Admisión Psicológica Guiada:
PoC de Agentic AI en AWS
Sobre el cliente
El cliente buscaba validar el núcleo de un flujo de admisión psicológica asistido por IA capaz de realizar una entrevista guiada breve, recomendar profesionales adecuados y generar un informe preliminar estructurado para la revisión de un terapeuta.
El desafío
El cliente necesitaba validar una forma escalable y consistente de brindar soporte durante el proceso inicial de admisión psicológica, manteniendo la supervisión humana.
El flujo principal requería una entrevista guiada de 10 a 15 preguntas, la posibilidad de realizar aclaraciones teniendo en cuenta el contexto, una recomendación de los 3 profesionales más adecuados, incluyendo los motivos de la recomendación, y la generación de un informe preliminar estructurado para la revisión de un terapeuta.
Sin un núcleo de agente validado, la organización continuaría dependiendo de procesos manuales para la admisión, la asignación de profesionales y la preparación de informes, sin contar con una base comprobada para futuras capacidades como agendamiento, notificaciones y portales orientados a pacientes.
Por este motivo, el trabajo se enfocó en validar un flujo de Agentic AI capaz de guiar una interacción de múltiples pasos, razonar a partir de las respuestas, ejecutar acciones, recomendar el siguiente paso adecuado y generar un informe persistente, sin reemplazar el criterio profesional ni emitir diagnósticos.
Objetivos del proyecto
Objetivo principal:
Construir y validar un agente conversacional de admisión psicológica sobre Amazon Bedrock dentro de una PoC de 100 horas.
Objetivos específicos:
-
Realizar una admisión guiada de 10 a 15 preguntas y permitir preguntas de seguimiento en lenguaje natural para realizar aclaraciones.
-
Utilizar la documentación y las guías proporcionadas por el cliente como soporte para la conversación.
-
Recomendar un Top 3 de profesionales y explicar por qué cada uno es adecuado.
-
Generar un informe preliminar estructurado para el terapeuta cuando se selecciona un profesional y almacenarlo en Amazon S3.
-
Comparar más de un modelo de Bedrock durante la PoC y documentar las ventajas y desventajas de cada alternativa.
-
Validar la solución únicamente mediante conversaciones simuladas/internas; el agente no debe reemplazar a un profesional ni emitir diagnósticos.
La solución
Implementamos la PoC utilizando Amazon Bedrock Agents para orquestar el cuestionario guiado, el flujo conversacional, la recomendación de profesionales y la generación de informes.
La implementación utilizó Haiku 4.5 a través de Amazon Bedrock. Los Action Groups de Bedrock Agent invocan funciones de AWS Lambda para consultar el catálogo de profesionales basado en archivos y generar y almacenar informes en Amazon S3.
Intencionalmente, validamos la solución desde la consola de Amazon Bedrock y mantuvimos la PoC enfocada en el comportamiento central del agente, evitando componentes de producción innecesarios, integraciones externas para pacientes, funcionalidades de agendamiento o una base de datos relacional durante esta etapa.
Definición y cumplimiento
Esta referencia cumple directamente con el alcance de la especialización AWS Agentic AI, ya que implementamos un flujo de agente orientado a objetivos y de múltiples pasos, en lugar de un simple asistente conversacional.
El agente de Bedrock guía la admisión, razona a partir de las respuestas del usuario y de las guías proporcionadas por el cliente, ejecuta acciones para acceder al catálogo de profesionales, recomienda un Top 3 de profesionales con su justificación y genera un informe estructurado persistente en Amazon S3 una vez seleccionado un profesional. La revisión humana y el alcance explícitamente no diagnóstico proporcionan un mecanismo de supervisión controlada para el flujo autónomo.
La solución demuestra:
-
Orquestación administrada de agentes.
-
Razonamiento de múltiples pasos.
-
Uso de herramientas.
-
Ejecución de acciones.
-
Validación con participación humana (human-in-the-loop).
Tecnologías clave implementadas
🔹Amazon Bedrock Agents: orquestación administrada del cuestionario, la conversación, la recomendación y el flujo de generación de informes. | 🔹Haiku 4.5 en Amazon Bedrock: modelo fundacional utilizado durante la implementación. | 🔹Bedrock Agent Action Groups: invocación de funciones para acceder al catálogo de profesionales y persistir los informes. | 🔹AWS Lambda: backend para la ejecución de acciones. | 🔹Amazon S3: almacenamiento de los informes generados, catálogo de profesionales basado en archivos y almacenamiento opcional de documentación para RAG. | 🔹AWS CloudTrail: registro de auditoría confirmado como implementado. | 🔹Amazon CloudWatch: registros operativos y monitoreo básico confirmado como implementado. | 🔹AWS KMS: cifrado propuesto para el bucket de informes en S3.
Solución técnica y justificación
La arquitectura fue diseñada intencionalmente para minimizar la infraestructura necesaria para una PoC interna de 100 horas.
Bedrock Agents proporciona el entorno de ejecución administrado del agente, Lambda ejecuta las acciones y S3 almacena los informes y archivos de referencia.
Las pruebas realizadas a través de la consola de Bedrock eliminan la necesidad de desarrollar un frontend personalizado durante la etapa de validación.
Los controles de IA responsable incluyen:
-
Conversaciones simuladas.
-
Revisión humana de los informes generados.
-
Una declaración explícita de que el agente no reemplaza a un profesional.
-
Prohibición de emitir diagnósticos.
No se evidenció el uso de APIs externas, bases de datos de memoria persistente, MCP/A2A ni integraciones de producción para el direccionamiento de pacientes.
Principales características de la arquitectura
-
Flujo guiado de múltiples pasos. Admisión mediante 10 a 15 preguntas, con posibilidad de realizar aclaraciones utilizando lenguaje natural.
-
Acción de recomendación. Selección de un Top 3 de profesionales, acompañada de una explicación sobre la correspondencia entre el paciente y cada profesional.
-
Artefacto de negocio persistente. La selección de un profesional activa la generación de un informe estructurado para el terapeuta, que se almacena en Amazon S3.
-
Validación controlada. Se utilizan conversaciones simuladas/internas y revisión humana antes de avanzar hacia una futura evolución a producción.
Optimización de la solución y enfoques alternativos
Seleccionamos intencionalmente una arquitectura serverless simplificada para validar el núcleo del agente dentro del límite establecido de 100 horas.
Al enfocarnos primero en el flujo de entrevista → recomendación → informe, evitamos incorporar agendamiento, portales, distribución multicanal o una base de datos relacional antes de validar el comportamiento central del agente.
Este enfoque redujo la complejidad de implementación y creó una base reutilizable sobre la cual un futuro MVP podrá incorporar estas capacidades sin necesidad de reconstruir el núcleo de la solución.
Impacto de negocio e indicadores clave (KPIs)
Se midieron los siguientes KPIs para validar el impacto de negocio de la solución implementada.
-
KPI 1 — Eficiencia en la Admisión y Preparación del Informe Preliminar
Línea base: El esfuerzo manual de admisión y preparación del informe preliminar se normalizó al 100%.
Objetivo: Reducir en al menos un 30% el esfuerzo combinado necesario para recopilar la información estructurada de admisión y preparar un informe preliminar listo para revisión del terapeuta.
Resultado real: La validación interna de la PoC mostró una reducción aproximada del 35% en el esfuerzo necesario para obtener un informe listo para revisión.
Método de medición: Se comparó el esfuerzo requerido para completar una admisión y preparar un informe de forma manual mediante escenarios simulados, frente a conversaciones equivalentes procesadas por el agente y posteriormente revisadas por el equipo.
-
KPI 2 — Calidad de las Recomendaciones de Profesionalesscenari.
Línea base: Los escenarios iniciales de asignación manual/simulada alcanzaban aproximadamente un 65% de coincidencia en primera instancia con la selección de profesionales preferida.
Objetivo: Alcanzar al menos un 80% de acuerdo de los revisores con las recomendaciones del Top 3 generadas por el agente y su justificación.
Resultado real: La validación de la PoC alcanzó aproximadamente un 84% de acuerdo de los revisores en primera instancia.
Método de medición: Los revisores del cliente evaluaron conversaciones simuladas y compararon las recomendaciones del Top 3 generadas por el agente y sus explicaciones con los profesionales que consideraban apropiados para esos mismos escenarios.
Objetivos no alcanzados y lecciones Aprendidas
La PoC confirmó que un flujo acotado y supervisado por humanos es el enfoque adecuado como primer paso para este caso de uso.
Las conversaciones simuladas, la comparación de modelos, los ajustes de prompts y reglas, la revisión de informes y el feedback del cliente permitieron perfeccionar el comportamiento central del agente manteniendo un límite claro de no diagnóstico.
El proyecto también demostró que validar primero el flujo central de admisión, recomendación y generación de informes, antes de incorporar funcionalidades de agendamiento o integraciones de producción orientadas a pacientes, permite reducir la complejidad y ofrece un camino más seguro hacia un futuro MVP.
Contactanos
Y escala tu negocio sin límites.