Forestil dig presset: en revisor står i døren, telefonen ringer, og nogen beder om den præcise ordlyd af en klausul i en 180-siders kontrakt. Om to minutter. Her hjælper det ikke at vente på et natligt batchjob. Det er præcis den type scenarie, AWS adresserer i et nyt blogindlæg, der viser, hvordan man bygger en lille MCP-baseret server til interaktivt tekstudtræk fra PDF’er i Amazon S3 i realtid.
Kernen er nøgtern: hvis dine dokumenter allerede er tekst-baserede PDF’er, kan du få on-demand adgang til indholdet uden at køre Amazon Textract hver gang. Løsningen placerer sig mellem hurtige engangsscripts og tunge pipelines. Det gør den relevant for teams under tidspres—særligt i compliance, jura og finans—hvor præcise citater og tal er afgørende for næste beslutning. Det er en mindre, protokolbaseret måde at spørge dokumenterne direkte.
Hvad AWS foreslår
Blogindlægget beskriver en server, der i realtid udtrækker tekst fra PDF-filer i S3 via Model Context Protocol (MCP). Formålet er programmerbar, interaktiv adgang til dokumentteksten, så en klient—fx en AI-assistent eller et internt værktøj—kan stille spørgsmål uden at afvente en batchkørsel. Opsætningen gennemgås i en arkitekturoversigt, hvor serveren forbindes til S3 og besvarer forespørgsler på tværs af dokumenter. Undervejs sammenlignes mønstret med Amazon Textract for at hjælpe med at vælge rigtigt til arbejdsbyrden.
Pointen er ikke at erstatte Textract generelt. AWS er tydelig om, at Textract er det rigtige valg til OCR, formular- og layoutudtræk samt produktion i stor skala. MCP\/server-mønstret er målrettet tekst-baserede PDF’er og øjeblikkelig interaktion—især i udvikling og proof-of-concept, hvor lav opsætning vægter tungt.
Mellem scripts og batch
Hvor hører det her hjemme i værktøjskassen? AWS placerer det midt imellem: valget står ofte mellem et hurtigt script, der henter og parser indhold, eller en batchpipeline, der kører i faste rytmer. Den MCP-baserede server er et mellemtrin: et levende API, man kan spørge, uden at engagere hele det tunge maskineri.
Det er et praktisk kompromis for dokumentlagre i S3, hvor man ikke vil bygge et helt databehandlingsflow for ad hoc-søgning i hverdagen. Resultatet er kortere vej fra spørgsmål til svar—og en lavere barriere for at forbinde dokumenter med værktøjer, der forstår tekst, fx interne søgeassistenter.
Teknisk overblik
Arkitekturen, som AWS skitserer, består i grove træk af: S3 som lagring af PDF’erne, en MCP-kompatibel server, en klientgrænseflade (CLI eller enkel app) og selve protokolforbindelsen, der strukturerer forespørgsler og svar. Serveren henter relevante PDF-objekter, udtrækker tekst fra siderne og kan streame tilbage til klienten. MCP giver en ensartet måde at tale med datakilder på—en stabil kommunikationskanal, som værktøjer kan forstå.
Det er afgørende, at tilgangen forudsætter tekst-baserede PDF’er. Scannede dokumenter, billeder, krøllede formularer eller komplekse tabeller ligger uden for komfortzonen her. Ingen OCR. Ingen detaljeret layoutforståelse. Det overlades til Textract.
Hvad man konkret får
Først: lavere ventetid i praksis. Blogindlægget angiver ikke tal, men værdien kommer af at kunne spørge og få svar nu. Opsætningstiden er lav, fordi man undgår at klargøre batchmiljøer og lange workflows. I udvikling og PoC giver det hurtig, demonstrerbar værdi.
Dernæst integrationspunkter. Fordi kilden er S3, kan man bruge kendte mønstre: IAM til adgang, VPC for isolation, og CloudWatch til logging. Det er ikke plug-and-play i enterprise-forstand, men det følger velkendte rammer i AWS. For compliance-, jura- og finansroller betyder det færre manuelle dyk ned i PDF’er og mindre ventetid på enkle svar.
Hvor det knækker
MCP-tilgangen fejler hurtigt på scannede dokumenter. Og når layout bliver tricky: flerspaltet tekst, tætte tabeller, formularfelter. Man risikerer tab af struktur eller støj fra sidehoveder og fodnoter. Her forbliver Textract det anbefalede værktøj—bygget til OCR, formularer, tabeller og layoutanalyse.
Skalerbarhed er et andet punkt. En interaktiv server er velegnet til lav til moderat belastning—PoC, udvikling, eller intern brug for en mindre gruppe. Ved mange samtidige brugere skal der suppleres med containerisering, autoskalering og køer. Observability bliver nødvendigt: mål svartid, fejlrate, timeouts og S3-throttling.
Sikkerhed og governance
On-demand adgang udvider angrebsfladen, fordi indhold eksponeres med det samme. IAM-politikker bør være stramme: mindst mulige rettigheder til serverens rolle og afgrænsning til specifikke buckets og præfikser. Kryptering i hvile i S3 og i transit mellem klient og server er baseline. Brug korte, roterede credentials og audit-logs, så man kan spore, hvem der tilgik hvilket indhold—og hvornår.
Der opstår også governance-spørgsmål: hvor længe må uddrag caches i serveren? Skal citater logges som behandlingsaktiviteter i en compliancekontekst? Hvem har ansvaret for sletning, når et dokument fjernes fra S3, men stadig ligger i en applikationscache? Blogindlægget dækker ikke disse detaljer, men de følger naturligt af enterprise-drift.
Implementeringsveje og drift
Serveren kan hostes på flere måder: en lille EC2 for kontrol og enkelhed, Fargate for containerdrift uden serveradministration, eller en letvægtsproxy med Lambda for lavt idle-forbrug. Valg af runtime og sprog afhænger af teamets kompetencer—der præsenteres ingen fast referenceimplementering. Definér simple SLO’er: fx svar inden for få sekunder på et enkelt dokument og en øvre grænse for antal sider pr. kald.
Cost-control kommer af sunde vaner: begræns sideindlæsninger, brug byte-range-reads, og cache kortvarigt, hvor det er forsvarligt. Log det nødvendige for audit, ikke alt. Og træn driftsteamets rutiner: håndtering af S3-throttling, midlertidige netværksfejl og PDF’er med defekt tekststrøm. Fejl opstår typisk, når nogen står og venter på et citat.
Hvornår skifte til Textract
Grænserne er klare i kilden: brug Textract til OCR på scannede dokumenter, når formularfelter og tabeller skal udledes struktureret, ved komplekse layouts, eller når du går i produktion i stor skala med skrappe SLA-krav og enterprise-features. MCP\/server er et supplement—det hurtige, interaktive lag for tekst-baserede PDF’er—mens Textract håndterer de tunge, strukturerede opgaver.
En hybridmodel er ofte fornuftig: kør MCP\/server som førstelinje for tekst-baserede filer, og fald tilbage til Textract, når heuristikker opdager scannede sider eller ustruktureret layout. Det undgår overbehandling af simple dokumenter og bevarer robusthed, når materialet er komplekst.
PoC-tjekliste til tekniske teams
Start med krav: dokumenttyper, antal sider pr. kald, acceptabel svartid, og adgangsregler. Vælg et snævert sæt testdata—rigtige filer fra S3, ikke kun renskurede eksempler. Mål latency, fejlrate og hitrate på “rigtigt svar ved første forsøg”. Definér failover til Textract, når teksten mangler, eller layoutet er for komplekst.
Byg småt, mål, justér. Der dukker næsten altid noget op: skævt indkodet tekst, en bucket-policy der blokerer et hjørnetilfælde, eller timeouts under spidsbelastning. Hav en plan B—også når POC’en går godt—så værktøjet ikke bliver mission critical, før infrastrukturen er klar.
Hvad det gør ved arbejdsprocesser
Når svar kan hentes på sekunder, ændrer det rytmen i møder og afgørelser. En advokat kan verificere en sætning, mens klienten lytter. En compliance-officer kan lukke et spørgsmål i audit-sporet i stedet for at parkere det. Tempoet stiger—kravene til korrekthed og sporbarhed følger med.
Der er risiko for overforbrug: fordi det er let at spørge, spørger man for ofte—eller på det forkerte datagrundlag. Governance skal følge med: klare regler for, hvilke dokumenter indgår, hvem må få uddrag, og hvordan citater dokumenteres. Ellers flytter man blot ventetid fra batch til incident-respons.
Sammenfatning og anbefaling
Den MCP-baserede server fra AWS-blogindlægget adresserer et velkendt problem: få tekst ud af PDF’er i S3 nu, ikke i morgen. Den er oplagt til tekst-baserede PDF’er, interaktive scenarier og især i udvikling og PoC, hvor hurtig værdi tæller. Den er ikke til scannede filer, formularer, tabeller eller komplekst layout—her peger AWS tydeligt på Amazon Textract.
Praktisk anbefaling: start med MCP\/server som et tyndt, interaktivt lag, få sikkerhed og logging på plads fra dag ét, og design en automatisk fallback til Textract. Hvis behovet vokser, skaler med containere og køer, eller flyt mere til Textract, når SLA- og enterprise-krav melder sig.
Kilder og videre læsning
Primær kilde: AWS Machine Learning Blog — “Build interactive PDF text extraction from Amazon S3”. Indlægget gennemgår arkitektur, serveropsætning, interaktive forespørgsler samt sammenligning med Amazon Textract, inklusive anbefalinger for valg af værktøj til OCR, formular- og layoutudtræk samt skaleret produktion.
Bemærk dokumentationshuller: blogindlægget angiver ikke performance-målinger eller en standardiseret referenceimplementering af MCP-serveren. Teams bør derfor teste egne TTFB\/latency-mål og validere omkostningsprofilen i eget miljø, før de beslutter permanent drift. Det er almindelig due diligence.
