TL;DR: PwC hat auf AWS eine Annotation-Pipeline gebaut, die Legal- und Compliance-Teams bis zu 90 % Zeitersparnis bei der Vertragsanalyse bringt – und zeigt damit ein Architektur-Muster, das sich direkt auf andere Dokumenten-intensive Workflows übertragen lässt.
Vertragsanalyse ist ein klassisches Skalierungsproblem: Je mehr Verträge, desto mehr manueller Aufwand. PwC hat mit AIDA (AI-Driven Annotation) eine Lösung gebaut, die genau hier ansetzt – und am 29. April 2026 im AWS Machine Learning Blog die Architektur dahinter offengelegt. Das Ergebnis in der Praxis: Ein großes Film- und TV-Studio hat die Zeit für die Recherche zu Lizenzrechten um 90 % reduziert.
Was ist neu?
AIDA kombiniert drei Kernmechanismen auf AWS: Erstens template-basierte Extraktion, bei der Legal-Teams einmalig Regeln und Labels definieren (z. B. “Kündigungsfristen”, “Renewal-Klauseln”) und diese dann parallel über tausende Verträge laufen lassen. Zweitens dokumentenbasierter Chat über einen einzelnen Vertrag, der die relevantesten Passagen semantisch findet und über Amazon Bedrock als kontextgebundene Antwort mit Zitatverweis zurückgibt. Drittens globaler Chat über mehrere Dokumente hinweg – für projektweite Auswertungen oder Vergleiche across Collections.
Die Architektur dahinter ist direkt lesbar: Dokumente werden per OCR aufbereitet und in Amazon S3 abgelegt, Embeddings über Amazon Bedrock Embedding Models erzeugt und in Amazon OpenSearch Serverless vektorisiert. Für Inferenz greift das AIDA-System auf die vektorisierte Wissensbasis zu und kombiniert semantische mit metadatenbasierter Filterung – Retrieval Augmented Generation (RAG) also, aber mit expliziten Guardrails (PII-Schutz, Prompt Safety) über Amazon Bedrock Guardrails. Die Skalierung der Extraction-Pipelines läuft asynchron über Amazon ECS mit Fargate und Amazon SQS, sodass große Vertragsvolumen parallel verarbeitet werden können.
Was bedeutet das für AI-Automation-Engineers?
Das verändert konkret, wie Dokumenten-Analyse-Workflows gebaut werden: AIDA ist kein Produkt, sondern ein Architektur-Pattern – OCR → strukturierter Store → Embeddings → hybride semantische Suche → LLM-Orchestrierung mit menschlichem Review-Queue vor Downstream-Integration. Dieses Muster ist auf jede Branche übertragbar, in der unstrukturierte Dokumente in strukturierte, durchsuchbare Insights umgewandelt werden müssen: Medizinische Berichte, Compliance-Dokumente, Ausschreibungsunterlagen.
Für Teams, die solche Pipelines in n8n, Make oder eigenen Stacks aufbauen, zeigt AIDA konkret, wo die Grenzen von reinem Keyword-Matching liegen und warum das Zusammenspiel aus Rule-based Extraction und LLM-Interpretation für Skalierbarkeit entscheidend ist. Der Human-in-the-Loop-Review-Queue vor der Downstream-Übergabe ist dabei kein optionaler Nachsatz, sondern zentrales Design-Element für rechtliche und Compliance-Anforderungen.
Quellen & Weiterführende Links
- 📰 Original-Artikel: Extracting contract insights with PwC’s AI-driven annotation on AWS
- 📚 PwC AIDA – Offizielle Produktseite
- 📚 Amazon Bedrock Knowledge Bases – Offizielle Docs
- 🎓 Workshops & Kurse:
💡 Passende Kurse zu diesem Thema befinden sich aktuell in Planung – informiere dich auf workshops.de über neue Angebote.