Amazon Quick MCP Compliance: Cara AWS Audit Ribuan Dokumen Sewa

Apa itu Amazon Quick MCP Compliance dan Pola Adjudicated Query?

Adjudicated Query itu lapisan percakapan yang dibatasi ketat di atas rules engine deterministik. Model AI di Amazon Quick cuma boleh ngerjain dua hal: nerjemahin pertanyaan bahasa biasa jadi panggilan ke operasi yang udah ditentukan, dan narasiin hasil yang keluar. Model nggak pernah nulis query sendiri, nggak nentuin populasi data mana yang diperiksa, dan nggak pernah bikin keputusan lolos atau gagal.

Semua aturan compliance disimpan sebagai data yang punya versi, bukan kode program. Mesinnya cuma kenal operator perbandingan umum kayak lebih besar-sama dengan, lebih kecil-sama dengan, sama dengan, dan ada-atau-nggak. Jadi kalau ada aturan negara bagian yang berubah, tim compliance cuma perlu edit satu baris data, nggak perlu deploy ulang kode.

Setiap kali sistem ngecek satu batch sewa, dia bikin yang disebut completeness receipt alias struk kelengkapan: jumlah yang patuh + yang melanggar + yang ambigu + yang nggak terbaca harus pas sama jumlah total yang diperiksa. Kalau nggak pas, proses itu dianggap gagal dan nggak boleh disimpan. Jadi nggak ada dokumen yang bisa kelewat diam-diam.

RAG vs Text-to-SQL vs Adjudicated Query: Mana yang Cocok Buat Audit?

AWS juga ngejelasin kenapa dua pendekatan AI yang lagi populer — RAG (Retrieval Augmented Generation) dan text-to-SQL — nggak cukup buat kasus compliance yang butuh bukti lengkap. RAG itu bagus buat nyari info, tapi hasilnya cuma sampel yang diranking berdasarkan kemiripan — nggak ada ambang batas yang berarti "semuanya udah dicek". Text-to-SQL emang bisa nulis query otomatis, tapi risikonya besar: kalau ada satu predikat yang salah dikarang model, populasi data yang diperiksa bisa diam-diam mengecil, dan hasilnya tetap kelihatan presisi padahal scope-nya salah.

Intinya, Adjudicated Query nambahin akses bahasa natural ke rules engine dan dashboard BI tanpa ngorbanin garansi kelengkapan itu. Cocok dipakai kalau yang nanya adalah orang yang harus mempertanggungjawabkan jawabannya, dan kalau ada satu dokumen kelewat itu udah jadi masalah hukum, bukan cuma kurang nyaman.

Gimana MCP Server dan Rules Engine Kerja di Balik Amazon Quick?

Di balik layar, Amazon Quick ngobrol sama MCP (Model Context Protocol) server yang cuma punya 6 tools tetap — nggak lebih, nggak kurang. Masing-masing punya fungsi dan makna hasil yang beda:

Karena model cuma bisa milih dari 6 operasi yang udah dites manusia, dia nggak punya jalan buat bikin kombinasi query yang salah atau nyembunyiin data. Ini beda banget sama kalau model dibebaskan nulis SQL sendiri.

Menurut tulisan AWS, satu kalimat yang cukup nunjukin kenapa pola ini dibuat seketat ini: "a missed record is a liability rather than a mild inconvenience" — satu dokumen yang kelewat itu bukan sekadar kurang nyaman, tapi risiko hukum, tulis Anand Komandooru, penulis postingan AWS ini.

Arsitektur Referensi: Aurora Serverless v2, Lambda, dan AWS CDK

Semua komponen ini disusun jadi satu arsitektur referensi yang bisa kamu deploy sendiri. Amazon Quick jadi antarmuka chat, Amazon Quick Sight jadi dashboard buat lihat semua hasil. Chat agent ambil token OAuth dari Amazon Cognito, lalu kirim permintaan MCP lewat Amazon API Gateway yang mengecek token itu sebelum diteruskan ke AWS Lambda. Lambda inilah yang nyimpen MCP server dan rules engine-nya, baca-tulis ke Amazon Aurora Serverless v2, dan cuma manggil Amazon Bedrock buat jalur eksplorasi klausul.

Yang penting di sini, chat dan dashboard baca dari store yang sama. Chat bawa struk kelengkapan dan link ke dashboard, dashboard bawa volume data lengkap — soalnya 10.800 baris nggak mungkin ditampilin di satu pesan chat. Bedrock cuma dipanggil dari jalur eksplorasi, nggak pernah dipanggil buat nentuin lolos atau gagal, dan Aurora sendiri nggak pernah manggil model AI.

Untuk jalur eksploratif, AWS pakai Amazon Titan Text Embeddings V2 buat ranking kemiripan semantik dan Anthropic Claude Sonnet 5 (lewat cross-region inference profile) buat nilai klausul secara kualitatif. Keduanya cuma dipakai di jalur yang nggak resmi — bukan buat keputusan compliance.

Cara Nyobain Sample Adjudicated Query Pakai AWS CDK

AWS ngasih contoh implementasi lengkap yang open source di GitHub, lengkap dengan data sewa sintetis (bukan data pelanggan asli). Kalau kamu developer dan mau nyobain sendiri, ini langkah-langkahnya:

1. Siapin prasyarat. Kamu butuh akun AWS dengan akses model Amazon Titan Text Embeddings V2 dan Anthropic Claude Sonnet 5 di region US East (N. Virginia), AWS CLI v2, Python 3.12, dan Node.js 24 buat AWS CDK CLI.
2. Clone repository dan setup environment. Jalankan git clone repo sample-nya, lalu bikin virtual environment Python dan install dependency-nya.
3. Deploy infrastruktur pakai AWS CDK. Bootstrap CDK versi 2.261.0, lalu cdk deploy. Provisioning Aurora biasanya butuh sekitar 11 menit, tergantung akun dan region kamu.
4. Isi data dan verifikasi. Jalankan skrip migrasi skema, generate corpus deterministik, ingest data, setup dashboard Quick Sight, lalu jalankan 28 acceptance test buat mastiin semuanya jalan.
5. Daftarin integrasi MCP di Amazon Quick. Amazon Quick cuma nyimpen daftar tools pas waktu pendaftaran, jadi kamu harus hapus-buat ulang koneksinya kalau ada tools baru. Ambil Client ID dan secret dari Cognito, lalu masukin lewat menu Connectors di Amazon Quick.
6. Verifikasi integrasi. Cek koneksi hidup lewat check_connection, lalu jalankan ulang acceptance test buat mastiin 28 dari 28 cek lolos.

Contoh Nyata: Ngecek Sewa Texas yang Melanggar Batas Denda Telat

Setelah stack-nya jalan, AWS nunjukin contoh pertanyaan yang bisa diketik di chat Amazon Quick:

Which Texas leases violate the late fee cap? Use rules effective 01/01/2026.

Amazon Quick ngenalin ini sebagai permintaan sweep compliance dan otomatis milih tool sweep_compliance. Tool ini ngecek secara menyeluruh semua sewa Texas, pakai aturan yang berlaku di tanggal yang disebut. Nggak ada model AI yang ikut campur di keputusan ini.

Hasilnya: 10.111 pelanggaran, 689 ambigu, dan 20 dokumen yang nggak terbaca. Kalau dijumlah semua kategori ini — patuh, melanggar, ambigu, nggak terbaca — totalnya pas sama jumlah total sewa Texas yang diperiksa. Itu bukti kalau setiap dokumen masuk ke tepat satu kategori, nggak ada yang kelewat.

Dari chat, kamu bisa klik link ke dashboard Amazon Quick Sight buat lihat semua baris data lengkap.

Kalau kamu klik satu baris, kamu bisa lihat detail lengkap temuannya.

Di contoh ini, klausul sewanya nyebut denda telat 7 persen, padahal aturan Texas yang berlaku (Prop. Code ch. 92 subch. B, revisi efektif 2026-01-01) cuma ngebolehin maksimal 5 persen. Semua bukti ini nempel langsung di satu temuan, jadi nggak perlu disusun ulang kalau ada yang nanya dasarnya apa.

Keamanan dan Batasan yang Perlu Kamu Tau

Karena ini dibangun buat kerjaan compliance, keamanan jadi bagian dari desain, bukan tambahan belakangan. Beberapa yang diterapkan AWS di sample ini: akses cuma lewat token OAuth berumur pendek dari Cognito, secret client cuma dibaca sekali waktu daftar dan nggak ditulis ke disk, akses Bedrock dibatasi cuma ke model ARN tertentu (nggak wildcard), koneksi database lewat VPC bukan endpoint publik, dan yang paling penting — nggak ada bahasa natural yang nyampe ke level query SQL, jadi celah injection-nya ketutup dari desain.

Finding-nya juga append-only, artinya nggak ada jalur UPDATE atau DELETE di kode. Jadi catatan compliance nggak bisa diubah diam-diam setelah dibuat.

AWS juga jujur soal kapan pola ini sebaiknya nggak dipakai. Pertama, kalau aturannya sebenernya bukan perbandingan deterministik — misalnya menilai apakah suatu klausul "nggak wajar" — maka maksain pakai pola ini cuma nyembunyiin subjektivitas di balik aturan yang kelihatan presisi. Kedua, kalau kelengkapan nggak penting buat user (cuma butuh contoh, bukan audit penuh), RAG udah cukup dan lebih murah. Ketiga, kalau definisi populasi datanya sendiri masih bisa diperdebatkan, struk kelengkapan jadi presisi di angka yang salah.

Dampak Buat Developer dan Bisnis di Indonesia

Buat tim legal, risk, atau compliance di Indonesia yang ngurus kontrak sewa, asuransi, atau dokumen berjumlah besar, pola kayak gini relevan banget — apalagi kalau nanti ada audit atau tuntutan hukum dan kamu harus bisa buktiin semua dokumen udah diperiksa, bukan cuma sebagian. Prinsip yang sama bisa dipakai buat ngecek kepatuhan terhadap UU PDP: misalnya nyaring ribuan dokumen kontrak buat mastiin klausul perlindungan data udah sesuai aturan terbaru, dengan bukti yang bisa ditunjukin ke regulator kalau diminta.

Buat developer yang mau eksperimen bikin sistem serupa, kamu bisa pakai Classai Router buat nyobain model-model yang perannya mirip kayak di arsitektur ini — misalnya Claude Sonnet 5 (Rp160 / Rp800 per 1 juta token input/output) buat jalur narasi atau penjelasan klausul, tanpa perlu setup akun AWS Bedrock dulu. Cukup arahin base URL ke router.classai.id/v1 dan ganti satu string model, kodingan lain nggak perlu diubah. Kalau mau paham dulu dasar-dasar manggil API model AI, baca juga Apa itu API AI? Panduan Lengkap untuk Pemula.

Kalau timmu lagi ngurus infrastruktur AWS buat proyek AI lain, artikel Claude Platform AWS: Cara Atur Akses Multi-Environment juga bisa jadi bacaan lanjutan yang nyambung soal arsitektur serupa. Dan kalau kamu mau belajar lebih sistematis soal bikin aplikasi AI dari nol, kelas AI untuk Developer di Classai bisa jadi langkah awal yang lebih terstruktur.

Intinya, yang AWS tunjukin lewat pola Adjudicated Query ini sebenernya pelajaran penting buat siapa pun yang mau pakai AI di pekerjaan berisiko tinggi: biarin AI yang jago ngobrol dan narasiin, tapi jangan pernah biarin dia yang nentuin keputusan final kalau taruhannya besar.