4 min de lectura

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

IA agéntica en operaciones de laboratorio: Natera responde tickets 130 veces más rápido y cubre el 96,2% con SWARM. Descubre cómo lo hizo y qué replicar.

Enjambre de agentes de IA luminosos fluyen alrededor de una hélice de ADN de cristal en un laboratorio abstracto y futurista

Cuando un técnico senior se va de la empresa, se lleva consigo años de diagnósticos que nunca quedaron escritos. A Natera, líder en pruebas de ADN libre circulante (cfDNA), le pasó exactamente eso en su laboratorio. Su respuesta fue un caso de IA agéntica en operaciones de laboratorio con cifras difíciles de ignorar: 130 veces menos tiempo de primera respuesta y 96,2 % de cobertura automatizada en los tickets de soporte.

De 17,4 horas a minutos: así funciona SWARM

El punto de partida era incómodo. El equipo de ingeniería de servicio recibía más de 65 tickets al día repartidos en tres colas de Jira, con un tiempo medio de primera respuesta de 17,4 horas. Cada hora de un instrumento parado retrasaba muestras y, en última instancia, los informes a pacientes. Contratar más ingenieros no alcanzaba, y el conocimiento dependía de la experiencia individual, no de manuales estandarizados.

Junto con AWS, el equipo liderado por Ariel Jirau construyó SWARM (Systematic Workflow Analytics and Resolutions Manager) sobre Amazon Bedrock AgentCore. El sistema usa dos agentes que comparten una misma biblioteca de habilidades. El primero, swarm-agent, genera de forma autónoma un informe de diagnóstico estructurado antes de que un ingeniero abra el ticket. El segundo, swarm-hive, permite a los ingenieros conversar en tiempo real, subir imágenes y explorar rutas alternativas de resolución. Si dividimos las 17,4 horas originales entre 130, la primera respuesta queda en torno a ocho minutos.

La arquitectura tiene cuatro capas: eventos (Jira, Amazon EventBridge y SQS), agentes, contexto (manuales de fabricantes, tickets históricos y datos operativos) y observabilidad. Jirau lo resume así: el sistema no sustituye a los ingenieros, les da acceso a toda la profundidad del conocimiento institucional desde el momento en que llega el ticket.

Seguridad y cumplimiento: el requisito que condiciona todo

Natera opera en un entorno clínico, así que la seguridad no fue un añadido. Eligió un despliegue sin claves de larga duración: OpenID Connect y AWS STS generan credenciales temporales por despliegue, IAM aplica mínimo privilegio por componente y una VPC con subredes privadas mantiene el tráfico fuera de internet. Las pocas credenciales que existen rotan cada 30 días en Secrets Manager.

En gobernanza, SWARM corre sobre servicios compatibles con HIPAA bajo un acuerdo BAA. Cada invocación de un agente queda registrada para auditoría, y ninguna información identificable de pacientes llega al índice vectorial ni al modelo de lenguaje: los tickets solo contienen metadatos de equipos y flujos de trabajo.

Lecciones para implementar IA agéntica en tu operación

El caso deja un patrón replicable en cualquier empresa con equipos técnicos y soporte de alto volumen.

  • Empieza por el conocimiento, no por el modelo. Los primeros prototipos, con recuperación genérica y sin metadatos por equipo, daban resultados inconsistentes. Natera construyó un pipeline propio de procesamiento de documentos, con Amazon Titan Text Embeddings y Amazon Bedrock Knowledge Bases, e indexó en lotes de 100 para equilibrar velocidad y límites de API.
  • Invierte en el análisis de documentos complejos. Si tus fuentes tienen tablas y diagramas, el chunking por defecto no basta. La precisión que ganas ahí se acumula en cada diagnóstico posterior.
  • Usa un entorno gestionado. El equipo quiso dedicar esfuerzo a la precisión del diagnóstico y no a la infraestructura. Según Jirau, también valoraron poder cambiar de modelo sin reescribir la lógica de los agentes.
  • Integra donde ya trabaja la gente. SWARM se conecta a Jira y Confluence. No obliga a cambiar de herramienta.
  • Diseña la privacidad desde el día uno. Si operas bajo HIPAA o una norma similar, confirma la cobertura contractual y la separación de datos antes de montar la base de conocimiento.
  • Combina autonomía y colaboración. Un agente que se adelanta con un informe y otro con el que el ingeniero dialoga cubren dos necesidades distintas.
  • Otros casos van en la misma línea. Kone, por ejemplo, da a sus técnicos un asistente que aprende de miles de reparaciones. Circle K, por su parte, redujo el triaje de incidentes de 60 a menos de 15 minutos. Y Bayer muestra cómo un sistema multiagente resuelve el 80 % de las consultas sin ingenieros.

    ¿Cuándo tiene sentido dar este paso?

    Hay tres señales de que tu organización está lista. Tienes alto volumen de tickets repetitivos, tu conocimiento crítico vive en la cabeza de pocas personas y el coste del tiempo de respuesta es medible, como un equipo parado o una muestra retrasada. Si se cumplen, la pregunta deja de ser si automatizar y pasa a ser qué conocimiento rescatar primero.

    La pregunta para tu equipo es sencilla: si tu mejor técnico se fuera mañana, ¿qué parte de su experiencia seguiría disponible? Natera respondió con IA agéntica en operaciones de laboratorio, y ese puede ser un buen punto de partida para tu propio mapa de conocimiento.

    Preguntas frecuentes

    ¿Qué resultados obtuvo Natera con SWARM?

    Natera logró una primera respuesta unas 130 veces más rápida y una cobertura automatizada del 96,2 % en sus tickets de soporte. Antes, con más de 65 tickets diarios en tres colas de Jira, el tiempo medio de primera respuesta era de 17,4 horas. Es un ejemplo concreto de IA agéntica en operaciones de laboratorio.

    ¿Cómo protege Natera los datos de pacientes en un sistema de IA?

    SWARM usa servicios compatibles con HIPAA bajo un acuerdo BAA, registra cada invocación de agente para auditoría y despliega sin claves de larga duración. Además, ningún dato identificable de pacientes llega al índice vectorial ni al modelo de lenguaje: los tickets solo incluyen metadatos de equipos y flujos de trabajo.

    ¿SWARM reemplaza a los ingenieros de laboratorio?

    No. Según Ariel Jirau, el sistema da a los ingenieros acceso inmediato al conocimiento institucional cuando llega un ticket. El agente autónomo prepara un informe de diagnóstico y el agente interactivo permite explorar alternativas en tiempo real, subir imágenes y validar rutas de resolución. La decisión final sigue en manos humanas.