Édition Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Comment l’exemple de contrôle des baux d’AWS distingue l’IA des décisions de conformité

> L’exemple d’AWS achemine les questions sur les baux vers des outils fixes via Amazon Quick et un moteur de règles. Ce guide explique le relevé de contrôle, la piste d’audit, les limites de configuration et les éléments que les adoptants doivent valider.

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 a publié un modèle de référence Amazon Quick pour poser des questions de conformité sur un vaste portefeuille de baux. Son idée utile tient à un transfert strict : le modèle de chat sélectionne un outil fixe et explique sa réponse ; un moteur de règles distinct définit la population et statue sur chaque dossier. L’[article du 2 octobre](https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern/) et le [dépôt d’exemple](https://github.com/aws-samples/sample-quick-adjudicated-query) décrivent une preuve de concept pédagogique, et non un service de conformité juridique validé.

Pour un ingénieur ou un responsable de la conformité, la question est de savoir si cette séparation convient à la décision examinée. L’exemple utilise des baux synthétiques ainsi que des règles et des citations inventées. Les totaux présentés illustrent la forme du résultat attendu ; ils ne disent rien de son exactitude sur des contrats ou des textes de loi réels.

## Le grand changement

- **Ce qui change :** L’exemple d’AWS fait de l’IA une interface contrôlée vers des outils de vérification fixes. Un moteur de règles établit les constats pour une population de baux énumérée.
- **Pourquoi c’est important :** Des règles versionnées et un relevé de contrôle donnent aux examinateurs un moyen de vérifier, hors du chat, comment les dossiers sélectionnés ont été évalués.
- **À surveiller :** Le relevé ne peut valider ni l’inventaire, ni l’extraction, ni les règles juridiques. Les adoptants doivent vérifier ces entrées, l’attribution aux utilisateurs et les performances sur leurs propres données.

## La population passe avant le prompt

Un utilisateur peut demander à Quick quels baux au Texas enfreignent une règle sur les frais de retard à une date donnée. Quick achemine la demande vers `sweep_compliance`, l’une des six opérations MCP nommées. Cette opération utilise la juridiction et la date indiquées pour sélectionner la population ainsi que les versions applicables des règles. Le modèle n’écrit pas le SQL et ne décide pas si une clause respecte la règle. Le moteur applique des opérateurs de comparaison fixes, en transmettant les valeurs des règles comme paramètres. Selon AWS, un examen officiel de l’ensemble des dossiers ne consulte aucun modèle. [AWS explique ici le contrat de l’opération](https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern/); le [dépôt décrit l’implémentation](https://github.com/aws-samples/sample-quick-adjudicated-query).

Les autres outils ont une portée plus restreinte. `simulate_rule_change` fournit des décomptes exploratoires pour une valeur proposée, sans consigner de constats. `explore_clauses` classe un échantillon filtré selon sa similarité sémantique et ne peut pas répondre à la question « combien ? » `get_finding` récupère une chaîne de preuves ; `list_rules` affiche les règles en vigueur à une date donnée ; `check_connection` vérifie le transport. Cette distinction compte : un échantillon de clauses pertinentes ne constitue pas un recensement.

Le balayage produit un relevé qui répartit chaque dossier analysé dans l’une de quatre catégories : conforme, en infraction, ambigu ou illisible. Avant de valider le résultat, le moteur vérifie que la somme de ces catégories correspond au nombre de dossiers analysés. Quick peut afficher les totaux et un petit échantillon, tandis qu’un tableau de bord Quick Sight lit les mêmes données Aurora pour présenter l’ensemble des constats. Chaque constat comprend le texte de la clause, les valeurs extraites et attendues, la version de la règle et sa citation. Ce sont des caractéristiques de conception de l’exemple d’AWS, et non l’affirmation que BIG CHANGE l’a exécuté ou en a vérifié les résultats de manière indépendante.

Le relevé rend compte de la population sélectionnée. Il ne peut pas montrer que l’inventaire source contient tous les baux, que l’extraction a correctement saisi chaque clause pertinente ni qu’une règle reflète le droit en vigueur. Ces points nécessitent un rapprochement distinct, une vérification de l’extraction et une validation juridique. Si le dénominateur — « tous les baux du Texas » — est incertain, même un décompte exact peut décrire le mauvais ensemble.

## Ce qu’il faudrait construire

L’[architecture d’exemple](https://github.com/aws-samples/sample-quick-adjudicated-query) place un agent conversationnel Quick devant un serveur MCP exécuté sur AWS Lambda. Amazon Cognito émet un jeton de service, que vérifie API Gateway. Lambda lit et écrit dans Aurora Serverless v2 via l’API RDS Data. Quick Sight accède à la même base de données par une connexion VPC. AWS réserve les embeddings Bedrock et un modèle de langage à l’outil exploratoire de recherche de clauses ; l’examen officiel reste déterministe.

L’exemple publié comprend un corpus synthétique de 50 000 baux, un référentiel de règles versionné et un script de recette qui, selon AWS, exécute 28 vérifications sur une pile déployée. Le dépôt précise que le code n’est pas prêt pour la production, que le contenu juridique est inventé et que l’utilisation de données réelles de locataires exige des tests de sécurité supplémentaires et une validation juridique indépendante. Nous avons consulté la documentation et la description du dépôt ; nous n’avons pas déployé la pile, exécuté ces vérifications ni testé le routage des outils de l’agent conversationnel.

Pour l’adapter, commencez par établir l’inventaire de référence faisant autorité et une règle exacte d’appartenance à la population. Déterminez ensuite quels champs peuvent être extraits de façon fiable, quelles comparaisons de règles sont réellement mécaniques et qui approuve chaque version des règles. Conservez le texte source, l’état de l’extraction, la version de la règle, l’opérateur, les valeurs comparées, la date et l’identifiant du constat afin qu’un examinateur puisse reconstituer le résultat. Rapprochez le relevé de l’inventaire en dehors de la réponse du chat. Ce sont des vérifications de conception déduites des garanties et limites énoncées dans l’exemple, et non des étapes que nous avons testées.

Selon AWS, le jeton d’identifiants client de Cognito identifie l’application Quick, et non la personne qui pose une question dans le chat. L’exemple s’appuie sur la corrélation de l’identifiant et de l’heure du balayage avec la couche d’audit de Quick pour identifier l’utilisateur ; AWS suggère de transmettre et stocker un identifiant utilisateur final si le registre de conformité doit consigner cette identité lui-même. Une équipe qui veut qu’un constat constitue à lui seul une pièce d’audit devrait arrêter ce choix de conception avant le déploiement.

## Accès, limites et coûts

La démonstration d’AWS suppose un compte AWS, des identifiants AWS CLI v2 configurés, Python et Node 24 pour CDK, ainsi qu’un accès aux modèles dans `us-east-1` et un environnement Amazon Quick avec un connecteur MCP et Quick Sight. L’article indique Python 3.12 ; le README lié indique Python 3.9 ou une version ultérieure. Vérifiez les exigences actuelles du dépôt avant de choisir un environnement local. Les instructions de l’exemple épinglent la version 2.261.0 de la CLI CDK ; il s’agit d’une dépendance de cet exemple, et non d’une exigence AWS générale.

Le [guide MCP actuel d’Amazon Quick](https://docs.aws.amazon.com/quick/latest/userguide/mcp-integration.html) prévoit pour chaque opération un délai d’expiration fixe de 60 secondes, autorise au maximum 100 outils par connexion serveur et ne transmet pas d’en-têtes HTTP personnalisés. Pour un balayage volumineux, il faut tester ce délai avec la charge réelle : même un traitement de base de données correct et de longue durée ne peut aboutir comme opération Quick synchrone s’il dépasse la limite du connecteur. Le guide indique qu’on peut actualiser la liste des outils d’un connecteur personnalisé avec **Sync**. L’article AWS et le README de l’exemple conseillent plutôt de supprimer puis de recréer l’intégration après une modification des outils. Suivez la documentation Quick à jour pour le connecteur actuel, puis vérifiez dans votre environnement la liste des outils enregistrés et leur routage.

Il s’agit d’une architecture composée de plusieurs services ; les documents publiés ne permettent donc pas de défendre un « coût par balayage » unique. La [page de tarification Quick](https://aws.amazon.com/quick/pricing/pricing/) distingue l’abonnement des heures d’agent et mentionne des frais Quick Sight supplémentaires pour certaines fonctions. [Les tarifs d’Aurora](https://aws.amazon.com/rds/aurora/pricing/) varient selon la capacité, le stockage et les entrées-sorties ; l’exemple maintient une capacité minimale active de 0,5 ACU au lieu de s’arrêter à zéro. API Gateway, Lambda et tout appel exploratoire à Bedrock nécessitent également une estimation de charge. Le dépôt conseille de détruire la pile après l’évaluation afin d’éviter des frais récurrents. Aucune ressource AWS n’a été créée pour cet article.

## Liste de vérification pour la décision

N’utilisez ce modèle qu’après avoir répondu à ces questions à partir de vos propres données et contrôles :

- Pouvez-vous énumérer toute la population au moyen d’un critère stable et vérifié, puis la rapprocher d’un inventaire faisant autorité ?
- Les règles se réduisent-elles à des comparaisons mécaniques, avec des versions approuvées, des dates d’entrée en vigueur et des citations ? Quels cas doivent rester ambigus et être examinés par une personne ?
- Les échecs d’extraction et les documents illisibles peuvent-ils être comptabilisés au lieu d’être silencieusement exclus ?
- Chaque constat conserve-t-il la clause source, les valeurs comparées et la version de la règle, et pouvez-vous récupérer l’ensemble complet des preuves en dehors du chat ?
- Le balayage peut-il s’achever dans le délai maximal d’une opération Quick, et comment relierez-vous un résultat à la personne qui l’a demandé ?
- L’équipe a-t-elle estimé les frais d’abonnement, de base de données et de services pour le volume prévu, puis testé les performances et la qualité des résultats sur des données autorisées ?

Si la tâche exige une interprétation juridique ou un jugement sur une norme ouverte, une étiquette déterministe « conforme/non conforme » risque de masquer précisément la décision qui nécessite une intervention humaine. Si l’équipe veut des exemples représentatifs, la recherche sémantique est plus simple. Si un moteur de règles vérifié et un tableau de bord répondent déjà aux besoins d’utilisateurs responsables, la couche conversationnelle est facultative. Ces solutions de rechange découlent de la discussion d’AWS sur les « mauvais choix » et des limites de son échantillon synthétique.

## Sources et lectures complémentaires

- [Blog AWS Machine Learning, « 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 octobre 2026). Architecture du fournisseur, sémantique des opérations, présentation de l’exemple et limites d’échec énoncées. Les décomptes et comportements de l’exemple sont ceux décrits par AWS, et non des mesures indépendantes.
- [Dépôt de l’exemple AWS](https://github.com/aws-samples/sample-quick-adjudicated-query). README, arborescence des fichiers, hypothèses de configuration et avertissements explicites sur les données synthétiques, le droit inventé et l’absence de préparation à la production. Le code n’a pas été déployé ni testé pour cet article.
- [Guide d’intégration MCP d’Amazon Quick](https://docs.aws.amazon.com/quick/latest/userguide/mcp-integration.html). Configuration actuelle des connecteurs, comportement de Sync et limites des opérations. La procédure de mise à jour diffère de celle de l’article et du README.
- [Tarifs d’Amazon Quick](https://aws.amazon.com/quick/pricing/pricing/) et [tarifs d’Amazon Aurora](https://aws.amazon.com/rds/aurora/pricing/). Grilles tarifaires actuelles et variables nécessaires à l’estimation d’une charge réelle ; aucune des deux sources ne fournit un coût complet pour cet exemple.

## Sources

- [Exemple Amazon Quick de balayage de baux selon le modèle Adjudicated Query](https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern/) — Article officiel du fournisseur décrivant l’architecture, les six outils MCP, les sorties de l’exemple, sa configuration et ses limites. L’exemple est synthétique ; il ne s’agit ni de tests de BIG CHANGE ni d’une validation indépendante.
- [aws-samples/sample-quick-adjudicated-query](https://github.com/aws-samples/sample-quick-adjudicated-query) — README officiel de l’exemple, arborescence des fichiers et prérequis. Il avertit explicitement que les données et règles juridiques sont synthétiques ou inventées, que le code n’est pas prêt pour la production et qu’une validation juridique et de sécurité est nécessaire. BIG CHANGE ne l’a ni déployé ni testé.
- [Intégration du protocole Model Context Protocol (MCP) à Amazon Quick](https://docs.aws.amazon.com/quick/latest/userguide/mcp-integration.html) — Documentation actuelle des connecteurs : délai d’expiration de 60 secondes par opération, maximum de 100 outils, absence d’en-têtes personnalisés et utilisation de Sync pour actualiser les outils d’un connecteur personnalisé. La procédure Sync diffère des instructions de suppression puis de recréation données dans l’exemple.
- [Tarifs d’Amazon Quick](https://aws.amazon.com/quick/pricing/pricing/) — Structure officielle des tarifs des forfaits, des heures d’agent et de Quick Sight ; ne chiffre ni l’ensemble de l’architecture de référence ni un balayage.
- [Tarifs d’Amazon Aurora](https://aws.amazon.com/rds/aurora/pricing/) — Structure variable officielle des coûts liés à la capacité, au stockage et aux entrées-sorties d’Aurora. Le README de l’exemple indique une capacité minimale active de 0,5 ACU. Aucun coût total de charge n’a été estimé.