Cómo auditar miles de contratos de alquiler con Amazon Quick y el patrón Adjudicated Query

Introducción

Verificar decenas de miles de contratos de alquiler frente a leyes estatales que cambian constantemente —y poder demostrar que se revisaron todos— ha sido tradicionalmente inalcanzable para la mayoría de los equipos de cumplimiento. Hoy, al combinar capacidades generativas en Amazon Quick con una arquitectura backend adecuada, ese escenario es viable. Aquí describimos el patrón Adjudicated Query, su arquitectura de referencia en AWS y por qué es la opción adecuada cuando la integridad y la defensibilidad son obligatorias.

El problema: cumplimiento a escala

Un operador inmobiliario puede manejar, por ejemplo, 50,000 contratos repartidos en varios estados. Cada jurisdicción publica límites sobre cargos por mora, plazos de aviso y depósitos de garantía en su propio calendario legislativo. Cuando cambia una norma, el equipo de cumplimiento debe identificar qué contratos quedan fuera de cumplimiento.

A bajo volumen, un asistente legal lee cada contrato y sus conclusiones son confiables porque un humano respalda la decisión. Pero cuando el volumen crece, la solución pasa a ser software y surge un problema crítico: el resultado se vuelve un número en pantalla sin forma clara de verificar cómo se obtuvo.

De este hecho emergen dos requisitos esenciales:

• Provable completeness (completitud demostrable): afirmar “revisamos las 22,910 escrituras de Texas” debe ser verificable. Un registro no evaluado debe marcarse como no evaluado, no omitirse silenciosamente.
• Defensibilidad: un hallazgo puede ser cuestionado meses después (litigio, auditoría, inspección regulatoria). Defenderlo requiere saber qué versión de qué regla se aplicó, a qué texto de cláusula, con qué método, en qué fecha y por quién.

Estas exigencias diferencian este trabajo de una simple búsqueda empresarial o de soluciones de generación de texto.

Por qué RAG o text-to-SQL no bastan

Las técnicas de recuperación aumentada con generación (RAG) facilitan acceso y navegación de información, pero no garantizan cobertura completa: devuelven una muestra ordenada que nunca garantiza institución de inclusión total.

Text-to-SQL reduce la brecha al producir consultas estructuradas, pero conlleva riesgo de que una predicado inventado por el modelo reduzca silenciosamente la población relevante. El número resultante puede parecer preciso, aunque la muestra real haya quedado sesgada.

Cuando la omisión equivale a riesgo legal, estas aproximaciones no son suficientes.

El patrón Adjudicated Query: idea central

Adjudicated Query propone una capa conversacional limitada sobre un motor de reglas determinista. El modelo generativo hace exactamente dos cosas: 1) traduce una pregunta en lenguaje natural a una llamada sobre un conjunto fijo de operaciones tipadas; 2) narra el resultado devuelto. No escribe consultas arbitrarias, no fija la población ni toma determninaciones.

Detrás de esa frontera opera un motor de reglas. Las reglas son datos versionados, no código. El motor entiende operadores genéricos (gte, lte, equals, exists) y no contiene ramas con nombres de jurisdicción o tema. Un cambio de ley se resuelve como una edición en la fila del libro de reglas, no como un despliegue de código.

Cada barrido de cumplimiento genera un “completeness receipt” (comprobante de completitud): una invariante afirmada donde compliant + in-breach + ambiguous + unreadable debe sumar scanned. Esa ecuación se calcula a partir de recuentos y se afirma antes de persistir cualquier resultado. Si una corrida no puede explicar su población, no completa. No existe una ruta para que un registro quede saltado sin registro.

La superficie conversacional entrega recuentos, el comprobante y una muestra etiquetada. El conjunto completo de resultados vive en un tablero BI que lee la misma fuente de datos, permitiendo profundizar registro por registro. Esta separación evita que el modelo resuma o borre la garantía.

Operaciones acotadas: lo que hace la IA y lo que hace el motor

El servidor que implementa el Model Context Protocol (MCP) expone un conjunto limitado de operaciones semánticas —herramientas con firma clara— que el modelo puede invocar. La IA traduce preguntas a llamadas a esas herramientas y presenta los resultados; la evaluación legal o de cumplimiento se resuelve en el motor de reglas.

De este modo, la IA aporta acceso natural y explicable, mientras que la lógica determinista aporta repetibilidad, auditabilidad y versionado.

Arquitectura de referencia (resumen)

La propuesta técnica usada en el ejemplo integra componentes de AWS:

• Interfaz de conversación: Amazon Quick, usada por oficiales de cumplimiento para preguntar en lenguaje natural.
• Autenticación: Amazon Cognito para obtener tokens OAuth.
• Enrutamiento: Amazon API Gateway HTTP API recibe solicitudes MCP y valida el token.
• Lógica y motor de reglas: una función AWS Lambda que hospeda el servidor MCP y el motor de reglas.
• Almacenamiento transaccional: Amazon Aurora Serverless v2, accesible desde Lambda mediante RDS Data API.
• Uso de modelos: Amazon Bedrock se invoca solo para la ruta exploratoria de búsqueda de cláusulas; ningún modelo participa en las decisiones de barrido de cumplimiento.
• Tablero BI: Amazon QuickSight lee directamente la misma base de Aurora a través de una conexión VPC.

Ambas superficies (chat y dashboard) leen de la misma tienda de datos, lo que hace que el comprobante de completitud sea una única fuente de verdad. El chat incluye el comprobante y un enlace al tablero; el tablero presenta el detalle, porque miles de filas no caben en una conversación.

Garantías prácticas y flujo

En una corrida de cumplimiento:

1. El usuario formula una pregunta en Amazon Quick. La IA traduce la intención a una operación MCP.
2. API Gateway valida el token y envía la intención a Lambda.
3. Lambda ejecuta la operación contra Aurora mediante el motor de reglas: calcula la población exacta, aplica reglas versionadas y produce recuentos y etiquetas (compliant, in-breach, ambiguous, unreadable).
4. Se emite el completeness receipt; si la suma no cuadra, la ejecución no finaliza.
5. El chat muestra los resultados resumidos y un enlace al dashboard, donde se puede inspeccionar cada fila.

Este flujo garantiza que todo registro sea contabilizado y que cada decisión tenga trazabilidad completa.

Relevancia para América Latina

En mercados latinoamericanos, múltiples actores (fondos inmobiliarios, desarrolladores, administradores de activos) enfrentan regulaciones locales y cambios normativos frecuentes. La capacidad de ejecutar barridos de cumplimiento completos y defendibles reduce riesgo regulatorio y costos legales. Además, la separación entre capa conversacional y motor determinista facilita la adaptación a marcos legales locales: las reglas se actualizan como datos sin necesidad de reescribir la aplicación.

Para entidades que operan en varios países o estados, mantener el versionado de reglas y una sola fuente de verdad por corrida es fundamental para auditorías transfronterizas y para responder requerimientos regulatorios con documentación verificable.

Conclusión

El patrón Adjudicated Query ofrece una solución pragmática para automatizar barridos de cumplimiento a escala sin sacrificar comprobabilidad ni defensibilidad. Combina lo mejor de la experiencia conversacional impulsada por modelos (acceso natural y productividad) con un motor de reglas determinista que garantiza exhaustividad y trazabilidad. Para equipos de cumplimiento que manejan grandes volúmenes y enfrentan riesgo legal por omisiones, es una alternativa sólida frente a soluciones basadas únicamente en RAG o text-to-SQL.

Si su organización en América Latina administra portafolios grandes y necesita pruebas auditables de sus barridos regulatorios, este patrón y la arquitectura de referencia en AWS son un punto de partida operativo para diseñar una solución confiable y escalable.