Tankeledere
Agentbaseret AI i praksis i sundhedsvæsenets styring af indtægtscyklussen

NøglepunkterAgentisk AI leverer konkrete resultater i forbindelse med forhåndsgodkendelser ved at…
Vis mere
- Agentisk AI leverer konkrete resultater i forbindelse med forhåndsgodkendelser ved at automatisere komplekse arbejdsgange på tværs af systemer.
- Skalering i produktionen mislykkes ofte på grund af fragmenteret datainfrastruktur, ikke på grund af AI-teknologien i sig selv.
- Vellykkede implementeringer starter snævert med menneskelig opsyn og lærer først af agentfejl.
Løfterne bliver ved med at samle sig om sundhedsvæsenets fakturerings- og betalingsprocesser. RPA skulle ændre alt. Det samme gjaldt NLP. Så ændrede generativ AI hele diskussionen. Nu handler det om agentbaseret AI, og forskellen denne gang er, at noget af det faktisk begynder at fungere i praksis.
Ikke alt. Ikke engang det meste. Men nok fungerer i produktionsmiljøer til, at denne fase adskiller sig fra det, der kom før.
Hvad det faktisk vil sige at handle
I produktpræsentationer bruges «agentbaseret AI» undertiden om enhver AI, der gør mere end én ting. Den definition er ikke værd at diskutere.
En rigtig AI-agent venter ikke på, at nogen fortolker dens output og beslutter næste skridt. Den læser en klinisk note, opdager en manglende godkendelse, går gennem betalerens portal og indsender ansøgningen. Bliver den afvist, henter agenten relevant dokumentation, udformer en klage og sender den til rette modtager. Ingen opfølgningssag åbnes. Ingen kø. Ingen medarbejder skal klikke sig gennem seks skærmbilleder.
I styringen af indtægtscyklussen, RCM, er det vigtigt af en bestemt grund: arbejdet er langt fra lineært. En ansøgning om forhåndsgodkendelse kan berøre fire systemer, før den afgøres. Betalernes krav ændrer sig. Dokumentationens kvalitet varierer mellem behandlere, specialer og uger. Et system, der kun følger et fast manuskript, holder ikke længe i det miljø.
Hvor resultaterne faktisk viser sig
Forhåndsgodkendelse kommer først i næsten enhver ærlig samtale om dette, og årsagen er strukturel. Det er en af cyklussens mest dokument- og regelkrævende opgaver. American Medical Associations lægeundersøgelse om forhåndsgodkendelse fra 2024
viste, at 27 % af lægerne siger, at deres ansøgninger ofte eller altid afvises. Læger gennemfører i gennemsnit 39 forhåndsgodkendelser om ugen, og hver enkelt tager tid direkte fra patientbehandlingen. Det er ikke et klinisk svigt, men et svigt i dokumentation og arbejdsgang — præcis den type problem agentbaserede systemer er bygget til.
Agenter kontrollerer retten til dækning, sammenholder klinisk dokumentation med betalerens kriterier, følger indsendelsesstatus og viser manglende oplysninger, før en menneskelig sagsbehandler behøver at blive involveret. Opgavestrukturen passer til dem: gentagen informationsindsamling, forudsigelige sammenligningsregler og klare sluttilstande.
Forebyggende kontrol af refusionskrav viser tilsvarende fremgang. I stedet for at håndtere afslag bagefter gennemgår agenter materialet før indsendelse og opdager medicinske kodningsfejl, dokumentationsmangler og afvigelser i godkendelser, før noget når betaleren. Ifølge HFMAs undersøgelse blandt 272 sundhedsledere i september 2025
angiver organisationer, der har indført AI og automatisering i indtægtscyklussen, målbare fald i fejlprocenten for krav og hurtigere refusionsbetalinger som deres to vigtigste resultater. En stor del af den faktiske økonomiske genopretning sker gennem sådanne rettelser tidligt i processen.
Et ærligt billede
En undersøgelse fra HFMA og FinThrive i maj 2025
viste, at 63 % af sundhedsorganisationerne allerede bruger AI og automatisering et sted i deres indtægtscyklus. Det lyder som reel fremgang. Det er det også, men med et forbehold.
«En form for AI» kan betyde meget. For mange organisationer er det en afgrænset agent, som håndterer én bestemt opgave, typisk forhåndsgodkendelser eller klager over afslag, i én del af cyklussen. Det er et legitimt udgangspunkt. Men afstanden til en arbejdsgang med flere agenter, som dækker rettighedskontrol, kodning, refusionskrav og afstemning fra start til slut, er stor. Som undersøgt i «At gentænke modernisering af indtægtscyklussen i AI-æraen»
går de strukturelle barrierer for en omlægning af hele cyklussen dybere, end de fleste teknologiplaner erkender.
De fleste leverandørsamtaler springer hurtigt over dette hul. En indtægtscyklus helt uden manuel sagsbehandling er en rimelig retning at planlægge mod. De fleste organisationer er bare ikke dér nu, og at behandle det som opnåeligt på kort sigt skaber ofte problemer under implementeringen.
Hvorfor pilotprojekter går i stå
Agentbaseret AI fejler sjældent under test. Pilotprojekter ser næsten altid lovende ud. Anvendelsen er snæver, dataene rimeligt rene, og nogen følger opmærksomt med i agentens handlinger.
Produktion er anderledes. Betalernes regler ændrer sig uden varsel. Dokumentationskvaliteten i elektroniske patientjournaler varierer mellem afdelinger, behandlere og specialer. Særtilfælde bliver flere hurtigere end forventet. Hvis ingen har udformet en klar vej til at sende en sag videre, når agenten møder noget uden for sit område, går arbejdsgangen i stå eller fortsætter med fejl, som først viser sig efter flere uger.
At skalere fra pilotprojekt til produktion er et grundlæggende andet problem end at få pilotprojektet til at fungere. Organisationer, der behandler dem som samme problem, opdager normalt forskellen under implementeringen, ikke før. Det er én grund til, at AI-indførelsen kæmper med produktionsfejl langt ud over sundhedssektoren.
Infrastrukturproblemet
Agentbaseret AI fungerer godt, når den har rene, konsistente og forbundne data. Den betingelse er vigtigere, end den lyder.
De fleste mellemstore og store sundhedssystemer har fragmenterede elektroniske journalsystemer med forskellige feltdefinitioner på tværs af platforme, betalerportaler med forskellige adgangsregler og dokumentationskvalitet, der varierer efter speciale og den enkelte behandler. Dette er ikke særtilfælde, men det normale driftsmiljø. Udfordringen hænger tæt sammen med et bredere mønster af ophobet teknisk og strukturel gæld, der former, hvordan sundhedssystemer reagerer på nye AI-krav.
Rodede data giver ikke altid åbenlyse fejl. Oftere begynder agenter at sende undtagelser videre, som de ikke burde behøve at markere, og output ser korrekt ud, men indeholder skjulte fejl, som først viser sig efter flere uger. I de fleste sådanne tilfælde gør teknologien præcis det, den er designet til. Det, der ikke holder, er infrastrukturen, den bygger på.
At få dette lag på plads før en opskalering af agenterne er den mindre glamourøse del af arbejdet, og den del, som får for lidt opmærksomhed i leverandørernes planer.
Hvad ændrer sig, når det faktisk virker
AMAs lægeundersøgelse om forhåndsgodkendelse fra 2024
viser en del af billedet tydeligt: 93 % af lægerne siger, at forhåndsgodkendelse påvirker patienternes behandlingsresultater negativt, og 94 % siger, at den forsinker adgangen til nødvendig behandling. Når agenter overtager dokumentations- og indsendelsesbyrden, får klinisk personale en målbar mængde tid tilbage. Argumentet for agentbaseret AI i RCM handler ikke kun om omkostninger per refusionskrav, men også om, hvad personalets tid faktisk går til, og om det er bæredygtigt.
De organisationer, der er kommet længst, har ikke nødvendigvis de største teknologibudgetter. De begyndte ofte i et snævert område, indbyggede menneskeligt tilsyn fra første dag og brugte de første produktionsmåneder på at lære af agentens fejl frem for kun at fejre det, den gjorde rigtigt. Langsommere, end salgstalen antyder, men også mere holdbart.
Hvor udviklingen er på vej hen
HFMAs rapport fra marts 2026 om sundhedsmargener og AI-investeringer
bemærkede, at ledere for indtægtscyklussen går fra undersøgende pilotprojekter til aktive AI-investeringer som et hovedmiddel til at beskytte margenerne i resten af 2026. Det er ikke spekulation. Det er budgetbeslutninger, som allerede bliver truffet.
Mindre klart er det, hvordan produktion i stor skala faktisk ser ud, når journalsystemerne er fragmenterede, betalernes regler fortsat ændrer sig, og bemandingsmodellerne endnu ikke fuldt ud har tilpasset sig de ændringer, autonome agenter skaber i arbejdet. De næste 18 måneder vil besvare flere af disse spørgsmål end de foregående tre år tilsammen. Det er værd at følge nøje.












