Myslitelé

Praktická realita agentní AI při řízení příjmového cyklu ve zdravotnictví

Inger Sivanthi
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyAgentická AI přináší konkrétní výsledky v procesu předautorizace automatizací složitých…
Zobrazit více
  • Agentická AI přináší konkrétní výsledky v procesu předautorizace automatizací složitých workflow napříč systémy.
  • Škálování do provozu často selhává kvůli fragmentované datové infrastruktuře, nikoli samotné AI technologii.
  • Úspěšné implementace začínají úzce zaměřenými projekty s lidským dohledem a nejprve se učí z chyb agentů.

Kolem řízení příjmového cyklu ve zdravotnictví se stále hromadí nové sliby. RPA měla změnit všechno. Stejně tak NLP. Pak generativní AI celou debatu proměnila. Nyní je na řadě agentní AI a tentokrát je rozdíl v tom, že některá řešení skutečně začínají fungovat.

Ne všechna. Dokonce ani většina. V produkčních prostředích jich však funguje dost na to, aby se současná situace opravdu lišila od minulosti.

Co skutečně znamená jednat

V produktových prezentacích se někdy jako «agentní AI» označuje jakákoli AI, která dělá více než jednu věc. Takovou definici nemá cenu rozebírat.

Skutečný AI agent nečeká, až někdo vyloží jeho výstup a rozhodne o dalším kroku. Přečte klinický záznam, odhalí chybějící schválení, projde portálem plátce a odešle žádost. Pokud je zamítnuta, získá příslušnou dokumentaci, připraví odvolání a nasměruje je na správné místo. Bez založení tiketu, bez fronty a bez pracovníka, který musí proklikat šest obrazovek.

V řízení příjmového cyklu (RCM) to má význam z konkrétního důvodu: práce je výrazně nelineární. Žádost o předchozí schválení může před vyřešením projít čtyřmi systémy. Požadavky plátců se mění. Kvalita dokumentace se liší podle poskytovatele, specializace i týdne. Systém, který jen následuje pevný scénář, v takovém prostředí dlouho neobstojí.

Kde se skutečně projevují výsledky

Předchozí schválení se objevuje jako první téměř v každé upřímné debatě na toto téma. Důvod je strukturální: jde o jeden z úkolů cyklu s největšími nároky na dokumentaci a dodržování pravidel. Průzkum Americké lékařské asociace z roku 2024 mezi lékaři o předchozím schvalování
zjistil, že 27 % lékařů uvádí, že jejich žádosti jsou často nebo vždy zamítány. Lékaři v průměru vyřizují 39 předchozích schválení týdně a každé přímo ubírá čas péči o pacienty. Nejde o klinické selhání, ale o problém dokumentace a pracovního postupu — právě takový, pro jaký jsou agentní systémy navrženy.

Agenti ověřují nárok na úhradu, porovnávají klinickou dokumentaci s kritérii plátce, sledují stav podání a upozorňují na chybějící informace dříve, než musí zasáhnout člověk. Struktura úkolu jim vyhovuje: opakovaný sběr informací, předvídatelná pravidla porovnávání a jasné konečné stavy.

Podobně se prosazuje preventivní kontrola žádostí o úhradu. Místo řešení zamítnutí až po odmítnutí agenti ještě před odesláním odhalují chyby zdravotnického kódování, mezery v dokumentaci a nesrovnalosti ve schválení, než se cokoli dostane k plátci. Podle průzkumu HFMA ze září 2025 mezi 272 vedoucími pracovníky ve zdravotnictví
organizace, které nasadily AI a automatizaci v příjmovém cyklu, uvádějí jako dva hlavní výsledky měřitelné snížení chybovosti žádostí a rychlejší úhrady. Právě takové opravy na začátku procesu přinášejí značnou část skutečného finančního zlepšení.

Upřímný pohled na situaci

Průzkum HFMA a FinThrive z května 2025
zjistil, že 63 % zdravotnických organizací už někde v příjmovém cyklu používá AI a automatizaci. Zní to jako skutečný pokrok. A je, ale s výhradou.

«Nějaká forma AI» může znamenat mnoho věcí. Pro řadu organizací je to agent s omezeným rozsahem, který v jedné části cyklu řeší konkrétní úkol, obvykle předchozí schválení nebo odvolání proti zamítnutí. To je legitimní začátek. Mezi tím a postupem s více agenty, který od začátku do konce pokrývá ověření nároku, kódování, žádosti o úhradu a účetní odsouhlasení, je však velká mezera. Jak rozebírá článek «Nový pohled na modernizaci příjmového cyklu v době AI»
, strukturální překážky transformace celého cyklu jsou hlubší, než většina technologických plánů připouští.

Většina rozhovorů s dodavateli tuto mezeru rychle přeskočí. Příjmový cyklus zcela bez ručního zpracování je rozumný směr plánování. Většina organizací tam ale dnes není a považovat jej za krátkodobě dosažitelný cíl obvykle způsobuje problémy při nasazení.

Proč pilotní projekty váznou

Agentní AI během testování zřídka selhává. Pilotní projekty téměř vždy vypadají slibně. Použití je úzce vymezené, data poměrně čistá a někdo pozorně sleduje činnost agenta.

Produkce je jiná. Pravidla plátců se mění bez upozornění. Kvalita dokumentace v elektronických zdravotních záznamech (EHR) se liší podle oddělení, poskytovatele a specializace. Okrajových případů přibývá rychleji, než se čekalo. Pokud nikdo nenavrhl jasný způsob předání záležitosti dál, když agent narazí na něco mimo svůj rozsah, postup se zastaví nebo pokračuje s chybami, které se projeví až po týdnech.

Přechod z pilotního projektu do produkce ve větším měřítku je zásadně jiný problém než zprovoznění samotného pilotního projektu. Organizace, které oba problémy považují za stejné, obvykle zjistí rozdíl při nasazování, nikoli před ním. I proto se zavádění AI potýká s produkčními neúspěchy daleko za hranicemi zdravotnictví.

Problém infrastruktury

Agentní AI funguje dobře, pokud má čistá, konzistentní a propojená data. Tato podmínka je důležitější, než zní.

Většina středně velkých a velkých zdravotnických systémů provozuje roztříštěná prostředí EHR s nejednotnými definicemi polí mezi platformami, portály plátců s různými pravidly přístupu a dokumentací různé kvality podle specializace a konkrétního poskytovatele. To nejsou okrajové případy, ale běžné provozní prostředí. Výzva úzce souvisí se širším vzorcem nahromaděného technického a strukturálního dluhu, který utváří reakci zdravotnických systémů na nové požadavky AI.

Neuspořádaná data nevedou vždy ke zjevnému selhání. Častěji agenti začnou předávat dál výjimky, které by nemělo být nutné hlásit, a výstupy vypadají správně, přestože skrytě obsahují chyby odhalené až po týdnech. Ve většině takových případů technologie dělá přesně to, k čemu byla navržena. Neobstojí infrastruktura, na které stojí.

Dát tuto vrstvu do pořádku před rozšiřováním agentů je málo atraktivní část práce, které navíc plány dodavatelů nevěnují dostatečnou pozornost.

Co se změní, když to opravdu funguje

Průzkum AMA z roku 2024 mezi lékaři o předchozím schvalování
jasně popisuje část příběhu: 93 % lékařů říká, že předchozí schválení negativně ovlivňuje výsledky léčby pacientů, a 94 % uvádí, že zdržuje přístup k nezbytné péči. Když agenti převezmou zátěž dokumentace a podávání žádostí, klinický personál získá zpět měřitelné množství času. Argument pro agentní AI v RCM není jen o nákladech na žádost o úhradu, ale také o tom, na co se čas zaměstnanců skutečně využívá a zda je to udržitelné.

Nejdále postupující organizace nemusí mít největší technologické rozpočty. Často začínaly v úzkém rozsahu, od prvního dne zahrnuly lidský dohled a první měsíce produkce věnovaly učení z chyb agenta, místo aby jen slavily jeho úspěchy. Je to pomalejší, než naznačuje prodejní prezentace, ale také trvalejší.

Kam vývoj směřuje

Zpráva HFMA z března 2026 o maržích ve zdravotnictví a investicích do AI
uvedla, že vedoucí příjmového cyklu přecházejí od průzkumných pilotních projektů k aktivním investicím do AI jako hlavnímu prostředku ochrany marží ve zbytku roku 2026. To není spekulace. Jde o rozpočtová rozhodnutí, která se již přijímají.

Méně jasné zůstává, jak vypadá skutečná produkce ve velkém, když je roztříštěnost EHR realitou, pravidla plátců se mění a modely organizace práce ještě plně nezohledňují změny způsobené autonomními agenty. Příštích 18 měsíců zodpoví více těchto otázek než předchozí tři roky dohromady. Stojí za to vývoj pozorně sledovat.

Inger Sivanthi je generální ředitel společnosti Droidal, která se zaměřuje na zdravotnické technologie s využitím umělé inteligence. Řídí vývoj aplikovaných řešení umělé inteligence, včetně velkých jazykových modelů a agentů umělé inteligence, určených ke zlepšení příjmů ve zdravotnictví a provozního rozhodování. Jeho práce se soustředí na integraci umělé inteligence do složitých zdravotnických prostředí s důrazem na odpovědnou a praktickou implementaci.