Caso de estudio · Sistemas de IA
Emma Chat: un asistente de beneficios AI-native pensado para resolver, no para contener
Soporte agéntico para los empleados de los clientes enterprise de bswift: respuestas personalizadas basadas en sus claims, guía proactiva y derivaciones fluidas a agentes humanos en los momentos complejos.
- Cliente
- bswift
- Industria
- HR tech · Administración de beneficios
- Rol
- Principal Engineer / Arquitecto
- 80%
- de resolución autónoma (según bswift)
- 750K+
- mensajes en 2025 (según bswift)
Deslizá hacia el costado para ver el diagrama completo →
Contexto
bswift atiende a empleadores grandes, donde dar soporte a miles de empleados sobre planes de salud, elegibilidad, enrollment y claims es demasiado complejo para resolverlo internamente. Su respuesta es un portal único donde cada empleado recibe soporte integral sobre sus beneficios. Antes de Emma, ese soporte pasaba por formularios, teléfono y email: unificado, pero sin inteligencia.
El desafío
Construir un asistente que realmente resuelva preguntas que dependen del plan, la elegibilidad y los claims de cada empleado. Las respuestas están repartidas entre bases relacionales y no relacionales, documentos de planes y reglas de negocio en tiempo real en la plataforma .NET de bswift, y cada consulta tiene que respetar el aislamiento multi-tenant, los permisos y la gobernanza de cada empleador.
La solución
Una interfaz conversacional en Next.js con servicios en AWS, una capa de abstracción sobre modelos de OpenAI y Anthropic, y un workflow de orquestación en LangGraph. Un nodo de entrada clasifica la intención del empleado y deriva la conversación a la estrategia de recuperación correcta: documentos, grafo de conocimiento, datos estructurados o reglas de negocio en vivo.
Router de intención
Nodo de entrada en LangGraph que clasifica cada turno y elige el camino de recuperación, para que los flujos sensibles sigan rutas explícitas y testeables.
Recuperación híbrida (GraphRAG)
Embeddings de planes de beneficios, pólizas y FAQs en un vector store sobre AWS, combinados con un grafo de conocimiento en Neo4j que relaciona planes, coberturas, pólizas y documentos.
Reglas de negocio en vivo
Datos de elegibilidad, claims y enrollment consultados en tiempo real vía APIs REST al backend .NET de bswift, sin copiarlos a los stores de IA.
Gobernanza por tenant
Cada llamada a herramientas queda acotada al empleador y a los permisos del empleado, y la plataforma dueña de los datos es la que los hace cumplir.
Derivación a humanos
Escalamiento cuando la confianza es baja, el tema es sensible o el empleado pide una persona, pasando un resumen de la conversación y el contexto recuperado para que nadie tenga que repetir nada.
Ciclo de evaluación
Tracing con LangSmith, un set de golden queries para regresión y revisión humana para medir la calidad de las respuestas antes y después de cada cambio.
Decisiones clave
- 01
Un workflow explícito en LangGraph, no un agente libre
Las preguntas de beneficios tocan salud y dinero. Nodos y transiciones explícitos hacen que cada camino sea observable, testeable y gobernable, y mantienen deterministas los flujos sensibles.
Alternativas evaluadas Un único agente estilo ReAct con todas las herramientas; un orquestador propio.
- 02
Los datos de negocio en vivo quedan detrás de las APIs .NET
La elegibilidad y los claims cambian constantemente y se gobiernan por empleador. Consultarlos en tiempo real mantiene una única fuente de verdad y deja el control de permisos donde ya vive.
Alternativas evaluadas Sincronizar los datos estructurados dentro del vector store.
- 03
Grafo más vectores en lugar de RAG solo vectorial
Los documentos de planes se referencian entre sí (plan, cobertura, póliza, FAQ). La búsqueda por similitud sola pierde esas relaciones; el grafo trae el contexto conectado que hace correcta una respuesta.
Alternativas evaluadas Recuperación solo vectorial con chunks más grandes.
- 04
Una capa de modelos agnóstica al proveedor
Elegir el mejor modelo para cada tarea entre OpenAI y Anthropic, con fallback entre proveedores y sin lock-in a medida que los modelos evolucionan.
- 05
Resolver antes que contener
El éxito es un problema resuelto, no uno desviado. Cuando el asistente no puede resolver un caso con seguridad, escala temprano y con todo el contexto en lugar de retener al empleado en el bot.
Qué hice
- Diseñé la arquitectura de punta a punta como Principal Engineer.
- Definí el workflow en LangGraph: routing por intención, caminos de recuperación y escalamiento.
- Diseñé la estrategia de recuperación híbrida sobre Neo4j y el vector store.
- Definí el contrato de integración con la plataforma .NET de bswift, incluyendo tenancy, permisos y gobernanza.
- Armé la práctica de evaluación con LangSmith, golden queries y revisión humana.
Resultados
- bswift lo lanzó públicamente en febrero de 2026 como la última evolución de Emma Chat, impulsada por Emma Intelligence™.
- Más de 750.000 mensajes en 150.000 sesiones de chat durante 2025, según bswift.
- Respuestas personalizadas y específicas del plan, basadas en datos de claims, en lugar de respuestas genéricas de FAQ.
- Transferencias fluidas a representantes humanos con todo el contexto preservado, para que el empleado nunca tenga que repetir nada.
- Los cambios se validan contra un set de golden queries, así la calidad de las respuestas se mide y no se supone.