AI-translated from English; not yet reviewed by a fluent editor. # Cómo el ejemplo de revisión de arrendamientos de AWS separa la IA de las decisiones de cumplimiento > El ejemplo de AWS canaliza las consultas sobre arrendamientos a través de Amazon Quick hacia herramientas predefinidas y un motor de reglas. La guía explica el registro de control, el rastro de evidencias, los límites de configuración y qué deben validar quienes lo adopten. By BIG CHANGE Editorial Published: 2026-10-03T08:22:25.737Z Updated: 2026-10-03T08:22:25.737Z Canonical: https://bigchange.ai/blog/aws-lease-compliance-adjudicated-query-guide ![Conceptual charcoal illustration of an open archive drawer filled with lease folders, one orange divider and a blank slip clipped to the drawer front.](https://bigchange.ai/api/media/file/aws-lease-review-archive-hero-v1.png) AI-generated conceptual editorial illustration by BIG CHANGE. AWS publicó un diseño de referencia de Amazon Quick para consultar cuestiones de cumplimiento en una amplia cartera de arrendamientos. Su idea útil es una separación estricta: el modelo conversacional selecciona una herramienta fija y explica su respuesta; un motor de reglas independiente define la población y determina cada caso. La [publicación del 2 de octubre](https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern/) y el [repositorio de ejemplo](https://github.com/aws-samples/sample-quick-adjudicated-query) describen una prueba de concepto didáctica, no un servicio jurídico de cumplimiento validado. Para un ingeniero o responsable de cumplimiento, la cuestión es si esa separación encaja con la decisión que se está revisando. El ejemplo utiliza arrendamientos sintéticos y reglas y citas inventadas. Los totales que presenta ilustran el formato previsto para los resultados; no dicen nada sobre la precisión con contratos o leyes reales. ## El gran cambio - **Qué cambia:** El ejemplo de AWS convierte la IA en una interfaz controlada para herramientas de revisión fijas. Un motor de reglas determina los hallazgos para una población enumerada de arrendamientos. - **Por qué importa:** Las reglas versionadas y un registro de evidencias permiten a los revisores inspeccionar, fuera del chat, cómo se evaluaron los expedientes seleccionados. - **Qué conviene vigilar:** El registro no puede validar el inventario, la extracción ni las reglas jurídicas. Quienes adopten el sistema deben comprobar esos datos de entrada, la atribución a cada usuario y el rendimiento con sus propios datos. ## La población se define antes que el prompt Un usuario puede preguntar a Quick qué arrendamientos de Texas incumplen una regla sobre recargos por demora en una fecha determinada. Quick dirige la solicitud a `sweep_compliance`, una de las seis operaciones MCP identificadas por nombre. La operación utiliza la jurisdicción y la fecha especificadas para seleccionar la población y las versiones de las reglas aplicables. El modelo no escribe el SQL ni decide si una cláusula cumple la regla. El motor aplica operadores de comparación fijos y recibe los valores de las reglas como parámetros. AWS afirma que en un barrido oficial no interviene ningún modelo. [AWS explica aquí el contrato de la operación](https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern/); el [repositorio describe la implementación](https://github.com/aws-samples/sample-quick-adjudicated-query). Las demás herramientas tienen un alcance más acotado. `simulate_rule_change` ofrece recuentos exploratorios para un valor propuesto sin registrar hallazgos. `explore_clauses` ordena por similitud semántica una muestra filtrada y no puede responder «¿cuántos?». `get_finding` recupera una cadena de evidencias; `list_rules` muestra las reglas vigentes en una fecha; `check_connection` comprueba la conectividad. La distinción importa: una muestra de cláusulas pertinentes no equivale a un censo. El barrido genera un registro que clasifica cada expediente analizado en una de cuatro categorías: conforme, con incumplimiento, ambiguo o ilegible. Antes de confirmar los resultados, el motor comprueba que la suma de las categorías coincida con el total analizado. Quick puede mostrar los recuentos y una pequeña muestra, mientras que un panel de Quick Sight consulta la misma base de datos Aurora para mostrar todos los hallazgos. Cada hallazgo incluye el texto de la cláusula, los valores extraídos y esperados, la versión de la regla y su cita. Estas son características del diseño del ejemplo de AWS; no significa que BIG CHANGE lo haya ejecutado ni que haya verificado sus resultados de manera independiente. El registro da cuenta de la población seleccionada. No puede demostrar que el inventario de origen incluya todos los arrendamientos, que la extracción haya capturado correctamente cada cláusula pertinente ni que una regla refleje la legislación vigente. Para ello se necesitan una conciliación independiente, una revisión de la extracción y aprobación jurídica. Si el denominador —«todos los arrendamientos de Texas»— no está claro, hasta un recuento exacto puede describir el conjunto equivocado. ## Qué habría que construir La [arquitectura de ejemplo](https://github.com/aws-samples/sample-quick-adjudicated-query) sitúa un agente conversacional de Quick frente a un servidor MCP en AWS Lambda. Amazon Cognito emite un token de servicio y API Gateway lo valida. Lambda lee y escribe en Aurora Serverless v2 mediante la API RDS Data. Quick Sight accede a la misma base de datos a través de una conexión VPC. AWS reserva los embeddings de Bedrock y un modelo de lenguaje para la herramienta exploratoria de búsqueda de cláusulas; el barrido oficial sigue siendo determinista. El ejemplo publicado contiene un corpus sintético de 50.000 arrendamientos, un conjunto de reglas versionado y un script de aceptación que, según AWS, ejecuta 28 comprobaciones en una infraestructura desplegada. El repositorio advierte expresamente que el código no está listo para producción, que el contenido jurídico es inventado y que el uso de datos reales de inquilinos requiere más pruebas de seguridad y una validación jurídica independiente. Consultamos la documentación y la descripción del repositorio; no desplegamos la infraestructura, ejecutamos esas comprobaciones ni probamos el enrutamiento de herramientas del agente conversacional. Para adaptarlo, primero establezca un inventario de registros autorizado y una regla precisa para determinar qué registros pertenecen a la población. Después decida qué campos pueden extraerse de forma fiable, qué comparaciones de reglas son realmente mecánicas y quién aprueba cada versión. Conserve el texto de origen, el estado de extracción, la versión de la regla, el operador, los valores comparados, la fecha y el identificador del hallazgo para que un revisor pueda reconstruir el resultado. Concilie el registro con el inventario fuera de la respuesta del chat. Son comprobaciones de diseño que se desprenden de las garantías y limitaciones declaradas del ejemplo; no son pasos que hayamos probado. AWS señala que el token de credenciales de cliente de Cognito identifica la aplicación Quick, no a la persona que formula la pregunta en el chat. El ejemplo se basa en correlacionar un identificador y una hora del barrido con la capa de auditoría de Quick para identificar al usuario. AWS recomienda transmitir y almacenar un identificador del usuario final si el propio registro de cumplimiento debe guardar esa identidad. Los equipos que necesiten que cada hallazgo constituya por sí solo un registro de auditoría deberían resolver este diseño antes del despliegue. ## Acceso, límites y costos La guía de AWS presupone una cuenta de AWS, credenciales configuradas de AWS CLI v2, Python y Node 24 para CDK, acceso a los modelos en `us-east-1` y un entorno de Amazon Quick con un conector MCP y Quick Sight. La publicación indica Python 3.12; el README enlazado indica Python 3.9 o posterior. Compruebe los requisitos actuales del repositorio al elegir un entorno local. Las instrucciones del ejemplo fijan CDK CLI en la versión 2.261.0; es una dependencia de este ejemplo, no un requisito general de AWS. La [guía actual de MCP de Quick](https://docs.aws.amazon.com/quick/latest/userguide/mcp-integration.html) establece un tiempo de espera fijo de 60 segundos para cada operación, permite un máximo de 100 herramientas por conexión de servidor y no transmite encabezados HTTP personalizados. Para un barrido grande hay que probar ese límite con la carga prevista: un proceso de base de datos correcto que tarde más tampoco puede completarse como operación síncrona de Quick si supera el límite del conector. La guía indica que la lista de herramientas de un conector personalizado se actualiza con **Sync**. En cambio, el blog de AWS y el README del ejemplo indican que se elimine y vuelva a crear la integración después de cambiar las herramientas. Siga la documentación vigente de Quick para el conector actual y verifique en su propio entorno la lista de herramientas registradas y su enrutamiento. Se trata de una solución con varios servicios, por lo que el material publicado no permite defender un único «costo por barrido». La [página de precios de Quick](https://aws.amazon.com/quick/pricing/pricing/) distingue la suscripción de las horas de agente y menciona cargos adicionales de Quick Sight para algunas funciones. [Los precios de Aurora](https://aws.amazon.com/rds/aurora/pricing/) dependen de la capacidad, el almacenamiento y la configuración de entrada/salida; el ejemplo mantiene activa una capacidad mínima de 0,5 ACU en lugar de detenerse en cero. También hay que estimar la carga de API Gateway, Lambda y cualquier llamada exploratoria a Bedrock. El repositorio recomienda destruir la infraestructura tras la evaluación para evitar cargos continuos. No se crearon recursos de AWS para este artículo. ## Lista de comprobación para decidir Use este patrón solo después de que el equipo pueda responder a estas preguntas con sus propios datos y controles: - ¿Puede enumerar toda la población mediante un criterio estable y revisado, y conciliarla con un inventario autorizado? - ¿Las reglas consisten en comparaciones mecánicas, con versiones aprobadas, fechas de vigencia y citas? ¿Qué casos deben seguir siendo ambiguos para que los revise una persona? - ¿Se pueden contabilizar los fallos de extracción y los documentos ilegibles en vez de excluirlos sin dejar constancia? - ¿Cada hallazgo conserva la cláusula de origen, los valores comparados y la versión de la regla? ¿Puede recuperar el conjunto completo de evidencias fuera del chat? - ¿Puede terminar el barrido dentro del tiempo de espera de una operación de Quick, y cómo vinculará el resultado con la persona que lo solicitó? - ¿Ha estimado el equipo los cargos de suscripción, base de datos y servicios para el volumen previsto, y ha probado el rendimiento y la calidad de los resultados con datos cuyo uso esté autorizado? Si la tarea requiere interpretación jurídica o juicio sobre una norma abierta, una etiqueta determinista de «cumple/no cumple» puede ocultar precisamente la decisión que requiere intervención humana. Si el equipo busca ejemplos representativos, la recuperación semántica es más sencilla. Si un motor de reglas revisado y un panel ya atienden a usuarios responsables, la capa conversacional es opcional. Estas alternativas se desprenden de la propia discusión de AWS sobre las «decisiones equivocadas» y de las limitaciones de su muestra sintética. ## Fuentes y lecturas adicionales - [Blog de Machine Learning de AWS, «Sweep thousands of leases for compliance using Amazon Quick and the Adjudicated Query pattern»](https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern/) (2 de octubre de 2026). Arquitectura del proveedor, semántica de las operaciones, recorrido del ejemplo y límites de fallo declarados. Los recuentos y comportamientos del ejemplo son descripciones de AWS, no mediciones independientes. - [Repositorio de ejemplo de AWS](https://github.com/aws-samples/sample-quick-adjudicated-query). README, mapa de archivos, requisitos de configuración y advertencias explícitas sobre los datos sintéticos, las leyes inventadas y la falta de preparación para producción. El código no se desplegó ni se probó para este artículo. - [Guía de integración MCP de Amazon Quick](https://docs.aws.amazon.com/quick/latest/userguide/mcp-integration.html). Configuración actual del conector, comportamiento de Sync y límites de las operaciones. El método de actualización difiere del indicado en la publicación y el README. - [Precios de Amazon Quick](https://aws.amazon.com/quick/pricing/pricing/) y [precios de Amazon Aurora](https://aws.amazon.com/rds/aurora/pricing/). Estructuras de precios actuales y variables para estimar una carga de trabajo real; ninguna de las dos fuentes ofrece el costo completo de este ejemplo. ## Sources - [Ejemplo de revisión de arrendamientos de Amazon Quick con el patrón Adjudicated Query](https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern/) — Publicación oficial del proveedor sobre la arquitectura, las seis herramientas MCP, los resultados de ejemplo, la configuración y los límites. El ejemplo es sintético y no constituye una prueba de BIG CHANGE ni una validación independiente. - [aws-samples/sample-quick-adjudicated-query](https://github.com/aws-samples/sample-quick-adjudicated-query) — README oficial del ejemplo, mapa de archivos y requisitos previos. Advierte expresamente que los datos y las reglas jurídicas son sintéticos o inventados, que el código no está listo para producción y que se necesitan validaciones jurídicas y de seguridad. BIG CHANGE no lo desplegó ni lo probó. - [Integración del protocolo Model Context Protocol (MCP) con Amazon Quick](https://docs.aws.amazon.com/quick/latest/userguide/mcp-integration.html) — Documentación actual del conector: tiempo de espera de 60 segundos por operación, máximo de 100 herramientas, sin encabezados personalizados y uso de Sync para actualizar las herramientas de conectores personalizados. La instrucción sobre Sync difiere de la indicada en el ejemplo para eliminar y volver a crear la integración. - [Precios de Amazon Quick](https://aws.amazon.com/quick/pricing/pricing/) — Estructura oficial de precios del plan, las horas de agente y Quick Sight; no calcula el costo de toda la arquitectura de referencia ni el de un barrido. - [Precios de Amazon Aurora](https://aws.amazon.com/rds/aurora/pricing/) — Estructura oficial de costos variables de capacidad, almacenamiento y entrada/salida de Aurora. El README del ejemplo especifica una capacidad mínima activa de 0,5 ACU. No se estimó el costo total de la carga de trabajo.