Fawad Butt, administrerende direktør og medstifter af Penguin Ai – Interviewserie

Fawad Butt, administrerende direktør og medstifter af Penguin Ai, er en erfaren sundhedsdata- og AI-direktør, der har stiftet virksomheden efter lederroller i Kaiser Permanente, UnitedHealthcare og Optum, hvor han havde ansvar for store datasystemer, analytics, AI og enterprise-platform-initiativer. Hans erfaring med at lede datasystemer inden for nogle af de største sundhedsorganisationer har format Penguin Ais fokus på at løse sundhedsvæsenets administrative ineffektiviteter med specialbyggede AI-løsninger, snarere end at tvinge generiske platforme ind i komplekse sundhedsarbejdsprocesser. Under hans ledelse er Penguin Ai positioneret omkring en praktisk tesesætning: sundhedssektoren har brug for AI-systemer, der er specialbygget til sundhedsorganisationer og kan reducere manuelt arbejde, forbedre nøjagtigheden og hjælpe teams med at bruge mere tid på højere-værdi kliniske og administrative beslutninger.

Penguin Ai er en sundheds-nativ AI-virksomhed, der fokuserer på at automatisere administrative og kliniske processer for sundhedsorganisationer, forsikringsselskaber, virksomheder, der håndterer sundhedsrelaterede forretninger, og sundheds-teknologipartnere. Dens platform kombinerer sundheds-specifikke sprogmodeller, digitale arbejdere, AI-agenter, governance, compliance-funktioner og arbejdsprocesautomatisering til brugsområder som forudgående autorisation, kravbehandling, medicinsk kodning, appelsbehandling, risikotilpasning, betalingsintegritet, medicinsk chart-sammenfatning, klinisk dokumentationssammenfatning og berettigelsesverifikation. Virksomheden har sikret 29,7 millioner dollars i venturefinansiering, herunder en serie A-finansiering på 25 millioner dollars ledet af Greycroft, til at udvide ansættelser, produktudvikling og implementeringer med sundhedsorganisationer og forsikringsselskaber, og den har også lanceret Gwen, en byg-din-egen-AI-platform, der hjælper sundheds teams med at opbygge styrede digitale arbejdere til administrative arbejdsprocesser.

Efter at have ledet datasystemer og analytics-organisationer i Kaiser Permanente, UnitedHealthcare og Optum, hvilke specifikke erfaringer overbeviste dig om, at sundhedssektoren havde brug for en specialbygget AI-platform, og hvordan formede disse erfaringer grundlæggelsesvisionen for Penguin Ai?

Jeg giver dig det præcise øjeblik, hvor det gik op for mig. Jeg sad i en gennemgang på et af de store forsikringsselskaber og stirrede på en kø af forudgående autorisationer, der hver især var blevet afvist tre gange, og ingen af dem havde en reel klinisk spørgsmål vedhæftet. De blev afvist, fordi et felt ikke matchede eller dokumentationen dukkede op i forkert format. Nogle af de bedste operatører i landet brugte deres dag på at føde en maskine, der producerede ingenting for patienten, der ventede på den anden side. Jeg så det samme spild på Kaiser, på UnitedHealthcare, på Optum, blot iført forskellige kostumer. Det var, da jeg stoppede med at købe branchens påstand om, at friktion er prisen for skala. Visionen for Penguin Ai kom direkte ud af den frustration: byg en platform, der taler sundhedsorganisationers sprog, sæt sundheds konteksten ind i systemet, så en AI-arbejder anvender jeres egne kriterier og viser sin begrundelse, og hold en person ansvarlig for den kliniske bedømmelse, og fjern det tungeste arbejde fra alle andre. Det er hele spillet.

Penguin Ai fokuserer på at tackle, hvad du beskriver som sundhedssektorens trillion-dollars administrative byrde. Hvilke arbejdsprocesser prioriterede du først, og hvorfor opstod forudgående autorisation, kravbehandling, medicinsk kodning og appelsbehandling som de største muligheder for AI-dreven transformation?

Vi gik, hvor smerten skreg højest. Forudgående autorisation, kravbehandling, medicinsk kodning og appelsbehandling steg til tops, fordi de er enorme mængder af repetitivt arbejde, hvor de fleste tilfælde følger en mønster, og undtagelserne er sjældne nok, så en menneske kun skal se undtagelserne. Forudgående autorisation toppede listen, fordi det er der, hvor man kan bogstaveligt talt se en patient lide, mens papirarbejde ligger i en kø, og ingen forsvare det med et lige ansigt. Når vores AI-arbejdere bærer det repetitive volumen og sender de ægte outliers til en person, er resultaterne ikke subtile. Gennemgangene kører op til 97 procent hurtigere, afviste krav falder med over halvdelen, og omkring 92 procent af tilfælde løses uden manuel berøring. Jeg valgte disse fire, fordi de lod mig bevise tesen hurtigt: fjern den administrative byrde, og du gør sundhedssektoren bedre for patienten, klinikerne og personen, der udfører arbejdet. Alle vinder i samme bevægelse, og det er præcis, hvorfor vi startede der.

Som sundhedsdirektør har du evaluereet utallige enterprise-teknologivirksomheder. Hvad er de mest almindelige årsager til, at AI-startups ikke opnår fremgang inden for store sundhedsorganisationer og forsikringsselskaber?

Jeg sad på købsiden længe nok til at se startups brænde deres chance på samme måde. En, de behandler sundhedssektoren som en hvilken som helst anden enterprise-konto og bliver overrasket af integrationsrod, legacy-systemer og regulativ vægt, som ingen advarede dem om. To, de oversælger autonomi og kan ikke besvare det første hårde spørgsmål, som altid er en version af “vis mig, hvordan det kom der”. Ingen revisionshistorik, ingen begrundelse, som en compliance-hold vil acceptere, og pilotprojektet dør lige der i rummet. Tre, de løser den ene side af forsikringsselskabets-patientforhold og forstår aldrig, at friktionen lever på grænsen mellem dem. Og ærligt, hver køber, jeg kender, er træt. De har en skuffe fuld af AI-drevne værktøjer, der tilføjede en dashboard og flyttede ingen arbejde af nogen skuld. Banneret er højt, og tålmodigheden er tynd, og enhver, der ikke kan vise en reel vej fra pilot til produktion, bliver vist døren.

Mange sundhedsorganisationer er stadig forsigtige med at implementere AI i kritiske operationer. Hvad ser en succesfuld AI-adopteringsproces ud til inden for en stor forsikringsselskab eller sundhedsorganisation, og hvilke fejl begår ledere, når de forsøger at skala det?

En succesfuld adoption starter småt og tjener sin vej op. Vælg en arbejdsproces, der virkelig smerter, hold dine mennesker i løkken, så de kan se arbejdet blive gjort og stole på det, og lad beviset købe dig udvidelsen. Når et team ser en AI-arbejder klare de rutinemæssige tilfælde korrekt og give dem tilfælde, der virkelig kræver bedømmelse, stopper de med at modstå og begynder at bede om mere. Fejlene er smerteligt forudsigelige. Ledere forsøger at koge havet og implementere overalt på én gang. De køber teknologi og redesigner aldrig arbejdsprocessen omkring den, så byrden flytter sig bare til en anden kø. Eller de fjerner mennesker for hurtigt, brænder tilliden og undrer sig over, hvorfor ingen rører ved det. At skala AI i en sundhedsorganisation er en change-management-opgave, der bærer en teknologikostume. Holdene, der vinder, behandler det på den måde, og de forpligter sig til en hård målstreg på dag én, så alle ved, hvad succes virkelig ligner.

Penguin Ai betoner sundheds-naturlige AI-modeller og arbejdsprocesser frem for generiske enterprise-AI-løsninger. Hvad er de unikke udfordringer i sundhedssektoren, der kræver en specialiseret tilgang, og hvor falder generiske AI-platforme kort?

Sundhedssektoren er ikke en generisk enterprise-brugs-case, og at prætende, at den er det, får dig brændt. Den har sit eget sprog, sine egne regler, sine egne konsekvenser, og ingen af det er valgfrit. En generel model vil give dig en selvbevidst, plausibel besvarelse, der er stillede forkert, fordi den ikke bærer jeres medicinske nødvendighedskriterier og ikke kan vise sin begrundelse på en måde, en revisor eller en kliniker vil acceptere. Ikke-start. Vi byggede Penguin Ai i lag for netop denne årsag: et datalag, der trækker informationen sammen, et kontekstlag, der holder sundheds-specifikke begrundelse og governance, og AI-arbejdsstyrken, der faktisk udfører arbejdet, herunder vores forudbyggede AI-arbejderløsninger og Gwen, byggeren, der lader jeres eget team opbygge nye AI-arbejdere. Generiske platforme falder kort, fordi de behandler sundheds-ekspertise som noget, man kan prompte sig ind i. Man kan ikke. Man må bygge det ind i systemet, og det er hele pointen med, hvad vi har lavet.

Forudgående autorisation er stadig en af de mest frustrerende processer for sundhedsorganisationer og patienter. Hvordan ser du AI-forme forudgående autorisation over de næste fem år, og hvilke sikkerhedsforanstaltninger er nødvendige for at sikre, at automatisering forbedrer resultater uden at skabe nye barrierer?

Om fem år kommer de enkle godkendelser tilbage på få minutter, anvendt konsekvent mod jeres egne retningslinjer, med klinikerne i løkken på alt, der kræver medicinsk bedømmelse. Det er den gode version. Her er den del, folk springer over: automatisering kan lige så let industrialisere barriererne, hvis man bygger det dovnt. En hurtigere måde at afvise behandling på er misbrug med bedre gennemløb. Så sikkerhedsforanstaltningerne er hele spillet. Hver anbefaling, en AI-arbejder giver, må bære sin begrundelse og en fuld revisionshistorik, det, vi kalder en glassbox, så alle kan se præcis, hvordan det kom der. Hastighed kan aldrig blive dækket af en stille mur af automatiserede afviste. Og en kvalificeret menneske forbliver ansvarlig for den kliniske bedømmelse, altid. Få det ret, og forudgående autorisation stopper med at være det, patienter og læger frygter. Få det galt, og du har bygget en hurtigere version af problemet. Jeg er kun interesseret i den første.

Branchen taler stadig mere om AI-agenter og autonome arbejdsprocesser. Hvad er de største tekniske og operationelle hindringer for at implementere AI, der kan håndtere komplekse sundheds-administrative opgaver med minimal menneskelig indgriben?

Det hårde er ikke demoet, det er kanterne. Exceptionshåndtering, rod og inkonsistente data og legacy-systemer, der aldrig var bygget til at tale til noget. Det er, hvor den rigtige ingeniørarbejde bor, og det er dybt uglamourøst. Den operationelle hindring er tillid, som ingen sundhedsorganisation giver dig for free. Hvis dine mennesker ikke kan gennemgå det eller forklare det, vil de ikke skala det, punktum. Nu vil jeg give lidt modspil på præmisset. “Minimal menneskelig indgriben” er det forkerte mål, og det bekymrer mig, når jeg hører det. Pointen er at frigøre dine mennesker til de komplekse tilfælde og bedømmelseskrav, hvor deres ekspertise faktisk tjener sin løn. Vores AI-arbejdere bærer det repetitive volumen og ved, hvornår de skal trække en person ind. At løse den håndtering pålideligt og gennemsigtigt på rigtig sundheds-skala er det hårde problem, der er værd at løse. Alt andet er et videnskabsfair-projekt.

Sundhedssektoren er en af de mest regulerede brancher i verden. Hvordan balancerer du innovationshastighed med overholdelse, privatlivskrav, revisionsmulighed og behov for menneskelig ansvarlighed i AI-drevne systemer?

Man tjener retten til at flytte hurtigt ved at bygge ting, der holder. I sundhedssektoren er governance grundlaget, og vi hældte det først. Når man håndterer patientdata, er enterprise-data-governance en moralsk krav, og jeg mener det bogstaveligt. Så hver anbefaling kører til en glassbox-standard, begrundelse plus en fuld revisionshistorik, som er det, der lader en compliance-hold virkelig stole på hastigheden. Menneskelig ansvarlighed er indbygget i designet, fordi en kvalificeret person ejer alt, der rører klinisk bedømmelse, mens AI-arbejderen håndterer assembly og det rutinemæssige arbejde. Det er, hvordan man får hurtig og troværdig i samme system, og i denne branche får man ikke lov til at vælge det ene og springe det andet over. De fleste mennesker rammer compliance og revisionsmulighed som bremser. Jeg ser dem som det, der lader mig sætte foden ned, fordi uden dem når man aldrig produktion fra start.

DU gjorde overgangen fra at lede store datasystemer og analytics-organisationer til at bygge en startup fra bunden. Hvad er de mest tilfredsstillende aspekter af operatør-til-stifter-rejsen, og hvilke udfordringer har været de mest overraskende?

Det mest tilfredsstillende er, at man endelig kan bygge det rigtigt fra start. Inden for en stor organisation, flytter forandring sig i institutionens tempo. Hver ændring må route gennem legacy-systemer, konkurrerende prioriteringer og lag af godkendelse, så en ændring, man ved er korrekt, kan tage atten måneder at lande, hvis den lander overhovedet. Den pace vil slidte en ned, når man kan se præcis, hvad der skal ske. I stifter-rum, forsvinder loftet. Vi kan bygge fra scratch, designe platformen omkring problemet i stedet for omkring tredive års akkumulerede workaround, og skibe det rigtige svar, mens det stadig betyder noget. Når jeg hører, en sygeplejerske fik sin aften tilbage, eller en patient fik et svar på få timer, hvor det tidligere tog dage, lander det på en måde, ingen roadmap-gennemgang nogensinde gjorde.

Det mest overraskende, og det ærede mig virkelig, er, hvor meget af dette job er historiefortælling. Jeg kom op gennem data og systemer, og jeg antog, teknologien ville bære argumentet. Den gør det ikke. Man beder folk om at tro på en anden måde at arbejde på, og man tjener den tro en gang ad gangen. Templet er brutalt, man bærer fyrre huer før frokost, og det er stadig det mest meningsfulde arbejde, jeg nogensinde har gjort.

Settende fremad, hvis AI succesfuldt fjerner meget af den administrative byrde fra sundhedssektoren, hvordan tror du, forsikringsselskaber, sundhedsorganisationer og patienter vil opleve sundhedssektoren forskelligt over de næste ti år?

Om ti år, hvis vi gør det rigtigt, føler systemet endelig som omsorg igen. Patienter får rigtige svar, når de er bange og sårbare, og de stopper med at skulle tjene en minor i forsikringsbureaukrati for at få, hvad deres læge allerede har bestilt. Klinikere bruger deres timer på lægekunst og på menneskene foran dem, i stedet for at slide igennem den ottende rutinemæssige sag før frokost. De administrative og operations-personale, nogle af de mest underapprecierede mennesker i denne hele branche, udfører endelig arbejde, der bruger deres rigtige ekspertise. Og forsikringsselskaber og sundhedsorganisationer koordinerer i stedet for at smide papirarbejde tilbage og frem over en seam, som ingen ejer. Det er sundhedssektoren, jeg bygger imod. Det scorekort, jeg bekymrer mig om, er kedeligt og specifikt: tid givet tilbage til patientomsorg, og forsinkelse trukket ud af patientoplevelsen. Alt andet, vi gør, er i service af de to tal.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Penguin Ai.