Przetłumaczono z angielskiego oryginału. Liczby i źródła pozostają bez zmian. Przeczytaj angielski oryginał
Doctolib
Doctolib wprowadza agenta AI, dzięki któremu klinicyści tworzą własne szablony notatek w rozmowie
Doctolib stworzył agenta AI, Consultation Template Manager, który pomaga lekarzom tworzyć własne szablony notatek pisanych przez jego asystenta AI. Od wewnętrznego hackathonu do zewnętrznej bety minęły około trzy tygodnie. Spośród użytkowników, którzy go uruchomili, 78 % zapisało spersonalizowany szablon.
Kluczowe liczby
Przepisane dokładnie ze źródeł. Skopiuj każdą liczbę wraz z przypisem.
78 %
Odsetek użytkowników, którzy zaczęli korzystać z agenta i w końcu zapisali spersonalizowany szablon konsultacji1
Około dziewięciu na dziesięć
Odsetek zapisanych szablonów, które przed zapisem wymagały tylko drobnych poprawek lub żadnych1
Około połowy
Odsetek praktyków testujących agenta, których własny szablon jest używany w prawdziwym podsumowaniu konsultacji, zwykle w ciągu kilku dni1
Około trzech tygodni
Czas od wewnętrznego hackathonu do produkcji z zewnętrznymi praktykami z bety1
Problem
Doctolib oferuje asystenta AI, Consultation Assistant, który słucha wizyty pacjenta i przygotowuje notatkę kliniczną. Oszczędność czasu zależy od tego, czy notatka brzmi tak, jak napisałby ją dany lekarz. Dwóch kardiologów nie pisze tak samo, a każda rozbieżność odsyła lekarza do przepisywania. Produkt Doctolib pozwalał dodawać instrukcje do szablonów notatek, ale napisanie dobrego szablonu wymagało czasu i umiejętności technicznych, których większość praktyków nie miała.
Co zbudowano
Consultation Template Manager zastępuje ekran ustawień czatem. Klinicysta mówi, jakiego rodzaju szablon notatki potrzebuje, podając specjalizację i strukturę. Agent zadaje pytania wielokrotnego wyboru, tworzy szablon i dopracowuje go w reakcji na uwagi klinicysty, na przykład „dodaj sekcję alergii". Potrafi też jednym ruchem przebudować stary szablon w wolnej formie. Za tym stoi niewielka grupa współpracujących agentów AI, koordynowana przez jednego, który kieruje każdą prośbę do osoby przeprowadzającej wywiad, budowniczego lub konwertera.
Jak to zrobiono
Pomysł narodził się na wewnętrznym hackathonie na początku marca 2026 r. Około trzy tygodnie później agent działał na produkcji z zewnętrznymi praktykami z bety. Zespół pozostał mały: dwóch inżynierów na pełny etat (jeden od oprogramowania, jeden od uczenia maszynowego) przy wsparciu na część etatu ze strony zarządzania produktem, projektowania i marketingu produktu.
Tempo wzięło się z istniejącej platformy AI. Dostarcza ona framework do agentów oparty na Agent Development Kit od Google, bramę pozwalającą Doctolib zmieniać dostawców modeli językowych bez zmiany kodu aplikacji, zautomatyzowane wdrażanie oraz wbudowany monitoring i testy. Komisja Medical Excellence w Doctolib oceniła produkt przed wydaniem, a pracownicy testowali alfę już w pierwszym tygodniu.
Przed wydaniem zespół uruchomił zautomatyzowane testy, w których model odgrywał lekarzy o różnych specjalizacjach i celach, a inne modele oceniały, czy agent powtarza pytania, dostosowuje się do specjalizacji i tworzy spójny szablon.
Wyniki
Doctolib podaje liczby od około 6 000 praktyków z dostępem. Spośród użytkowników, którzy zaczęli korzystać z agenta, 78 % kończy, zapisując spersonalizowany szablon. Doctolib mówi, że mniej więcej dziewięć razy na dziesięć zapisany szablon ma drobne poprawki lub żadnych. Około połowa osób, które wypróbowują agenta, przechodzi do używania własnego szablonu w prawdziwym podsumowaniu konsultacji, zwykle w ciągu kilku dni. Agent działa we Francji i w Niemczech.
To miary przyjęcia z wczesnego etapu wdrażania. Wpis nie podaje zaoszczędzonego czasu na notatkę.
Co warto powtórzyć
Wybierzcie etap, który powstrzymuje ludzi przed dobrym korzystaniem z funkcji, i pozwólcie agentowi konwersacyjnemu wykonać go za nich. Wykorzystajcie wspólną platformę do wdrażania i oceny, aby pierwsza wersja zajęła tygodnie, i śledźcie, czy ludzie zatrzymują to, co tworzy agent.
Wnioski dla Twojego projektu
Usuńcie prawdziwą przeszkodę. Asystent Doctolib oszczędzał czas tylko wtedy, gdy notatki pasowały do stylu danego lekarza, a napisanie dobrego szablonu było zbyt trudne, więc agent wziął na cel ten etap.
Najpierw zbudujcie platformę. Zespół mówi, że trzy tygodnie były możliwe, bo dostęp do modeli, wdrażanie, monitoring i testy istniały już dla wcześniejszych produktów AI.
Testujcie na symulowanych użytkownikach przed wydaniem. Doctolib stworzył persony klinicystów i symulator, by przepuszczać przez agenta pełne rozmowy i je oceniać.
Wydawajcie etapami. Pracownicy wewnętrzni korzystali z alfy w pierwszym tygodniu, potem pojawili się zewnętrzni użytkownicy bety i stopniowe wdrażanie, a przed wydaniem produkt oceniła komisja ds. bezpieczeństwa medycznego.
Mierzcie, czy ludzie zatrzymują to, co tworzy AI. Zapisane szablony i ich użycie w prawdziwych konsultacjach były sygnałami, które śledził Doctolib.
Zastrzeżenia
- Jedynym źródłem jest blog inżynieryjny samego Doctolib. Żadne niezależne medium nie potwierdza liczb.
- Liczby mierzą przyjęcie tego, co tworzy agent, a nie zaoszczędzony czas. Wpis nie podaje, ilu użytkowników uruchomiło agenta ani jak długo trwał pomiar.
- Wpis nie podaje nazwy modelu językowego. Wymienia Agent Development Kit od Google jako framework i mówi, że model można zmienić przez bramę.
- Data pochodzi z wpisu w kanale bloga (18 września 2026 r.), ponieważ Medium blokowało samą stronę artykułu. Data wydania z marca 2026 r. to sformułowanie samego wpisu.
- Wpis mówi, że wdrażanie było stopniowe, a testy A/B mają przyjść później, więc wyniki pochodzą z wczesnego etapu.
Źródła
- From hackathon to production in 3 weeks: inside Doctolib's AI factory
Doctolib engineering blog (Medium) · 2026-09-18 · Blog firmowy · medium.com
Streszczone własnymi słowami na podstawie powyższych źródeł. Zauważyłeś błąd? Zobacz sprostowania.