Luis Miguel
Projeto pessoal

Sistema multi-agente de IA para clínicas odontológicas

O mercado encheu de IA o atendimento ao paciente e esqueceu de quem trabalha dentro da clínica. Este sistema atende a equipe, pelo WhatsApp que ela já usa, com cada resposta rastreável em SQL.

  • IA
  • Multi-Agent System
  • RAG
  • n8n
  • AWS
  • Data Analytics
  • Observability
Ler o artigo acadêmico blanvur.com

Origem do desafio

Agente de IA em clínica odontológica não é novidade: o mercado já tem várias soluções, e quase todas apontam para o mesmo lugar, o atendimento ao paciente. Conversando com meu irmão, fomos notando o vazio do outro lado. As empresas colocaram IA na frente, para falar com o cliente, e deixaram o dia a dia de dentro como sempre foi: dúvida de dosagem esperando alguém aparecer para responder, erro de equipamento parando o laboratório, secretária sem saber como sair de uma conversa difícil.

O mercado pôs IA no atendimento ao cliente. Ninguém tinha posto IA no dia a dia de dentro.

A pergunta que sobrava era se aquilo valeria a pena para uma empresa de pequeno e médio porte, se o custo e a complexidade caberiam nessa realidade. Construí o sistema para descobrir. Coube.

O que foi pensado

Um sistema de IA integrado ao WhatsApp da Blanvur, clínica de alto padrão de Curitiba. A equipe manda áudio, texto ou imagem; a IA processa e devolve a resposta no mesmo lugar. Ninguém precisou aprender ferramenta nova nem abrir mais uma aba.

Em paralelo, e sem segurar a resposta, cada pergunta e cada resposta são gravadas para análise posterior, métricas de uso e de custo, tudo dentro da AWS. É essa segunda metade que separa o sistema de um agente comum.

Síncrono Assíncrono

Fluxo do processo O usuário conversa com a camada de ingestão, que conversa com a inteligência. Em paralelo, cada interação é registrada e segue por persistência, transformação e análise até o gestor. Usuário Ingestão Canais de mensagem Inteligência Sistema multi-agentes Registro de cada interação Persistência Registro bruto Transformação Padronização Análise Métrica e custo Gestor Análises e custo Fluxo do processo O usuário conversa com a camada de ingestão, que conversa com a inteligência. Em paralelo, cada interação é registrada e segue por persistência, transformação e análise até o gestor. Usuário Ingestão Canais de mensagem Inteligência Sistema multi-agentes Registro de cada interação Persistência Registro bruto Transformação Padronização Análise Métrica e custo Gestor Análises e custo
O caminho síncrono devolve a resposta ao usuário. O registro sai por fora, assíncrono, e nunca atrasa quem está esperando.
  1. O usuário envia uma mensagem para a camada de ingestão e recebe dela a resposta.
  2. A ingestão troca a mensagem com a camada de inteligência, que é o sistema multi-agentes.
  3. Em paralelo e de forma assíncrona, a inteligência registra cada interação na camada de persistência.
  4. Do registro bruto os dados passam por transformação, depois por análise de métrica e custo, e chegam ao gestor.

Arquitetura em cinco camadas

Cada camada faz uma coisa só e não sabe da seguinte. É isso que permite trocar o modelo, o canal de entrada ou o motor de consulta sem mexer no resto do sistema.

  1. Ingestão

    n8n · webhook com token

    Recebe a requisição de qualquer canal de entrada e normaliza num JSON estruturado antes de passar adiante. Não tem regra de negócio nem persistência: é só a porta.

  2. Inteligência

    n8n · LangChain · OpenRouter

    O núcleo. Classifica a intenção, roteia entre os especialistas e gera a resposta. É aqui que vive o sistema multi-agentes.

  3. Persistência

    Amazon S3 · Data Lake

    Guarda de forma assíncrona e imutável o registro completo de cada interação: resposta final, passos intermediários dos agentes e metadados de sessão. Arquivos JSON em pastas diárias. A gravação acontece depois que a resposta já voltou ao usuário, por chamada HTTP a um workflow secundário.

  4. Processamento

    AWS Lambda · Python

    Transforma o dado bruto em registro analítico. Dispara sozinho no evento de upload no S3 e produz três tabelas, messages, agents_plan e agents_actions, gravadas no bucket de Data Warehouse.

  5. Analítica

    Amazon Athena · SQL

    Consulta o histórico completo com SQL direto sobre os arquivos particionados. Sem cluster dedicado: o custo é proporcional ao volume escaneado por consulta.

O sistema multi-agentes

O desenho é orquestrador-trabalhador. Um agente recebe a mensagem, avalia e decide qual dos oito especialistas chamar. A alternativa, um modelo genérico tentando cobrir clínica, laboratório, comercial e jurídico com o mesmo contexto, responde mal para todo mundo.

A arquitetura é expansível a qualquer momento: se a equipe julgar que precisa de um agente novo, ele entra sem reflexo nenhum nas outras camadas.

Orquestrador e agentes trabalhadores Um agente orquestrador distribui a mensagem entre oito agentes especialistas, de A a H. Orquestrador A B C D E F G H
A e H aparecem em negativo porque não têm domínio próprio: A roteia a imagem que chega, H audita a resposta antes de ela sair.
Os oito agentes especialistas e seus domínios
Agente Denominação Usuário primário Domínio de atuação
A Roteador de imagem Todos Interpreta a imagem recebida e aciona o agente certo para ela
B Especialista clínico Dentista, estagiário Segunda opinião clínica, dosagem de medicamentos, interpretação de exames de imagem
C Visão técnica Estagiário, técnico de laboratório Leitura de rótulos de insumos, prints de erro de equipamentos, identificação de materiais
D Comercial Dentista, secretária Estratégias de follow-up, mensagens de conversão, dúvidas comerciais
E Atendimento Secretária Suporte a situações difíceis no atendimento ao paciente pelo WhatsApp
F Técnico de laboratório Técnico de laboratório Parâmetros de impressão 3D, fluxo de trabalho no Exocad, armazenamento de materiais
G Documentalista Dentista, secretária, estagiário Termos de consentimento odontológicos e documentos com linguagem jurídica
H Auditor Todos Revisa a resposta final, checa informação errada ou promessa indevida e reestrutura antes de entregar
Captura do workflow no n8n: o nó orquestrador ligado a oito nós de agente, de agente_a a agente_h, com os modelos que os alimentam e a memória em Redis abaixo.
O workflow real no n8n: o nó orquestrador em cima, os oito agentes trabalhadores embaixo.

Por que o n8n?

A pergunta é justa, e a resposta é um trade-off assumido de olhos abertos.

Ganhamos

Velocidade de produção e de manutenção. Remover um nó e testar outra rota leva alguns cliques.

Perdemos

Latência na chegada da mensagem e no processamento da resposta.

Por que aceitar? Numa empresa que troca de 20 a 60 mensagens distintas por dia, não há nada que justifique uma infraestrutura pesada, seria gasto sem retorno. E em empresa pequena e média o processo muda rápido: a equipe precisa poder redesenhar o fluxo na semana seguinte. Nesse contexto, meio segundo a mais vale menos do que conseguir mudar de ideia.

Observabilidade

É aqui que o sistema se separa de um agente de IA comum. Toda saída e todo uso de agente trabalhador vão para o S3, e a Lambda os transforma em tabela.

Na prática, uma consulta SQL simples responde, para cada mensagem: qual agente foi chamado, se chegou a ser chamado, e o que ele respondeu. Dá para ver cada ação do sistema e achar o gargalo em vez de adivinhar onde ele está.

  • messages
  • agents_plan
  • agents_actions
Especialista planejado Ocorrências planejadas Execuções registradas
Agente E 68 62
Agente D 71 65
A diferença entre planejado e executado é o que se investiga: o orquestrador pediu o agente, mas a chamada não chegou a acontecer.

Resultados

O sistema foi validado por completo com a empresa e é expansível para outros nichos e contextos.

Custo por mensagem

$0,055

Somando modelo e infraestrutura.

Tempo de resposta

22 s

Média de processamento, ponta a ponta.

Custo AWS

$0

Dentro do free-tier, no volume da clínica.

Observabilidade

100%

Toda ação de agente registrada e consultável.

O artigo completo

Sistema multi-agente de IA para suporte operacional

A implementação em detalhe, com fundamentação, metodologia e resultados.

PDF · 97 páginas · 1,0 MB · abre em nova aba

Ler o artigo acadêmico

Voltar para a home