De Martino

De Martino es un centro de diagnóstico por imágenes con tres sedes en Tandil, y buena parte de sus pacientes viaja desde otras ciudades. La atención por WhatsApp estaba en manos del bot de un proveedor externo que fallaba cada vez más: repetía la misma pregunta hasta que el paciente se cansaba y terminaba viniendo en persona, le mostraba textos internos de su configuración, se olvidaba de información ya cargada como la preparación de un estudio, ofrecía prácticas que el centro no hace y rechazaba otras que sí hace. Lo más grave: le confirmaba al paciente turnos que nunca quedaban registrados, e informaba mal sobre coberturas, al punto de que un paciente viajó desde otra ciudad sin la autorización que necesitaba. Las derivaciones a una persona quedaban sin respuesta, y las órdenes que los pacientes mandaban por WhatsApp eran imposibles de encontrar cuando llegaban a la recepción sin la orden impresa. De fondo había algo que ningún bot resolvía: las reglas de agendamiento —qué estudios se hacen juntos, cuál define el horario, cuándo se fuerza un sobreturno— no estaban escritas en ningún lado y el equipo las aplicaba de memoria.

Construimos un sistema de atención, no otro bot. Un agente de IA sobre la línea oficial de WhatsApp atiende las 24 horas: saca turnos de punta a punta, da de alta pacientes nuevos, cancela, informa turnos, preparaciones y estado de resultados, y lee la foto de la orden médica para proponer los estudios, preguntando solo lo que no se lee con claridad. Cada turno se verifica en el sistema del centro antes de confirmárselo al paciente. Trabaja sobre un catálogo cerrado de prácticas: no puede inventar un estudio ni negar uno que se hace, y lo que no reconoce lo deriva. Las reglas del centro —estudios combinados, sobreturnos, obras sociales que requieren autorización previa— viven en un motor de reglas editable, versionado y con pruebas automáticas, no en el prompt. Antes de enviar cada respuesta, un control de salida bloquea los errores que cometía el bot anterior. El equipo trabaja desde un panel propio: bandeja de casos con estados, ficha de cada paciente con todas las órdenes que mandó listas para imprimir, alertas para que nadie quede sin respuesta, novedades con fecha de vencimiento, recordatorios de turno y estadísticas que dan lo mismo cada vez que se abren.

No arrancamos por la tecnología sino por las fallas. Cada error concreto del bot anterior se convirtió en una regla de diseño y en un caso de prueba que el sistema tiene que superar antes de atender a un paciente. Las reglas de agendamiento no se relevaron con una entrevista abierta: llevamos un borrador escrito como casos concretos con un resultado propuesto —piden mamografía y ecografía mamaria para el martes a la mañana; el sistema propone esto, ¿está bien?— y la dirección del centro solo tuvo que corregir. Le dimos además un probador para usar el agente sin WhatsApp, con el motor real, y cada devolución entró al sistema. Trabajamos en sprints cortos con un criterio innegociable: no retroceder. El sistema nuevo tenía que resolver al menos lo que ya resolvía el anterior y, ante la duda, derivar a una persona antes que arriesgar una respuesta equivocada. La lectura de órdenes se calibró con fotos de órdenes reales, manuscritas y digitales.

El conocimiento del centro dejó de vivir en el prompt de un tercero. Preparaciones, preguntas frecuentes, novedades, catálogo de prácticas y reglas de agendamiento se editan desde el panel sin pedirle nada a nadie, y cada cambio queda registrado con fecha y autor. Una regla nueva no se publica si rompe alguno de los casos de prueba. Cada respuesta del agente queda auditada —qué información usó y qué regla aplicó—, así que ante un reclamo hay evidencia en lugar de teorías. Cuando alguien del equipo resuelve algo que el agente podría haber contestado, lo marca y se incorpora: el sistema mejora con el uso. Los datos son del centro, se exportan, y el sistema puede pasar a su propia infraestructura cuando lo decida.