Nel settore sanitario la compliance scala male: verificare che un acquisto di farmaci rientri in un’eccezione richiede di incrociare più fonti dati contemporaneamente. Secondo Bluesight, per una singola struttura questo audit manuale consuma oltre 4.000 ore all’anno. È il tipo di problema in cui un’architettura agentica può avere impatto reale, a patto di rispettare i vincoli di sicurezza e auditabilità tipici della sanità.
Il caso è interessante per chi lavora con data stack e AI perché mostra scelte architetturali concrete, non solo un annuncio. Bluesight ha usato Amazon Bedrock AgentCore per evolvere da un prototipo su singolo prodotto a Prism, un layer agentico che copre sei prodotti di compliance. Prism Assistant per ControlCheck è stato lanciato a maggio 2026 ed è già in uso presso 20 health system.
Separare ragionamento e dati
La decisione architetturale chiave è stata separare il layer di reasoning dell’agente dal layer dati. Invece di esporre i database all’agente, il team ha incapsulato gli endpoint API esistenti in funzioni Lambda che restituiscono dati strutturati e ottimizzati per l’agente. Questo, riferisce Bluesight, ha ridotto la latenza delle query da 5 minuti a 10 secondi, mantenendo la business logic nel layer applicativo. AgentCore Gateway trasforma le API di prodotto in tool compatibili con MCP (Model Context Protocol), mentre AgentCore Runtime fornisce hosting serverless con isolamento di sessione.
Scoring deterministico, non opinione dell’LLM
Il punto più rilevante per chi progetta sistemi in ambiti regolati: la determinazione di compliance non è affidata all’LLM. Bluesight ha costruito una pipeline di scoring deterministica con 13 segnali di evidenza, matching per priorità e finestre temporali configurabili. L’LLM orchestra la raccolta dati e la generazione dei report, ma la logica di scoring è basata su regole e auditabile. Il caso multiprodotto usa Claude Sonnet 4.6 come modello primario e Claude Haiku 4.5 per le operazioni rapide, con un orchestratore che coordina agenti worker specializzati.
Sui risultati, l’azienda riporta cifre misurate internamente sui 20 health system: report ricorrenti completati il 96% più velocemente (da circa sei ore a 15 minuti), triage pre-investigazione ridotto del 90% e analisi della varianza completata il 97% più velocemente. Sui dati sintetici di test, l’agente GPO ha raggiunto il 100% di invoice discovery e il 93% di accuratezza nella giustificazione delle evidenze, sopra il target dell’85%.
- Separare il reasoning dell’agente dal layer dati (via Lambda e MCP) ha ridotto la latenza e tenuto la business logic dove serve.
- In ambito regolato, la decisione critica resta deterministica e auditabile: l’LLM orchestra, non giudica.
- Riusare i pattern architetturali del primo progetto ha permesso di costruire il secondo agente in una frazione del tempo.
Fonte: Building an agentic AI solution at Bluesight with Amazon Bedrock — https://aws.amazon.com/blogs/machine-learning/building-an-agentic-ai-solution-at-bluesight-with-amazon-bedrock/
Hai qualcosa da aggiungere? Unisciti alla discussione.