Ein Beitrag im AWS Machine Learning Blog vom 2. Oktober 2026 beschreibt das Muster Adjudicated Query, mit dem sich Compliance-Fragen über eine Chat-Oberfläche von Amazon Quick stellen lassen. Als durchgehendes Beispiel dient die Prüfung von Mietverträgen. Der Entwurf trennt die natürliche Sprache für Fragen von dem Mechanismus, der vorher festgelegte Regeln auswertet.

Die Konversationsschicht hat in dem beschriebenen Muster eine begrenzte Aufgabe. Das Modell übersetzt eine Frage in den Aufruf einer fest definierten, typisierten Operation und formuliert anschließend das zurückgegebene Ergebnis. Es schreibt keine Abfragen, wählt nicht die zu prüfende Population aus und entscheidet nicht selbst, ob ein Fall regelkonform ist. Diese Trennung ist wesentlich: Eine Antwort in natürlicher Sprache vermittelt Ergebnisse des Regelwerkzeugs, sie ist nicht selbst die Compliance-Entscheidung.

Entscheidungen bleiben beim Regelwerk

Adjudicated Query verbindet eine Chat-Oberfläche mit einer deterministischen Regel-Engine. Nutzende können eine Frage in gewöhnlicher Sprache formulieren; das System ordnet sie einer verfügbaren Operation mit festgelegten Typen zu. Die Engine liefert Ergebnisse, die die Konversationsschicht erläutern kann. So können Fragen alltagssprachlich gestellt werden, ohne dass das Modell eigene Abfragen erfindet oder Vertragsklauseln selbst bewertet.

Der Beitrag beschreibt außerdem einen Vollständigkeitsbeleg. Bevor Ergebnisse gespeichert werden, bestätigt er, dass die Anzahl der konformen, regelverletzenden, mehrdeutigen und unlesbaren Datensätze der Gesamtzahl der gescannten Datensätze entspricht. Der Beleg betrifft damit die Verteilung der verarbeiteten Population auf diese Kategorien. Für sich genommen beweist er weder, dass die Regeln korrekt sind, noch dass die Eingabedaten stimmen oder dass die geprüfte Population alle relevanten Datensätze umfasst.

Referenzarchitektur

In der Referenzarchitektur laufen MCP-Anfragen über Amazon API Gateway und AWS Lambda zu Amazon Aurora Serverless v2. Amazon Quick Sight liest über eine VPC-Verbindung aus demselben Aurora-Speicher. Der Beitrag beschreibt damit einen Anfrageweg für die Operationen und einen gemeinsamen Datenspeicher, aus dem auch das Ergebnis-Dashboard liest.

Amazon Bedrock hat in dieser Darstellung eine eng begrenzte Rolle: Es dient der explorativen Suche nach Vertragsklauseln und wird nicht für offizielle Compliance-Entscheidungen herangezogen. Dadurch bleibt die Regelauswertung von einer Suche getrennt, die beim Auffinden relevanter Textstellen helfen kann. Der Beitrag stellt Bedrock weder als entscheidende Instanz noch Chat-Ausgaben als unabhängige rechtliche Bewertung dar.

Die Ergebnisse des Beispiels

Im veranschaulichenden Beispiel meldet eine Prüfung der Obergrenze für Verzugsgebühren in Texas 10.111 Verstöße, 689 mehrdeutige Datensätze und 20 unlesbare Datensätze. Daneben stehen ein Vollständigkeitsbeleg und ein Hinweis auf synthetische Daten. Diese Zahlen stammen aus dem Beispiel und sind keine Befunde zu tatsächlichen Kundenverträgen. Laut Beitrag enthält das Beispiel synthetische Mietvertragsdaten sowie Platzhalterregeln und Platzhalterzitate. Es ist daher nicht als validierte rechtliche Orientierung zu verstehen.

Der Beitrag beschreibt auch die Darstellung im Dashboard. Jede Zeile steht für ein Paar aus Mietvertrag und Regel und enthält die Vertrags-ID, die ausgelöste Regel, den extrahierten Wert und den erwarteten Wert. Die Detailansicht eines Befunds zeigt außerdem die Vertragsklausel und Angaben zur Regel. Diese Felder verknüpfen ein Ergebnis mit einem bestimmten Vertrag und einer konkreten Prüfung und geben so Kontext zu dem angezeigten Befund.

Mögliche Einsatzbereiche

AWS verwendet die Mietvertragsprüfung als Hauptbeispiel und nennt außerdem die Bearbeitung von Versicherungsansprüchen, die Sanktionsprüfung und die Exportkontrolle als Bereiche, in denen das Muster anwendbar sein könnte. In solchen Bereichen kann der Ansatz festgelegte Prüfungen über Fragen in natürlicher Sprache zugänglich machen. Seine Ausführung hängt weiterhin von den definierten Operationen, Regeln und der bereitgestellten Population ab.

Der zentrale Gedanke des Entwurfs ist eine Aufgabenteilung: Die Konversation unterstützt beim Fragen und Verstehen, während ein deterministischer Mechanismus festgelegte Regeln auswertet. Der Beleg drückt eine Prüfung der Kategoriensummen innerhalb der gescannten Population aus; die angezeigten Zeilen verbinden Verträge, Regeln und Werte. Ergebnisse sind deshalb im Rahmen des Umfangs und der Annahmen der jeweiligen Prüfung zu lesen. Die Architektur und die Beispielzahlen garantieren weder reale Korrektheit noch Rechtskonformität oder eine Abdeckung über die gescannte Population hinaus.