Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarAWS Machine Learning Blog→ original

Novo Nordisk enseñó a agentes de IA a responder según normativas: minutos en lugar de horas y días

Novo Nordisk, fabricante de medicamentos para la diabetes y la obesidad, enseñó a un asistente de IA a responder según los procedimientos de fábrica. Ante la pregunta «¿qué muestras se toman en el granulador?», primero aclara la planta, la generación del producto y el equipo, y solo después busca la respuesta. Las tareas de los expertos, que antes requerían horas o días, ahora se resuelven en minutos, con citas de documentos aprobados. Para la industria farmacéutica y otros sectores regulados, es más fiable preguntar que equivocarse con seguridad.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
Novo Nordisk enseñó a agentes de IA a responder según normativas: minutos en lugar de horas y días
Fuente: AWS Machine Learning Blog. Collage: Hamidun News.
Escuchar artículo

Imagine la pregunta: «¿Qué muestras se toman en el granulador?». En una fábrica de comprimidos, no existe una única respuesta correcta. Todo depende de la planta, de la generación del producto, de la instalación concreta y del tamaño del lote. Si el asistente recupera una instrucción obsoleta o un documento de otra fábrica, en farmacia eso puede traducirse en problemas de calidad y en fallos en auditorías. Precisamente ese problema es el que resolvió el equipo de Manufacturing Technology de la división de comprimidos de Novo Nordisk. Construyó un asistente de IA sobre AWS y, según los autores, el trabajo de los expertos, que antes llevaba horas o días, se ha reducido a minutos.

Por qué la búsqueda convencional no funciona aquí

Novo Nordisk fabrica medicamentos para la diabetes y la obesidad. Cada paso relevante de la producción está descrito en documentos controlados: procedimientos operativos estándar, instrucciones de trabajo, formularios y materiales de formación. Los documentos se actualizan constantemente por nuevos requisitos de los reguladores, sustitución de equipos, mejoras de procesos y observaciones de los auditores. Qué hay que revisar, qué espera aprobación y qué requiere atención urgente se seguía, en gran medida, con hojas de cálculo y sistemas dispersos. Es un proceso lento, propenso a errores y difícil de escalar: un documento obsoleto puede seguir en circulación durante mucho tiempo.

Hay además un segundo problema. El conocimiento está repartido entre versiones, plantas y programas, y encontrarlo a menudo solo lo podía hacer un empleado experimentado que sabe dónde buscar. La búsqueda por palabras clave devuelve una lista de archivos, no una respuesta. El RAG vectorial convencional (búsqueda por significado seguida de la generación de la respuesta por un modelo) entiende mejor las preguntas formuladas en lenguaje natural. Pero se confunde con identificadores exactos, como números de documento o códigos de equipo, y responde mal a preguntas sobre las relaciones entre documentos. Y, sobre todo, no sabe admitir con honestidad que no hay material adecuado, algo crítico en un sector regulado.

Cómo funciona el GraphRAG de Novo Nordisk

El sistema se basa en GraphRAG: a la búsqueda por texto se añade un grafo de conocimiento. El grafo en Amazon Neptune almacena la estructura y las relaciones: a qué proceso pertenece un documento, a qué otros documentos hace referencia y a qué planta, producto y equipo está vinculado. La búsqueda en Amazon OpenSearch Serverless combina la comparación semántica (embeddings de Amazon Titan) con la coincidencia exacta de palabras mediante el algoritmo BM25. Los resultados de ambos métodos se unifican con el método de reciprocal rank fusion, es decir, mediante una clasificación común. Así se encuentran tanto los documentos relacionados con el significado de la pregunta como los que contienen el código exacto de un equipo.

Los dos almacenes no se fusionan deliberadamente en un único motor. Los une el número de documento, que aparece tanto en el fragmento encontrado como en el nodo del grafo. Por eso, el párrafo hallado se convierte de inmediato en punto de entrada al grafo, sin necesidad de una correspondencia aproximada. Después, el grafo añade documentos vecinos y referencias, y un modelo de reordenación (cross-encoder en Amazon Bedrock Rerank) lee la pregunta junto con cada candidato y los reordena según su precisión.

Los agentes funcionan sobre Amazon Bedrock AgentCore, están escritos con el SDK Strands Agents y utilizan modelos Anthropic Claude. Los documentos entran en el sistema a través de un flujo basado en AWS Step Functions y Lambda, el análisis de archivos se realiza con Bedrock Data Automation y la infraestructura está descrita con AWS CDK.

El esquema del grafo es fijo y lo elaboran los expertos. El nivel superior es un árbol de procesos de unos tres niveles, y cada documento se vincula al nivel inferior que le corresponda. El nivel inferior son las entidades del dominio: plantas, generaciones de producto, equipos y etapas del proceso. Los autores explican la elección: cuando el modelo inventa las entidades por sí mismo, el resultado es ruidoso, difícil de mantener y complicado de verificar para los auditores. En el sector farmacéutico ya existe una ontología experta consolidada, y las nuevas entidades se añaden con participación humana.

Primero aclarar, después buscar

La idea más destacada es el modo guiado (guided mode). En el RAG convencional, primero se busca y después se responde. Aquí el orden es inverso: si la pregunta es ambigua, el agente formula una breve pregunta de aclaración y solo después busca.

Los atributos universales, como la planta y la generación del producto, los pregunta directamente. El resto, como el equipo o el tamaño del lote, se toma del grafo en el momento de la consulta. El agente relaciona el término del usuario con los nodos reales del grafo, descarta lo que ya se conoce y, si hay varias opciones, propone el atributo que realmente las distingue.

Las opciones se toman solo de valores existentes, lo que reduce el riesgo de respuestas inventadas. Cuando los expertos añaden a la taxonomía un nuevo atributo diferenciador, el asistente empieza a preguntar por él sin necesidad de modificar prompts ni código.

La respuesta se construye a partir de fuentes aprobadas, con enlaces a ellas, y el asistente indica explícitamente cuándo no existe el contenido necesario. Por defecto, las versiones de trabajo son las aprobadas y vigentes, no los borradores ni las ediciones obsoletas.

Qué conviene aprender de esto

Hay matices que tener en cuenta. Se trata de un relato de AWS sobre un cliente propio, y la afirmación de «horas y días en lugar de minutos» se presenta sin metodología de medición ni verificación independiente. El texto disponible no incluye métricas detalladas de calidad de las respuestas.

Aun así, la lección práctica es clara para quien construye RAG corporativo. Si la base documental contiene versiones, estados y ámbitos de aplicación, una base de datos vectorial no basta: hace falta un esquema explícito de relaciones, como el de Novo Nordisk. Es preferible formular al usuario una única pregunta de aclaración que ofrecer una respuesta segura sobre la planta equivocada. Y una respuesta del tipo «no hay datos» debe considerarse un resultado completo del sistema.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Por qué la búsqueda convencional no funciona aquí?

Novo Nordisk fabrica medicamentos para la diabetes y la obesidad. Cada paso relevante de la producción está descrito en documentos controlados: procedimientos operativos estándar, instrucciones de trabajo, formularios y materiales de formación. Los documentos se actualizan constantemente por nuevos requisitos de los reguladores, sustitución de equipos, mejoras de procesos y observaciones de los auditores.

Cómo funciona el GraphRAG de Novo Nordisk?

El sistema se basa en GraphRAG: a la búsqueda por texto se añade un grafo de conocimiento. El grafo en Amazon Neptune almacena la estructura y las relaciones: a qué proceso pertenece un documento, a qué otros documentos hace referencia y a qué planta, producto y equipo está vinculado. La búsqueda en Amazon OpenSearch Serverless combina la comparación semántica (embeddings de Amazon Titan) con la coincidencia exacta de palabras mediante el algoritmo BM25.

¿Qué se sabe sobre Primero aclarar, después buscar?

La idea más destacada es el modo guiado (guided mode). En el RAG convencional, primero se busca y después se responde. Aquí el orden es inverso: si la pregunta es ambigua, el agente formula una breve pregunta de aclaración y solo después busca. Los atributos universales, como la planta y la generación del producto, los pregunta directamente. El resto, como el equipo o el tamaño del lote, se toma del grafo en el momento de la consulta.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…