Praktická realita agentic AI v řízení cyklu výnosů zdravotní péče

Cyklus výnosů sbírá sliby. RPA mělo změnit vše. Stejně tak NLP. Pak se generativní AI změnilo celé téma. Nyní je to agentic AI a rozdíl tentokrát spočívá v tom, že část z toho skutečně funguje.

Není to všechno. Ne ani většina z toho. Ale dostatek funguje v produkčních prostředích, aby tento okamžik byl skutečně odlišný od toho, co přišlo předtím.

Co to vlastně znamená jednat

Existuje verze “agentic AI”, která se používá v produktových prezentacích pro popis jakéhokoli AI, které dělá více než jednu věc. Ta verze není hodná diskuse.

Skutečný AI agent nečeká, až někdo vyhodnotí jeho výstup a rozhodne, co dělat dál. Čte klinickou poznámku, identifikuje chybějící autorizaci, naviguje na portál plátce, podává žádost. Pokud žádost vrátí zamítnutou, vytáhne relevantní dokumentaci, sestaví odvolání, pošle jej příslušnému místu. Žádný ticket nebyl otevřen. Žádná fronta. Žádný člen personálu nemusí klikat přes šest obrazovek, aby se tam dostal.

V RCM to má význam z konkrétního důvodu. Práce je hluboce ne-lineární. Žádost o předchozí autorizaci může se dotknout čtyř různých systémů, než se vyřeší. Požadavky plátce se mění. Kvalita dokumentace se liší podle poskytovatele, specializace, týdne. Systém, který pouze následuje pevný scénář, se dlouho neudrží v tomto prostředí.

Kde se výsledky skutečně objevují

Předchozí autorizace se objevuje jako první v téměř každé upřímné konverzaci o tomto tématu a důvod je strukturální. Je to jedna z nejvíce dokumentově náročných, pravidel náročných úkolů v cyklu. American Medical Association’s 2024 Prior Authorization Physician Survey zjistila, že 27% lékařů uvádí, že jejich žádosti o předchozí autorizaci jsou často nebo vždy zamítnuty a lékaři dokončují v průměru 39 žádostí o předchozí autorizaci týdně, každá z nich táhne čas přímo od pacientovy péče. To není klinická chyba. To je dokumentační a workflow chyba, což je přesně ten typ problému, pro který jsou agentic systémy postaveny.

Agenti ověřují způsobilost, mapují klinickou dokumentaci proti kritériím plátce, sledují stav podání, zobrazují chybějící informace, než se musí zapojit lidský recenzent. Struktura úkolu se jim hodí. Opakované shromažďování informací, předvídatelná pravidla shody, jasný konečný stav.

Proaktivní čištění nároků také ukazuje podobnou trakci. Místo toho, aby se honily zamítnutí po odmítnutí, agenti spouštějí před-podání auditů, které chytají chyby kódování, mezery v dokumentaci a nesrovnalosti v autorizaci, než cokoli dosáhne plátce. Podle HFMA’s září 2025 survey of 272 healthcare executives, organizace, které nasadily AI a automatizaci v cyklu výnosů, uvádějí měřitelné snížení chybovosti nároků a rychlejší lhůty pro úhradu jako své dva nejvýznamnější výsledky. Takový typ korekce na horní straně je tam, kde se děje skutečná finanční rekonstrukce.

Čestný obraz

HFMA-FinThrive survey z května 2025 zjistila, že 63% zdravotnických organizací již používá AI a automatizaci někde ve svém cyklu výnosů. To zní jako skutečný impuls. A je to, s asteriskem.

“Nějaká forma AI” může pokrýt hodně terénu. Pro mnoho organizací to znamená, že se jedná o agenta s omezeným rozsahem, který zpracovává jeden konkrétní úkol, obvykle předchozí autorizaci nebo odvolání, v jednom rohu cyklu. To je legitimní výchozí bod. Ale mezera mezi tím a multi-agent workflow, který pokrývá způsobilost, kódování, nároky a smíření od začátku do konce, není malá mezera. Jak je prozkoumáno v Rethinking Revenue Cycle Modernization in the Age of AI, strukturální bariéry pro plnou transformaci cyklu jsou hlubší, než většina technologických roadmap přiznává.

Většina dodavatelských konverzací přeskočí tuto mezeru poměrně rychle. Plně bezdotykový cyklus výnosů je rozumným směrem, ke kterému se chcete ubírat. Je to jen to, kde většina organizací není právě teď, a považovat to za dosažitelné v blízké budoucnosti tends to create problémy během nasazení.

Proč piloty selhávají

Agentic AI zřídka selže během testování. Piloty téměř vždy vypadají slibně. Případ použití je úzký, data jsou rozumně čistá a někdo se věnuje tomu, co agent dělá.

Produkce je jiná. Pravidla plátce se mění bez oznámení. Kvalita dokumentace EHR se mění podle oddělení, poskytovatele a specializace. Okrajové případy se množí rychleji, než se očekávalo. Když nikdo nevytvořil jasnou eskalační cestu pro případ, kdy agent narazí na něco mimo jeho rozsah, workflow buď zastaví nebo pokračuje s chybami, které trvají týdny, než se projeví.

Škálování z pilotu do produkce je fundamentálně odlišný problém než to, aby pilot fungoval. Organizace, které je považují za stejný problém, obvykle zjistí, že během nasazení, ne předtím. To je jeden z důvodů, proč širší krajina adopce AI bojuje s produkčními selháními daleko za hranicemi zdravotní péče.

Problém infrastruktury

Agentic AI funguje dobře, když má k dispozici čisté, konzistentní a propojené údaje. To je kvalifikátor, který je významnější, než zní.

Většina středně velkých zdravotnických systémů běží fragmentované prostředí EHR s nekonzistentními definicemi polí napříč platformami, portály plátce s odlišnými pravidly přístupu a kvalitou dokumentace, která se liší podle specializace a jednotlivého poskytovatele. To nejsou okrajové případy. To je standardní provozní prostředí. Výzva je úzce spojena s širším vzorcem nahromaděného technického a strukturálního dluhu, který utváří, jak zdravotnické systémy reagují na nové požadavky AI.

Špatná data nemusí vždy způsobit zjevná selhání. Častěji agenti začínají eskalovat výjimky, které by neměli potřebovat označit, a výstupy vypadají správně na povrchu, zatímco potichu nesou chyby, které trvají týdny, než se projeví. Technologie, ve většině z těchto případů, dělá přesně to, co byla navržena. Co nefunguje, je infrastruktura, na které sedí.

Získání této vrstvy správně před škálováním agentů je neokázalou částí této práce a také část, která nedostává dostatečnou pozornost v dodavatelských roadmapách.

Co se změní, když to skutečně funguje

AMA’s 2024 Prior Authorization Physician Survey vypráví část této historky jasně: 93% lékařů říká, že předchozí autorizace negativně ovlivňuje výsledky pacientů, a 94% říká, že zpožďuje přístup k nezbytné péči. Když agenti absorbují tuto dokumentační a podání zátěž, klinický personál získá měřitelný čas zpět. Argument pro agentic AI v RCM není pouze o nákladu na nárok. Je to také o tom, kam skutečně jde čas personálu a zda je to udržitelné.

Organizace, které jdou nejdále s tím, nejsou nutně ty s největšími technologickými rozpočty. Tendují být ty, které začaly úzce, postavily lidskou kontrolu do workflow od prvního dne a strávily první měsíce v produkci učením se z toho, co agent udělal špatně, spíše než pouze oslavovat to, co udělal správně. Pomalejší, než naznačuje prezentace. Také více trvanlivé.

Kam to směřuje

HFMA’s březen 2026 report on healthcare margin and AI investment poznamenala, že lídři cyklu výnosů přecházejí z průzkumných pilotů na aktivní investice do AI jako primární páky pro ochranu marže při vstupu do zbytku roku 2026. To není spekulativní. To jsou již učiněná rozpočtová rozhodnutí.

Co je méně jisté, je to, co produkce ve velkém skutečně vypadá, když je fragmentace EHR reálná, pravidla plátce se neustále mění a modely pracovní síly ještě plně nedozrály k tomu, co autonomní agenti mění na práci. Příští 18 měsíců zodpoví více z těchto otázek, než předchozí tři roky dohromady. Stojí za to sledovat.