En el sector salut, la personalització a escala és un dels reptes més complexos. Quan una organització atén milers de pacients amb necessitats conductuals, cada interacció ha de reflectir setmanes d'historial clínic i emocional. Construir un assistent que ajudi l'equip clínic sense comprometre la privacitat, la velocitat ni la qualitat requereix una arquitectura acurada. Pelago, una clínica digital per al tractament de trastorns per consum de substàncies, va demostrar que es pot aconseguir en només dues setmanes utilitzant serveis serverless i intel·ligència artificial a AWS. Aquest cas inspira qualsevol empresa regulada que vulgui innovar amb intel·ligència artificial mantenint el control de les seves dades.
L'equip d'enginyeria de Pelago s'enfrontava a un escenari típic de creixement: un sol coach podia mantenir converses actives amb desenes de membres alhora. Redactar cada resposta des de zero, tenint en compte tot el context previ, consumia un temps valuós. La solució no podia enviar respostes automàtiques; la supervisió humana era innegociable en un entorn de salut conductual. A més, la informació protegida (PHI) no podia sortir de l'entorn AWS, i els temps de resposta havien de ser gairebé instantanis per a l'equip clínic. Amb aquestes restriccions, l'equip va dissenyar un sistema basat en esdeveniments que separa la generació de suggeriments de l'experiència de l'usuari final.
L'arquitectura escollida és completament serverless. Quan un membre envia un missatge, s'emmagatzema a DynamoDB i es publica en un tòpic d'Amazon SNS. Des d'allà, múltiples subscriptors Lambda processen l'esdeveniment en paral·lel: un guarda metadades, un envia analítica a Amplitude, un genera notificacions push, i el més rellevant invoca Amazon Bedrock per produir suggeriments contextuals. Aquest procés asíncron triga menys de quatre segons, però el resultat es desa a MySQL perquè, quan el coach obri la conversa minuts després, el suggeriment es recuperi en menys de 100 mil·lisegons. L'usuari mai espera per la inferència del model.
L'elecció de serveis serverless no només accelera el desenvolupament, sinó que també simplifica l'operació. No hi ha servidors a pedaçar, ni configuracions d'escalat a ajustar. Quan un pic de trànsit multiplica per vuit el volum de missatges durant una campanya estacional, les funcions Lambda escalen horitzontalment sense intervenció humana. Aquest model de pagament per invocació elimina els costos d'infraestructura ociosa, un factor crucial per a startups i empreses de mida mitjana que necessiten optimitzar cada euro invertit en tecnologia.
La seguretat va ser un pilar des de l'inici. Per mantenir l'elegibilitat HIPAA, tot el trànsit cap a Amazon Bedrock viatja a través d'endpoints VPC, mai per internet públic. Les dades es xifren en repòs a DynamoDB i RDS, les comunicacions usen TLS 1.2+, i els permisos IAM segueixen el principi de mínim privilegi. Els logs d'auditoria capturen només identificadors de missatge, no contingut. Cada invocació al model queda registrada a CloudWatch, proporcionant traçabilitat sense exposar informació sensible.
Un dels encerts tècnics va ser separar els llenguatges de programació segons la tasca. Les funcions Lambda que invoquen Bedrock es van escriure en Python, aprofitant la maduresa de Boto3 i la facilitat per manipular cadenes de text en l'enginyeria de prompts. En canvi, la funció de recuperació de suggeriments es va escriure en TypeScript, mantenint consistència amb la resta del backend i reutilitzant biblioteques compartides. Aquesta estratègia poliglota permet utilitzar l'eina adequada per a cada feina sense forçar un únic runtime a tot el sistema.
L'equip de Pelago també va resoldre el problema de la idempotència. Com que SNS pot lliurar el mateix missatge més d'una vegada, la funció Lambda verifica si ja existeix un suggeriment per a aquell missatge abans d'invocar Bedrock. D'aquesta manera s'eviten invocacions duplicades que malbaratarien costos de còmput i podrien generar suggeriments contradictoris. Si el model falla per límits de taxa, un mecanisme de reintent intern assegura que el suggeriment es generi eventualment sense bloquejar el flux de missatges.
Els resultats de negoci parlen per si sols. El temps de preparació de respostes es va reduir un 40% de mitjana, i el 79,6% dels suggeriments generats per IA van ser qualificats com a útils per l'equip clínic. Aquest nivell d'adopció demostra que la tecnologia no només estalvia temps, sinó que també millora la qualitat de l'atenció alliberant els coaches perquè es concentrin en el que realment importa: la connexió humana.
Construir un sistema així des de zero pot semblar descoratjador per a equips petits. Aquí és on una empresa com Q2BSTUDIO aporta valor. Amb experiència en aplicacions a mida, integració de serveis cloud com AWS i Azure, i domini de ciberseguretat, Q2BSTUDIO pot replicar aquest patró en qualsevol sector regulat. Des d'agents d'IA per a atenció al client fins a assistents clínics que compleixin normatives com HIPAA o GDPR, l'enfocament serverless i orientat a esdeveniments permet escalar sense complexitat. A més, la incorporació d'eines de BI com Power BI per analitzar el rendiment dels suggeriments i la satisfacció de l'equip completa un ecosistema on les dades guien la millora contínua.
L'experiència de Pelago demostra que no calen mesos de desenvolupament ni equips enormes per implementar intel·ligència artificial generativa en entorns crítics. Amb una arquitectura ben dissenyada, serveis serverless i un soci tecnològic adequat, qualsevol organització pot passar del concepte a la producció en qüestió de setmanes. La clau és separar les preocupacions, prioritzar l'asincronia i mantenir sempre l'humà al centre de la decisió.
