ИИ-агент и чат-бот — разные вещи

Чат-бот идёт по сценарию: если пациент сформулировал иначе — он ломается. Агент получает цель, сам решает, какие шаги предпринять, обращается к внешним системам и проверяет результат. Разница принципиальная: бот отвечает, агент действует.

В медицине это важно вдвойне. Здесь почти любая задача — не «ответить», а «сделать»: найти пациента в МИС, проверить полис, выгрузить направление, записать на слот, отправить документ в страховую. Именно поэтому агентный подход оказался востребован раньше, чем «умные диагнозы»: административные процессы дают быстрый эффект и не создают риска для здоровья.

Пять задач, где агент окупается быстрее всего

1. Первичный контакт и запись. Голосовой агент принимает звонок, уточняет повод обращения, подбирает специальность и слот в расписании, создаёт запись в МИС и отправляет подтверждение. Круглосуточно, без очереди на линии. В сетевых клиниках основная ценность — не экономия на операторах, а снижение доли пропущенных звонков в часы пик.

2. Разбор входящих документов. Выписки, результаты анализов, направления приходят в PDF, сканах и фотографиях. Агент распознаёт текст, вытаскивает структурированные поля (дата, показатели, референсные интервалы, назначения), сверяет с справочником и раскладывает в карту пациента. Врач получает не свалку файлов, а таблицу.

3. Помощник врача на внутренней базе знаний. Это RAG-агент: он ищет ответ не «в интернете», а в клинических рекомендациях, приказах, методичках клиники и протоколах, и обязан показать источник — конкретный раздел документа. Задача такого агента — ускорить поиск, а не заменить суждение специалиста.

4. Работа со страховыми и ДМС. Сверка счетов с условиями договора, проверка гарантийных писем, подготовка пакетов документов, отслеживание спорных позиций. Рутинная сверка на сотни позиций — типичный кандидат на автоматизацию.

5. Внутренний контроль качества. Агент слушает и размечает звонки, находит нарушения скрипта, риски конфликтов, повторяющиеся жалобы, формирует сводку для руководителя. Это уже не про пациентов напрямую, но про качество сервиса — и про деньги.

Как это устроено внутри

Агент в клинике — не одна модель, а связка: LLM, слой знаний, набор инструментов и правила безопасности.

• Модель. Для медицинских данных — локальная, развёрнутая на собственных GPU или в частном облаке. Публичные API для карт пациентов неприемлемы.
• Слой знаний (RAG). Индекс по клиническим рекомендациям, внутренним регламентам, прайсу, справочникам услуг и препаратов. Каждый ответ сопровождается ссылкой на фрагмент-источник.
• Инструменты. API МИС и PACS, 1С (бухгалтерия, зарплата, склад), телефония, ЭДО, календарь расписания, CRM для повторных касаний. Агент вызывает их как функции — с ограниченными правами.
• Память и оркестрация. История диалога, состояние задачи, повторные попытки, таймауты. Без этого агент «забывает», что уже сделал, и дублирует действия.
• Контроль. Логи каждого шага, лимиты на операции, обязательное подтверждение человеком для необратимых действий (запись, списание, отправка документа).

Данные пациентов: почему только приватный контур

Медицинская информация — особая категория персональных данных. Передавать её во внешний сервис без надлежащего основания нельзя, а «обезличить и отправить в зарубежную модель» — плохая идея: обезличивание обратимо при достаточном наборе косвенных признаков.

Практика, которая складывается у российских заказчиков: модель и векторная база — на своей инфраструктуре, доступ по ролям, шифрование, журналирование запросов, отдельный контур для разработки и для продакшена. Отдельно фиксируется срок хранения логов и порядок реагирования на инциденты.

И юридическая развилка, о которой часто забывают: СППВР, влияющие на клиническое решение, относятся к медицинским изделиям и подлежат регистрации. Поэтому клиники начинают с административных агентов — там регуляторная нагрузка минимальна, а эффект виден за месяцы.

Где пилоты ломаются

Галлюцинации в чувствительных полях. Дозировки, единицы измерения, референсные интервалы — зона, где модель обязана не «предполагать», а цитировать источник или отказываться отвечать. Хороший агент умеет сказать «в базе знаний ответа нет».

Грязные справочники. Дубли пациентов, разные написания услуг, устаревший прайс. Агент не исправит хаос в данных — он его масштабирует. Начинать стоит с нормализации справочников.

Нет владельца процесса. Если у агента нет ответственного в клинике — главврача, руководителя контакт-центра, ИТ-директора, — пилот тихо умирает после демонстрации.

Метрики ради метрик. «Точность 92%» ничего не говорит бизнесу. Считать нужно: долю обращений, закрытых без человека, среднее время обработки, стоимость контакта, число ошибок записи, долю полей, извлечённых без правки.

Как запустить за 6–8 недель

1. Аудит процессов. Выбрать одну задачу с измеримым объёмом и понятной стоимостью. Не «внедрить ИИ», а «снять 60% нагрузки с линии записи».
2. Данные. Собрать 200–500 реальных обращений и документов, разметить эталон, зафиксировать правила.
3. Прототип. RAG + два-три инструмента + интерфейс в привычной системе. Две недели, не больше.
4. Оценка на эталонной выборке. Отдельно — точность ответа, отдельно — корректность действий, отдельно — доля отказов, где агент честно передал вопрос человеку.
5. Пилот в одном отделении. С human-in-the-loop: сотрудник подтверждает действия, ошибки разбираются еженедельно.
6. Масштабирование. Только после того, как метрики стабильны, а команда знает, что делать с нестандартным случаем.

Что в итоге

ИИ-агент в медицине сегодня — это про разгрузку людей, а не про замену врача. Максимальную отдачу дают административные и документальные процессы: запись, распознавание, поиск по регламентам, сверка счетов, контроль качества. Клинические решения остаются за специалистом, а ответственность — за организацией.

Выигрывают те клиники, которые начинают с узкой задачи, строят приватный контур и заранее договариваются, по каким цифрам будут судить о результате. Технология здесь — не самая сложная часть. Сложнее — процессы, данные и готовность команды работать с агентом как с инструментом, а не как с волшебником.