Myriad Genetics rehízo su IA tras dispararse los costes: de 10 minutos a 20 segundos por documento médico

Por Zendoric · 28 de julio de 2026.

Myriad Genetics, la compañía de diagnóstico molecular con sede en Salt Lake City que procesa cerca de 1,5 millones de pruebas diagnósticas al año —cáncer hereditario, cribado prenatal, perfiles tumorales y respuesta a fármacos psiquiátricos—, ha terminado de rehacer por completo su plataforma de inteligencia artificial para tramitar el papeleo que precede y sigue a cada prueba. Según explicó a Business Insider Martyna Shallenberg, directora sénior de ingeniería de software de Myriad, el nuevo sistema, bautizado Image Genius y desarrollado con Amazon Web Services (AWS), ha recortado el tiempo de procesamiento de cada documento de una media de 10 minutos a 20 segundos.

No es un detalle menor en un negocio donde el dinero tarda en llegar. Shallenberg explica que una compañía como Myriad puede tardar hasta 18 meses en cobrar íntegramente una prueba, por la complejidad del proceso de reclamación a las aseguradoras conocido como revenue cycle management (gestión del ciclo de ingresos). Antes de eso, cada solicitud necesita una autorización previa (prior authorization): el médico debe conseguir el visto bueno de la aseguradora, a veces en cuestión de horas desde que se toma la muestra, o el seguro puede denegar la cobertura y retrasar la atención al paciente, o hacer perder ingresos a Myriad.

La primera versión de Image Genius, construida en 2024 con la consultora PwC sobre dos servicios de AWS —Amazon Textract, para extraer texto de documentos escaneados, y Amazon Comprehend, un servicio de procesamiento de lenguaje natural (NLP) para identificar notas clínicas, informes de patología y datos de seguros—, se estrelló contra su propio éxito. Según relató a Business Insider el entonces CTO de Myriad, Kevin Haas, el sistema exigía mantenimiento constante ante el volumen de "millones de muestras" y no siempre distinguía un formulario de solicitud de las notas médicas del doctor, "la parte más difícil del proceso", según Shallenberg. Todo el primer trimestre de 2025 se fue en afinar prompts y sumar datos de entrenamiento; el resultado, dice Shallenberg, no valía lo que costaba: Amazon Comprehend resultó "muy caro" de operar a la escala de Myriad.

La solución no fue más ingeniería sobre el mismo servicio, sino cambiar de arquitectura. Myriad recurrió al AWS Generative AI Innovation Center —un equipo de científicos y expertos en IA de AWS que ayuda a clientes a llevar proyectos desde la idea hasta el despliegue— y reconstruyó Image Genius sobre Amazon Bedrock, la plataforma de AWS que da acceso a modelos fundacionales de distintos proveedores (Anthropic, OpenAI) y a la familia propia Amazon Nova. Esa flexibilidad, explicó a Business Insider el director médico global de AWS, Rowland Illing, permitió a Myriad probar varios modelos y elegir el más adecuado según velocidad, precisión y coste. "La elección de modelo es realmente importante", resumió Illing.

El sistema, relanzado en el primer trimestre de 2026, ya opera en la división de salud femenina de Myriad: según la compañía, ha ahorrado unas 300 horas de trabajo al mes en cerca de 9.000 autorizaciones previas. La expansión a oncología y salud mental llegará en 2027. Al frente de esa siguiente fase está Raj Jampa, nuevo CTO de Myriad desde junio de 2026 (antes en Agilent Technologies, Exact Sciences y Genomic Health), cuyo objetivo declarado es extender la automatización a la verificación de elegibilidad, la presentación de reclamaciones, la gestión de denegaciones y las apelaciones.

Nuestra lectura: el valor de este caso no está en la cifra de "20 segundos" —llamativa, pero anecdótica— sino en el itinerario de casi tres años y dos intentos que hizo falta recorrer para llegar hasta ahí. Myriad no falló por falta de ambición, ni de presupuesto, con PwC y AWS de por medio desde el principio; falló porque apostó por un servicio de IA especializado y cerrado que se volvió insostenible a medida que crecía el volumen de datos, y solo funcionó cuando migró a una arquitectura que trata el modelo como una pieza intercambiable, no como un compromiso fijo. Es la misma lección que venimos observando en otros despliegues empresariales de IA: el cuello de botella rara vez es cuánto cuesta un token, sino cuánto cuesta mantener, reentrenar y adaptar un sistema cerrado cuando la realidad —millones de documentos heterogéneos— no encaja en el patrón previsto.

Hay una segunda lectura, más de fondo. Este es exactamente el tipo de fricción administrativa —papeleo de seguros, autorizaciones previas, ciclos de cobro de año y medio— que consume recursos sanitarios sin aportar salud a nadie. Automatizarla no sustituye al personal de Myriad de un plumazo: la propia compañía habla de horas ahorradas, no de despidos, aunque la fuente no detalla qué se hace con el tiempo liberado. Es el patrón que ya hemos visto en otros sectores administrativos: la IA no elimina el puesto, redefine qué parte del trabajo merece un humano. Si esta automatización se generaliza en el diagnóstico médico —donde el retraso en el cobro y en la autorización puede traducirse en retrasos reales en la atención al paciente—, el beneficio no es solo contable: acerca, un paso más, esa promesa de largo plazo de un sistema sanitario que gasta menos tiempo en papeleo y más en cuidar.

Conviene no perder de vista el matiz de corto plazo: han hecho falta casi tres años, un primer sistema descartado y un cambio completo de arquitectura para llegar a una sola división de un negocio con varias líneas. La IA de producción en un sector tan regulado como el sanitario no es un interruptor que se enciende; es una obra en construcción, cara y lenta antes de ser barata y rápida. Quien venda lo contrario no ha tenido que reconstruir su Image Genius particular.