Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
Doctolib
Doctolib brengt een AI-agent uit waarmee zorgverleners al chattend hun eigen notitiesjablonen maken
Doctolib bouwde een AI-agent, de Consultation Template Manager, die artsen helpt eigen sjablonen te maken voor de notities die zijn AI-notulist schrijft. Van interne hackathon tot externe bèta duurde het ongeveer drie weken. Van de gebruikers die ermee begonnen, sloeg 78% een aangepast sjabloon op.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
78%
Aandeel gebruikers dat met de agent begon en uiteindelijk een aangepast consultsjabloon opsloeg1
Ongeveer negen van de tien
Aandeel opgeslagen sjablonen dat voor het opslaan slechts kleine of geen aanpassingen nodig had1
Ongeveer de helft
Aandeel zorgverleners dat de agent test en van wie het eigen sjabloon wordt gebruikt in een echte consultsamenvatting, meestal binnen enkele dagen1
Ongeveer drie weken
Tijd van interne hackathon tot productie met externe bètagebruikers1
Het probleem
Doctolib biedt een AI-notulist aan, de Consultation Assistant, die meeluistert met een patiëntbezoek en de klinische notitie opstelt. De tijdwinst hangt ervan af of de notitie leest zoals die arts hem zelf zou hebben geschreven. Twee cardiologen schrijven niet hetzelfde, en elke afwijking stuurt de arts terug om te herschrijven. Het product van Doctolib liet artsen instructies aan notitiesjablonen toevoegen, maar een goed sjabloon schrijven kostte tijd en technische vaardigheid die de meeste zorgverleners niet hadden.
Wat ze bouwden
De Consultation Template Manager vervangt een instellingenscherm door een chat. Een zorgverlener zegt welk soort notitiesjabloon nodig is, met specialisme en structuur. De agent stelt meerkeuzevragen, maakt een sjabloon en verfijnt dat terwijl de zorgverlener reageert, bijvoorbeeld met ‘voeg een sectie allergieën toe’. Hij kan ook een oud vrij sjabloon in één keer herstructureren. Daarachter werkt een kleine groep samenwerkende AI-agents, gecoördineerd door één agent die elk verzoek doorstuurt naar een interviewer, een bouwer of een omzetter.
Hoe ze het aanpakten
Het idee ontstond bij een interne hackathon begin maart 2026. Ongeveer drie weken later draaide de agent in productie met externe bètazorgverleners. Het team bleef klein: twee fulltime engineers (een voor software, een voor machine learning) met parttime hulp van collega's van productmanagement, design en productmarketing.
De snelheid kwam van een bestaand AI-platform. Dat levert een agentframework op basis van Google's Agent Development Kit, een gateway waarmee Doctolib van aanbieder van taalmodellen kan wisselen zonder de applicatiecode te wijzigen, geautomatiseerde uitrol en ingebouwde monitoring en tests. De Medical Excellence-commissie van Doctolib beoordeelde het product voor de release, en medewerkers testten in week één een alfa.
Voor de release draaide het team geautomatiseerde tests waarin een model artsen met verschillende specialismen en doelen speelde, terwijl andere modellen beoordeelden of de agent vragen herhaalde, zich aan het specialisme aanpaste en een samenhangend sjabloon maakte.
Resultaten
Doctolib meldt cijfers van de ongeveer 6.000 zorgverleners met toegang. Van de gebruikers die met de agent begonnen, rondt 78% af door een aangepast sjabloon op te slaan. Doctolib zegt dat het opgeslagen sjabloon ongeveer negen van de tien keer kleine of geen aanpassingen bevat. Ruwweg de helft van wie de agent probeert, gebruikt daarna het eigen sjabloon in een echte consultsamenvatting, meestal binnen enkele dagen. De agent draait in Frankrijk en Duitsland.
Dit zijn gebruiksmaten uit een vroege uitrol. De post meldt geen bespaarde tijd per notitie.
Wat u kunt overnemen
Kies de stap die mensen belet een functie goed te gebruiken en laat een conversationele agent die voor hen doen. Hergebruik een gedeeld platform voor uitrol en evaluatie, zodat de eerste release weken kost, en volg of mensen houden wat de agent maakt.
Lessen voor uw project
Pak het echte knelpunt aan. De notulist van Doctolib bespaarde alleen tijd als de notities bij de stijl van elke arts pasten, en een goed sjabloon schrijven was te moeilijk, dus de agent richtte zich op die stap.
Bouw eerst het platform. Het team zegt dat drie weken mogelijk waren omdat modeltoegang, uitrol, monitoring en testen al bestonden voor eerdere AI-producten.
Test met gesimuleerde gebruikers voor de release. Doctolib bouwde persona's van clinici en een simulator om volledige gesprekken door de agent te laten lopen en te beoordelen.
Rol gefaseerd uit. Interne medewerkers gebruikten in de eerste week een alfa, daarna volgden externe bètagebruikers en een geleidelijke uitrol, met een beoordeling door een medische veiligheidscommissie voor de release.
Meet of mensen houden wat de AI maakt. Opgeslagen sjablonen en gebruik in echte consulten waren de signalen die Doctolib volgde.
Kanttekeningen
- De engineeringblog van Doctolib zelf is de enige bron. Geen onafhankelijk medium bevestigt de cijfers.
- De cijfers meten hoeveel van de output van de agent wordt overgenomen, niet de bespaarde tijd. De post zegt niet hoeveel gebruikers de agent startten of hoe lang de meetperiode was.
- De post noemt het taalmodel niet. Hij noemt Google's Agent Development Kit als framework en zegt dat het model via een gateway te wisselen is.
- De datum komt uit het feed-item van de blog (18 september 2026), omdat Medium de artikelpagina zelf blokkeerde. De releasedatum maart 2026 is de eigen formulering van de post.
- De post zegt dat de uitrol geleidelijk was en dat A/B-tests later zouden volgen, dus de resultaten komen uit een vroeg stadium.
Bronnen
- From hackathon to production in 3 weeks: inside Doctolib's AI factory
Doctolib engineering blog (Medium) · 2026-09-18 · Bedrijfsblog · medium.com
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.