählungen für einen vorgeschlagenen Wert, ohne Feststellungen zu protokollieren. explore_clauses ordnet eine gefilterte Stichprobe nach semantischer Ähnlichkeit und kann nicht die Frage „Wie viele?“ beantworten. get_finding ruft eine einzelne Nachweiskette ab; list_rules zeigt, welche Regeln an einem bestimmten Datum gelten; check_connection prüft den Übertragungsweg. Diese Abgrenzung ist wichtig, denn eine Stichprobe relevanter Klauseln ist keine Vollerhebung.

Die Gesamtprüfung erstellt einen Beleg, der jeden geprüften Datensatz einer von vier Kategorien zuordnet: regelkonform, Verstoß, mehrdeutig oder nicht lesbar. Die Engine prüft vor dem Speichern, ob sich die Zählungen zu der Gesamtzahl der geprüften Datensätze addieren. Quick kann die Summen und eine kleine Stichprobe anzeigen; ein Quick-Sight-Dashboard liest die vollständigen Ergebnisse aus demselben Aurora-Datenspeicher. Eine Feststellung enthält den Klauseltext, extrahierte und erwartete Werte, die Regelversion und ein Zitat. Das sind Eigenschaften des AWS-Beispieldesigns, keine Behauptung, BIG CHANGE habe seine Ergebnisse ausgeführt oder unabhängig überprüft.

Der Beleg erfasst die ausgewählte Grundgesamtheit. Er weist nicht nach, dass das Ausgangsverzeichnis wirklich alle Mietverträge enthält, dass bei der Extraktion jede relevante Klausel korrekt erfasst wurde oder dass eine Regel dem geltenden Recht entspricht. Dafür braucht es einen separaten Abgleich, eine Überprüfung der Extraktion und eine rechtliche Freigabe. Ist unklar, was der Nenner „alle Mietverträge in Texas“ umfasst, kann selbst eine genaue Zahl die falsche Gruppe beschreiben.

Was Sie selbst aufbauen müssten

Die Beispielarchitektur setzt einen Quick-Chat-Agenten vor einen MCP-Server auf AWS Lambda. Amazon Cognito stellt ein Diensttoken aus, das API Gateway überprüft. Lambda liest und schreibt über die RDS Data API in Aurora Serverless v2. Quick Sight erreicht dieselbe Datenbank über eine VPC-Verbindung. AWS sieht Bedrock-Embeddings und ein Sprachmodell für das explorative Werkzeug zur Klauselsuche vor; die offizielle Gesamtprüfung bleibt deterministisch.

Das veröffentlichte Beispiel verwendet einen synthetischen Bestand von 50.000 Mietverträgen, ein versioniertes Regelwerk und ein Abnahmeskript, das laut AWS 28 Prüfungen gegen einen bereitgestellten Stack ausführt. Das Repository warnt ausdrücklich, dass der Code nicht produktionsreif, der Rechtsinhalt erfunden und für echte Mieterdaten zusätzliche Sicherheitstests sowie eine unabhängige rechtliche Validierung nötig sind. Wir haben die Dokumentation und die Beschreibung im Repository geprüft; wir haben den Stack nicht bereitgestellt, die Prüfungen nicht ausgeführt und die Werkzeugweiterleitung des Chat-Agenten nicht getestet.

Legen Sie bei einer Anpassung zuerst das maßgebliche Vertragsverzeichnis und eine genaue Regel zur Aufnahme in die Grundgesamtheit fest. Entscheiden Sie dann, welche Felder sich zuverlässig extrahieren lassen, welche Regelvergleiche tatsächlich mechanisch sind und wer jede Regelversion freigibt. Bewahren Sie den Ausgangstext, den Extraktionsstatus, die Regelversion, die ausführende Person, verglichene Werte, Datum und Feststellungs-ID auf, damit Prüfende ein Ergebnis rekonstruieren können. Gleichen Sie den Beleg außerhalb der Chatantwort mit dem Verzeichnis ab. Das sind aus den genannten Garantien und Grenzen des Beispiels abgeleitete Gestaltungsprüfungen, keine von uns getesteten Schritte.

AWS zufolge identifiziert das Cognito-Token nach dem Client-Credentials-Verfahren die Quick-Anwendung, nicht die Person, die im Chat fragt. Das Beispiel verlässt sich darauf, eine Prüfungs-ID und den Zeitpunkt mit der Protokollierungsebene von Quick abzugleichen, um die Person zu ermitteln. AWS schlägt vor, eine Endnutzer-ID zu übergeben und zu speichern, wenn der Compliance-Datenspeicher diese Identität selbst festhalten muss. Ein Team, das eine Feststellung als eigenständigen Prüfbeleg braucht, sollte dieses Design vor der Bereitstellung klären.

Zugang, Grenzen und Kosten

AWS’ Anleitung setzt ein AWS-Konto, eingerichtete Anmeldedaten für AWS CLI v2, Python und Node 24 für CDK, Modellzugriff in us-east-1 sowie eine Amazon-Quick-Umgebung mit MCP-Connector und Quick Sight voraus. Im Beitrag wird Python 3.12 genannt; die verlinkte README nennt Python 3.9 oder neuer. Prüfen Sie bei der Wahl der lokalen Umgebung die aktuellen Anforderungen des Repositorys. Die Anleitung des Beispiels pinnt die CDK-CLI auf Version 2.261.0; diese Versionsangabe gilt für das Beispiel und ist keine allgemeine AWS-Voraussetzung.

Der aktuelle Quick-MCP-Leitfaden legt für jede Operation ein festes Zeitlimit von 60 Sekunden fest, erlaubt höchstens 100 Werkzeuge pro Serververbindung und überträgt keine benutzerdefinierten HTTP-Header. Bei einer umfangreichen Gesamtprüfung sollte dieses Zeitlimit mit der tatsächlichen Arbeitslast getestet werden: Selbst ein korrekt ausgeführter, lang laufender Datenbankauftrag kann nicht als synchrone Quick-Operation abgeschlossen werden, wenn er das Connectorlimit überschreitet. Laut Leitfaden lässt sich die Werkzeugliste eines benutzerdefinierten Connectors mit Sync aktualisieren. Der AWS-Blogbeitrag und die README des Beispiels weisen stattdessen an, die Integration nach Werkzeugänderungen zu löschen und neu zu erstellen. Folgen Sie der aktuellen Quick-Dokumentation zum Connector und prüfen Sie in Ihrer eigenen Umgebung die registrierte Werkzeugliste und Weiterleitung.

Da der Aufbau mehrere Dienste umfasst, lässt sich den veröffentlichten Informationen kein belastbarer Einzelpreis „pro Gesamtprüfung“ entnehmen. AWS’ Quick-Preisseite unterscheidet zwischen Abonnement und Abrechnung nach Agentenstunden und nennt für manche Funktionen zusätzliche Quick-Sight-Gebühren. Aurora-Preise hängen von Konfiguration für Kapazität, Speicher und Ein-/Ausgabe ab; im Beispiel bleibt eine Mindestkapazität von 0,5 ACU aktiv, anstatt bei null zu pausieren. Auch für API Gateway, Lambda und optionale Bedrock-Aufrufe braucht es eine Schätzung anhand der Arbeitslast. Das Repository empfiehlt, den Stack nach der Evaluierung zu löschen, um fortlaufende Kosten zu vermeiden. Für diesen Artikel wurden keine AWS-Ressourcen erstellt.

Eine Entscheidungshilfe

Nutzen Sie dieses Muster erst, wenn Ihr Team die folgenden Fragen mit eigenen Daten und Kontrollen beantworten kann:

  • Können Sie die vollständige Grundgesamtheit mit einer geprüften, stabilen Bedingung aufzählen und mit einem maßgeblichen Verzeichnis abgleichen?
  • Handelt es sich bei den Regeln um mechanische Vergleiche mit freigegebenen Versionen, Gültigkeitsdaten und Zitaten? Welche Fälle müssen für eine menschliche Prüfung mehrdeutig bleiben?
  • Können fehlgeschlagene Extraktionen und nicht lesbare Dokumente gezählt werden, statt unbemerkt aus der Auswertung zu verschwinden?
  • Enthält jede Feststellung weiterhin die Ausgangsklausel, verglichene Werte und Regelversion, und können Sie den vollständigen Nachweissatz außerhalb des Chats abrufen?
  • Kann die Gesamtprüfung innerhalb des Zeitlimits einer Quick-Operation abgeschlossen werden, und wie ordnen Sie ein Ergebnis der Person zu, die es angefragt hat?
  • Hat das Team Abonnement-, Datenbank- und Dienstkosten für das erwartete Volumen geschätzt und anschließend Leistung sowie Ergebnisqualität anhand zulässiger Daten getestet?

Wenn die Aufgabe rechtliche Auslegung oder ein Urteil zu einem offenen Standard erfordert, kann eine deterministische Einstufung als „bestanden/nicht bestanden“ genau die Entscheidung verdecken, die ein Mensch treffen muss. Geht es um repräsentative Beispiele, ist eine semantische Suche einfacher. Wenn ein geprüftes Regelwerk und ein Dashboard bereits verantwortlichen Personen dienen, ist die Gesprächsschnittstelle optional. Diese Alternativen ergeben sich aus der Diskussion der AWS-Veröffentlichung über „falsche Entscheidungen“ und aus den Grenzen ihres synthetischen Beispiels.

Quellen und weiterführende Informationen