Anima, con GPT-6 y GPT-Live, reduce un 75% la espera telefónica en clínicas

La startup británica Anima, una plataforma para clínicas con más de 14 millones de pacientes, 1000+ centros y 800 mil casos al mes, ha desarrollado tres productos sobre modelos de OpenAI: el administrador por voz Andi, basado en GPT-Live; un pipeline de análisis de documentos entrantes sobre GPT-6; y el servicio de notas clínicas Scribe, que usa GPT 5.6 Luna. Según la compañía, la espera para obtener respuesta por teléfono bajó de 40–50 a 10 minutos, es decir, al menos un 75%. La capacidad de procesamiento de documentos aumentó entre 2 y 3 veces, y el tiempo mediano de resolución de un caso ronda las 3,5 horas.

Voz con correa corta

Andi atiende las llamadas de los pacientes y recoge su historial. La conversación no la controla solo el modelo de lenguaje. El policy engine propietario de Anima guía el diálogo con guiones deterministas y validados clínicamente. El modelo no improvisa en cuestiones médicas: trabaja dentro de una estructura definida.

Después entra en juego GPT-5.4 mini, que elige el cuestionario adecuado. La historia clínica resultante llega al panel de la clínica como un caso estructurado que un médico o un administrador revisa y procesa. El reparto de papeles es pragmático. El modelo de voz, más caro, se encarga del diálogo en vivo; el compacto hace una clasificación rápida; y las reglas de seguridad viven en código convencional, donde se pueden verificar y auditar.

En las encuestas de Anima, el 86% de los pacientes dijo que volvería a usar Andi. Un detalle inesperado: entre los más satisfechos había personas de 80 a 90 años. El CEO, Shun Pang, lo explica así: el agente de voz es «infinitamente paciente y muy educado».

800 000 códigos SNOMED y ni un solo ajuste fino

El producto Documents, basado en GPT-6, extrae de los correos entrantes el remitente, el destinatario, el tipo de documento y las fechas de los eventos. Después, un pipeline de varias etapas asocia el documento con el paciente correcto, selecciona los códigos clínicos y propone al empleado la siguiente acción.

Lo más difícil es la codificación. Según Michael Skupien, jefe del equipo de ingeniería, existen unos 800 mil códigos SNOMED posibles. Solo se usa con regularidad una pequeña parte, pero cada consulta elige los códigos a su manera. Anima no obliga a las clínicas a configurar el sistema ni reentrena un modelo distinto para cada cliente. En su lugar, el comportamiento se adapta mediante in-context learning: el modelo recibe en el contexto ejemplos y preferencias de la práctica concreta.

Desde el punto de vista económico, esto supone un único conjunto de modelos para todos los clientes, sin un zoo de pesos, pipelines de entrenamiento y control de versiones. El gasto se desplaza hacia los tokens de contexto, pero a cambio el onboarding de una clínica nueva no requiere trabajo de ML. Este enfoque depende de una propiedad de los modelos: deben seguir las instrucciones de forma estable. Por eso, según Skupien, eligieron OpenAI. Shun Pang añade que el equipo comparó modelos cerrados y abiertos, y evaluó inteligencia, inteligencia por dólar y capacidad de control.

El resultado en cifras: las consultas que procesaban unos 15 documentos por hora ahora gestionan entre 30 y 45, y las mejores clínicas, entre 45 y 60. Según Pang, los backlogs de más de 100 mil documentos se resolvieron en unos días.

Lista completa: productos, modelos y métricas

• Andi, administrador con IA sobre GPT-Live: atención de llamadas, recogida de síntomas; la espera telefónica bajó de 40–50 a 10 minutos (un 75% o más). • GPT-5.4 mini: elección del cuestionario adecuado tras el diálogo.

• Documents sobre GPT-6: extracción de remitente, destinatario, tipo y fechas, vinculación con el paciente, selección de códigos SNOMED y propuesta del siguiente paso. • Scribe sobre GPT 5.6 Luna: notas a partir de la transcripción de la consulta, derivaciones y mensajes a pacientes generados desde el mismo contexto.

• Escala: 14 millones de pacientes, 1000+ clínicas, 800 000+ casos al mes, con expansión a EE. UU. y Australia.

• Velocidad: el tiempo mediano de resolución de un caso ronda las 3,5 horas y la mayoría de los casos se cierra en 24 horas. • Documentos: 15 por hora antes de la implantación, 30–45 después y 45–60 en las mejores clínicas. • Notas y cartas: las notas se preparan en segundos en lugar de varios minutos, y las derivaciones en lugar de 5–15 minutos.

• Satisfacción: el 86% de los pacientes encuestados volverá a usar Andi.

Qué llevarse a tu propio stack

El caso muestra un patrón de arquitectura que se puede trasladar más allá de la medicina. Mantén la lógica crítica, es decir, las rutas del diálogo y las acciones permitidas, en un motor de reglas determinista. Conecta el modelo donde hagan falta lenguaje y extracción de significado. Asigna tareas distintas a modelos de distinta clase: la voz y el análisis complejo de documentos van a los modelos superiores, y la elección del cuestionario se deja a la versión mini.

Si tienes muchos clientes con reglas diferentes, empieza por el in-context learning y no por el ajuste fino individual. Es más barato de mantener, pero exige presupuesto para contexto largo y un control estricto del seguimiento de instrucciones. Por último, en los tres productos de Anima el humano sigue en el circuito: el médico revisa el caso, la nota y la carta. La ganancia viene de preparar más rápido, no de renunciar a la revisión. Conviene recordar que todas las cifras del artículo las ha facilitado la propia compañía y no han sido verificadas de forma independiente.