4 min de lectura

IA agéntica en operaciones de laboratorio: Natera responde 130 veces más rápido a sus tickets y automatiza el 96,2%

IA agéntica en operaciones de laboratorio: Natera pasó de 17,4 horas a responder 130 veces más rápido y cubre el 96,2% de sus tickets. Mira cómo lo hizo.

Ilustración abstracta de agentes de IA luminosos que fluyen hacia un núcleo de conocimiento cristalino con elementos de laboratorio

Cuando un técnico senior se va, se lleva años de diagnósticos en la cabeza. Natera, líder en pruebas de ADN libre circulante (cfDNA), lo vivió en sus laboratorios y respondió con IA agéntica en operaciones de laboratorio: un sistema llamado SWARM que ofrece una primera respuesta unas 130 veces más rápida y una cobertura automatizada del 96,2% de los tickets de soporte. Lo construyó junto a AWS sobre Amazon Bedrock AgentCore.

El punto de partida era incómodo. Los equipos de ingeniería de servicio recibían más de 65 tickets al día en tres colas de Jira, con un tiempo medio de primera respuesta de 17,4 horas. Cada hora con un instrumento parado retrasaba el procesamiento de muestras y, en última instancia, los informes a pacientes. Contratar más ingenieros no alcanzaba, porque el problema no era solo de volumen: el equipo trabajaba con pericia individual y no con manuales estandarizados. Cuando se marchó un experto en una familia de equipos, ese conocimiento institucional con IA como solución pendiente simplemente desapareció. Si la respuesta equivale a pasar de 17,4 horas a unos minutos, la mejora es de un orden de magnitud que cambia la operación.

Cómo funciona SWARM: dos agentes, una biblioteca de habilidades

SWARM combina dos runtimes que comparten una misma biblioteca de habilidades. El primero, swarm-agent, genera de forma autónoma un informe de diagnóstico estructurado antes de que el ingeniero abra el ticket. El segundo, swarm-hive, permite a los ingenieros conversar en tiempo real, subir imágenes y explorar rutas alternativas de resolución.

La arquitectura tiene cuatro capas: eventos (los tickets de Jira pasan por Amazon EventBridge y SQS), agentes, contexto (manuales de proveedores, tickets históricos y datos operativos) y observabilidad. Según Ariel Jirau, líder del equipo, el sistema «no reemplaza a los ingenieros: les da acceso a toda la profundidad del conocimiento institucional en el momento en que llega un ticket».

Hubo un aprendizaje técnico clave. Los primeros prototipos, con recuperación genérica y sin metadatos por tipo de equipo, daban resultados inconsistentes. El equipo construyó entonces un pipeline propio de procesamiento documental, con Amazon Titan Text Embeddings y Amazon Bedrock Knowledge Bases, e indexó en lotes de 100 documentos para equilibrar velocidad y límites de API. Su conclusión: con documentación técnica llena de tablas y diagramas, invertir en un parseo a medida mejora la precisión de cada diagnóstico posterior.

Seguridad y cumplimiento: lo que exige la IA agéntica en un entorno clínico

Natera opera en un entorno regulado, y eso condicionó el diseño. El despliegue es sin claves de larga duración: OIDC y AWS STS generan credenciales temporales por despliegue, IAM aplica mínimo privilegio por componente, el tráfico va por subredes privadas con VPC endpoints y Secrets Manager rota automáticamente las pocas credenciales existentes cada 30 días.

En gobernanza, SWARM corre sobre servicios de AWS elegibles para HIPAA bajo un acuerdo BAA, registra cada invocación para auditoría y mantiene la información identificable de pacientes fuera del índice vectorial y del modelo. Los tickets solo contienen metadatos de equipos y flujos de trabajo.

Cómo aplicar esta estrategia en tu empresa

No necesitas un laboratorio de genómica para aprovechar el patrón. Cualquier organización con soporte técnico repetitivo y conocimiento atrapado en personas puede seguir una lógica similar. Otros casos recientes apuntan en la misma dirección: Kone da a 15.000 técnicos un asistente que aprende de miles de reparaciones y Bayer resuelve el 80% de las consultas sin ingenieros con un sistema multiagente.

Acciones concretas inspiradas en SWARM:

  • Cuantifica el dolor antes de elegir tecnología. Natera partió de dos cifras claras: 65 tickets diarios y 17,4 horas de primera respuesta. Sin línea base no puedes demostrar mejora.
  • Captura el conocimiento antes de que se vaya. Reúne manuales, tickets históricos y datos operativos y estructúralos con metadatos (por ejemplo, por familia de equipo).
  • Invierte en tu pipeline documental. Si tus fuentes tienen tablas y diagramas, el chunking por defecto limita la precisión.
  • Separa autonomía y colaboración. Un agente que prepara el diagnóstico antes de que el humano llegue y otro con el que se conversa cubren necesidades distintas y pueden compartir habilidades.
  • Resuelve la seguridad en el diseño. Credenciales temporales, mínimo privilegio, redes privadas y separación de datos sensibles desde el primer día, no como parche posterior.
  • Elige un runtime gestionado. Jirau lo resume así: querían concentrar el esfuerzo en la precisión diagnóstica y no en la «plomería» de infraestructura, además de poder cambiar de modelo sin reescribir la lógica del agente.
  • Un error a evitar es lanzar un agente genérico sobre documentación sin curar y esperar buenos resultados. Natera pasó por ese tropiezo y lo corrigió con datos mejor estructurados y un bucle de evaluación continua. Si buscas más ejemplos de este enfoque, mira cómo Circle K bajó el triaje de incidentes de 60 a menos de 15 minutos con Amazon Bedrock.

    La pregunta para tu próximo comité de operaciones

    La lección de Natera es que la IA agéntica en operaciones de laboratorio (y en cualquier operación técnica) no consiste en sustituir a los expertos, sino en convertir su experiencia en un activo que no se pierde cuando alguien se va. ¿Cuánto conocimiento crítico de tu empresa vive hoy solo en la cabeza de dos o tres personas, y qué pasaría con tus tiempos de respuesta si se marcharan mañana?

    Preguntas frecuentes

    ¿Qué resultados obtuvo Natera con su sistema de IA agéntica SWARM?

    SWARM logró una primera respuesta unas 130 veces más rápida y una cobertura automatizada del 96,2% de los tickets de soporte. Antes, el tiempo medio de primera respuesta era de 17,4 horas con más de 65 tickets diarios en tres colas de Jira. Los ingenieros reciben un diagnóstico estructurado en cuanto llega el ticket.

    ¿Qué tecnologías usa Natera para su IA agéntica en operaciones de laboratorio?

    Natera construyó SWARM sobre Amazon Bedrock AgentCore, con EventBridge y SQS para los eventos, Amazon Titan Text Embeddings y Bedrock Knowledge Bases para el RAG, e integración con Jira y Confluence. Usa dos agentes: swarm-agent (autónomo) y swarm-hive (interactivo), que comparten una biblioteca de habilidades.

    ¿Cómo garantiza Natera la seguridad y el cumplimiento HIPAA de su agente de IA?

    Usa servicios de AWS elegibles para HIPAA bajo un acuerdo BAA, credenciales temporales vía OIDC y STS sin claves de larga duración, IAM con mínimo privilegio, subredes privadas y rotación de secretos cada 30 días. Además, registra cada invocación y no expone información identificable de pacientes al índice vectorial ni al modelo.