En el sector salud, la personalización a escala es uno de los desafíos más complejos. Cuando una organización atiende a miles de pacientes con necesidades conductuales, cada interacción debe reflejar semanas de historial clínico y emocional. Construir un asistente que ayude al equipo clínico sin comprometer la privacidad, la velocidad ni la calidad requiere una arquitectura cuidadosa. Pelago, una clínica digital para el tratamiento de trastornos por consumo de sustancias, demostró que es posible lograr esto en solo dos semanas usando servicios serverless e inteligencia artificial en AWS. Este caso inspira a cualquier empresa regulada que busque innovar con inteligencia artificial manteniendo el control de sus datos.
El equipo de ingeniería de Pelago se enfrentaba a un escenario típico de crecimiento: un solo coach podía mantener conversaciones activas con decenas de miembros a la vez. Redactar cada respuesta desde cero, teniendo en cuenta todo el contexto previo, consumía un tiempo valioso. La solución no podía enviar respuestas automáticas; la supervisión humana era innegociable en un entorno de salud conductual. Además, la información protegida (PHI) no podía salir del entorno de AWS, y los tiempos de respuesta debían ser casi instantáneos para el equipo clínico. Con estas restricciones, el equipo diseñó un sistema basado en eventos que separa la generación de sugerencias de la experiencia del usuario final.
La arquitectura elegida es completamente serverless. Cuando un miembro envía un mensaje, este se almacena en DynamoDB y se publica en un tópico de Amazon SNS. Desde allí, múltiples suscriptores Lambda procesan el evento en paralelo: uno guarda metadatos, otro envía analítica a Amplitude, otro genera notificaciones push, y el más relevante invoca Amazon Bedrock para producir sugerencias contextuales. Este proceso asíncrono tarda menos de cuatro segundos, pero el resultado se guarda en MySQL para que, cuando el coach abra la conversación minutos después, la sugerencia se recupere en menos de 100 milisegundos. El usuario nunca espera por la inferencia del modelo.
La elección de servicios serverless no solo acelera el desarrollo, sino que también simplifica la operación. No hay servidores que parchear, ni configuraciones de escalado que ajustar. Cuando un pico de tráfico multiplica por ocho el volumen de mensajes durante una campaña estacional, las funciones Lambda escalan horizontalmente sin intervención humana. Este modelo de pago por invocación elimina los costos de infraestructura ociosa, algo fundamental para startups y empresas de tamaño medio que necesitan optimizar cada euro invertido en tecnología.
La seguridad fue desde el inicio un pilar. Para mantener la elegibilidad HIPAA, todo el tráfico hacia Amazon Bedrock viaja a través de endpoints VPC, nunca por internet público. Los datos se cifran en reposo en DynamoDB y RDS, las comunicaciones usan TLS 1.2+, y los permisos IAM siguen el principio de mínimo privilegio. Los logs de auditoría capturan solo identificadores de mensaje, no contenido. Cada invocación al modelo queda registrada en CloudWatch, proporcionando trazabilidad sin exponer información sensible.
Uno de los aciertos técnicos fue separar los lenguajes de programación según la tarea. Las funciones Lambda que invocan Bedrock se escribieron en Python, aprovechando la madurez de Boto3 y la facilidad para manipular cadenas de texto en la ingeniería de prompts. En cambio, la función de recuperación de sugerencias se escribió en TypeScript, manteniendo consistencia con el resto del backend y reutilizando bibliotecas compartidas. Esta estrategia poliglota permite usar la herramienta adecuada para cada trabajo sin forzar un único runtime en todo el sistema.
El equipo de Pelago también resolvió el problema de la idempotencia. Dado que SNS puede entregar el mismo mensaje más de una vez, la función Lambda verifica si ya existe una sugerencia para ese mensaje antes de invocar a Bedrock. De esta forma se evitan invocaciones duplicadas que desperdiciarían costos de cómputo y podrían generar sugerencias contradictorias. Si el modelo falla por límites de tasa, un mecanismo de reintento interno asegura que la sugerencia se genere eventualmente sin bloquear el flujo de mensajes.
Los resultados de negocio hablan por sí solos. El tiempo de preparación de respuestas se redujo un 40% de media, y el 79,6% de las sugerencias generadas por IA fueron calificadas como útiles por el equipo clínico. Este nivel de adopción demuestra que la tecnología no solo ahorra tiempo, sino que también mejora la calidad de la atención al liberar a los coaches para que se concentren en lo que realmente importa: la conexión humana.
Construir un sistema así desde cero puede parecer desalentador para equipos pequeños. Aquí es donde una empresa como Q2BSTUDIO aporta valor. Con experiencia en aplicaciones a medida, integración de servicios cloud como AWS y Azure, y dominio de ciberseguridad, Q2BSTUDIO puede replicar este patrón en cualquier sector regulado. Desde agentes de IA para atención al cliente hasta asistentes clínicos que respeten normativas como HIPAA o GDPR, el enfoque serverless y orientado a eventos permite escalar sin complejidad. Además, la incorporación de herramientas de BI como Power BI para analizar el rendimiento de las sugerencias y la satisfacción del equipo completa un ecosistema donde los datos guían la mejora continua.
La experiencia de Pelago demuestra que no se necesitan meses de desarrollo ni equipos enormes para implementar inteligencia artificial generativa en entornos críticos. Con una arquitectura bien diseñada, servicios serverless y un partner tecnológico adecuado, cualquier organización puede pasar del concepto a la producción en cuestión de semanas. La clave está en separar las preocupaciones, priorizar la asincronía y mantener siempre al humano en el centro de la decisión.
