O atendimento em saúde é um dos poucos domínios em que aquilo que a pessoa pergunta e aquilo de que ela realmente precisa podem ser coisas totalmente diferentes. Um membro que pergunta “o exame de placa arterial está coberto pelo meu plano?” pode, com algumas perguntas de acompanhamento, revelar que está com colesterol elevado e histórico familiar de doença cardíaca. A resposta certa inclui o valor em reais — mas também pode significar reconhecer a oportunidade de incentivar uma conversa com um médico de atenção primária.
Por que árvores de decisão não funcionam em saúde
Historicamente, os sistemas de saúde lidavam com esse tipo de roteamento usando árvores de navegação estruturadas. Essa abordagem tornava as necessidades complexas gerenciáveis para o software, mas só achatando-as em uma série de decisões pré-definidas. Como descreveu Kartik Darapuneni, gerente de engenharia da Included Health: “Para o membro, parece muito rígido, e simplesmente não é uma boa experiência.”
As limitações ficam ainda mais sérias quando uma conversa começa com “estou com dor no peito”. O sistema precisa reconhecer a emergência potencial logo na primeira interação — não depois de sete perguntas de esclarecimento. Esse é o trade-off mais amplo que molda o software há décadas: para escalar, a tecnologia precisou padronizar situações humanas complexas em torno do caso médio. Na saúde, onde o contexto costuma ser a diferença entre uma resposta meramente correta e uma resposta útil, esse trade-off é especialmente caro.
Agentes federados com LangGraph e Deep Agents
A Included Health construiu o Dot, um guia de saúde baseado em IA que responde a perguntas médicas, financeiras e administrativas, sobre uma arquitetura multiagente federada usando Deep Agents e LangGraph. Os modelos de linguagem, combinados com um harness de agentes, mudam o que é possível: conseguem processar informações individuais densas sobre saúde e transformá-las em navegação personalizada.
Em vez de um único agente monolítico, a arquitetura federada distribui responsabilidades entre múltiplos agentes especializados que cooperam entre si. Isso permite que cada parte do sistema — desde a interpretação da intenção do usuário até a execução de ações específicas, como agendar uma consulta ou verificar cobertura — seja tratada por um componente com contexto e ferramentas adequados.
Por que isso importa agora
A adoção de agentes em saúde deixou de ser experimento de laboratório. Empresas que atendem empregadores e planos de saúde estão colocando esses sistemas em produção para milhões de membros, o que eleva o padrão de exigência: precisão, segurança e capacidade de reconhecer emergências em tempo real não são diferenciais, são pré-requisitos. Para o público brasileiro, onde a navegação entre planos, clínicas e especialistas é notoriamente confusa, o mesmo padrão arquitetural pode inspirar sistemas de triagem e orientação que reduzam a fila de dúvidas administrativas e melhorem o encaminhamento clínico.
O ponto central do artigo da LangChain é que o gargalo não está mais no modelo de linguagem, e sim no harness: na forma como o agente decompõe tarefas, escolhe ferramentas e mantém estado ao longo de múltiplas interações. É aí que a diferença entre um assistente rígido e um guia de saúde útil se materializa.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
