Den Praktiske Virkelighed af Agentic AI i Sundhedsøkonomi og Indtjening

Indtjeningssystemet samler stadig flere løfter. RPA skulle have ændret alt. Så skulle NLP have gjort det. Derefter ændrede generativ AI hele samtalen. Nu er det agentic AI, og forskellen denne gang er, at en del af det faktisk fungerer.

Ikke alt. Ikke engang det meste. Men nok fungerer i produktionsmiljøer til at gøre dette øjeblik ægte forskelligt fra, hvad der kom før.

Hvad Det Faktisk Betår at Handle

Der er en version af “agentic AI”, der bruges i produktpræsentationer til at beskrive enhver AI, der gør mere end én ting. Den version er ikke værd at diskutere.

En rigtig AI-agent venter ikke på, at nogen skal fortolke dens output og beslutte, hvad der skal ske herefter. Den læser en klinisk note, identificerer en manglende autorisation, navigerer i betalingsportalen, indsender anmodningen. Hvis anmodningen kommer tilbage afvist, henter den relevante dokumentation, bygger appellen, routerer den korrekt. Ingen billet åbnes. Ingen kø. Ingen medarbejder klikker gennem seks skærme for at komme dertil.

I RCM er det vigtigt af en specifik grund. Arbejdet er dybt ikke-lineært. En forudgående autorisationsanmodning kan berøre fire forskellige systemer, før den løses. Betalingsregler ændrer sig. Dokumentationskvaliteten varierer efter udbyder, specialitet, uge. Et system, der kun følger et fast manuskript, vil ikke holde i længe i den type miljø.

Hvor Resultaterne Faktisk Viser Sig

Forudgående autorisation kommer op først i næsten enhver ærlig samtale om dette, og grunden er strukturel. Det er en af de mest dokumenttunge, regelintensive opgaver i cyklen. American Medical Associations 2024 Prior Authorization Physician Survey fandt, at 27% af læger rapporterer, at deres forudgående autorisationsanmodninger ofte eller altid afvistes, og læger udfylder i gennemsnit 39 forudgående autorisationer per uge, hver enkelt trækker tid direkte væk fra patientpleje. Det er ikke et klinisk sammenbrud. Det er et dokumentations- og arbejdsgangssammenbrud, som er præcis det type problem, agentic-systemer er bygget til.

Agenter validerer berettigelse, mapper klinisk dokumentation mod betalingskriterier, sporer indsendelsesstatus, fremhæver manglende information, før en menneskelig gennemgående bliver involveret. Opgavestrukturen passer dem. Gentagen informationsindsamling, forudsigelige matchningsregler, klare sluttilstande.

Proaktiv kravrensning viser lignende trækkraft. I stedet for at jagte afviste krav efter en afvisning, kører agenter forudgående audits, der fanger kodningsfejl, dokumentationslækager og autorisationsforskelle, før noget når en betaler. Ifølge HFMA’s september 2025-undersøgelse af 272 sundhedsledere, rapporterer organisationer, der har udviklet AI og automatisering i indtjeningssystemet, målbare reduceringer i fejlratere og hurtigere refusionsperioder som deres to vigtigste resultater. Den type upstream-korrektion er, hvor en stor del af den virkelige økonomiske genrejning sker.

Den Ærlige Billede

En HFMA-FinThrive-undersøgelse fra maj 2025 fandt, at 63% af sundhedsorganisationer allerede bruger AI og automatisering et sted i deres indtjeningssystem. Det lyder som rigtig momentum. Og det er det, med en stjerne.

“En form for AI” kan dække meget ground. For mange organisationer betyder det en afgrænset agent, der håndterer en bestemt opgave, typisk forudgående autorisation eller afviste appeller, i et hjørne af cyklen. Det er et legitimitetspunkt. Men gapet mellem det og en multi-agent-arbejdsgang, der dækker berettigelse, kodning, krav og forsoning fra ende til anden, er ikke et lille gap. Som udforsket i Rethinking Revenue Cycle Modernization in the Age of AI, løber de strukturelle barrierer for fuldcyklus-transformation dybere end de fleste teknologiveje anerkender.

De fleste leverandør-samtaler springer hurtigt over dette gap. Den fuldstændigt berøringsfrie indtjeningssystem er en rimelig retning at planlægge mod. Det er bare ikke, hvor de fleste organisationer er lige nu, og behandling af det som opnåeligt i den nærmeste fremtid tenderer til at skabe problemer under installation.

Hvorfor Piloter Staller

Agentic AI fejler sjældent under test. Piloter ser næsten altid lovende ud. Brugsfældet er snævert. Data er rimeligt rent. Nogen betaler tæt opmærksomhed til, hvad agenten gør.

Produktion er anderledes. Betalingsregler ændrer sig uden varsel. EHR-dokumentationskvalitet skifter efter afdeling, udbyder, specialitet. Edge-cases multiplikeres hurtigere end forventet. Når ingen har designet en klar eskalationsvej for, når en agent rammer noget uden for dens område, staller arbejdsgangen enten eller fortsætter med fejl, der tager uger at surface.

At skala fra pilot til produktion er et fundamentalt anderledes problem end at få piloten til at fungere. Organisationer, der behandler dem som det samme problem, opdager det typisk under installation, ikke før. Det er en af årsagerne til, at det bredere AI-adoptionslandskab har kæmpet med produktionsfejl langt ud over sundhedssektoren.

Infrastrukturproblemet

Agentic AI fungerer godt, når den har rent, konsistent, forbundet data at arbejde med. Den kvalificator er mere betydningsfuld, end den lyder.

De fleste mellemstore sundhedssystemer kører fragmenterede EHR-miljøer med inkonsistente feltdefinitioner på tværs af platforme, betalingsportaler med forskellige adgangsregler og dokumentationskvalitet, der varierer efter specialitet og enkelt udbyder. Det er ikke edge-cases. Det er det standard-opererende miljø. Udfordringen er tæt relateret til en bredere mønster af akkumuleret teknisk og strukturel gæld, der former, hvordan sundhedssystemer responderer på nye AI-krav.

Beskidt data forårsager ikke altid åbenlyse fejl. Mere ofte begynder agenter at eskalere undtagelser, de ikke burde flagge, og outputs ser korrekte ud på overfladen, mens de stille og roligt bærer fejl, der tager uger at surface. Teknologien gør i de fleste af disse tilfælde præcis, hvad den er designet til at gøre. Det, der ikke holder, er infrastrukturen, den sidder på.

At få dette lag ret før skala-agent er den uglamorøse del af dette arbejde og også den del, der ikke får nok opmærksomhed i leverandør-veje.

Hvad Ændrer Sig, Når Det Faktisk Fungerer

AMA’s 2024 Prior Authorization Physician Survey fortæller en del af denne historie tydeligt: 93% af læger siger, at forudgående autorisation negativt påvirker patientresultater, og 94% siger, at det forsinker adgangen til nødvendig behandling. Når agenter absorberer denne dokumentations- og indsendelsesbyrde, får klinisk personale målbart tid tilbage. Argumentet for agentic AI i RCM er ikke kun omkring omkostninger per krav. Det handler også om, hvor personale-tid faktisk går hen, og om det er bæredygtigt.

Organisationerne, der flytter sig længst med dette, er ikke nødvendigvis dem med de største teknologibudgetter. De tenderer til at være dem, der startede snævert, byggede menneskelig oversigt ind i arbejdsgangen fra dag én og brugte de første måneder i produktion på at lære af, hvad agenten gjorde forkert, snarere end kun at fejre, hvad den gjorde rigtigt. Langsommere end pitchet foreslår. Også mere holdbart.

Hvor Det Er På Vej Hen

HFMA’s marts 2026-rapport om sundhedsmargin og AI-investering bemærkede, at indtjeningssystem-ledere flytter sig fra eksploratoriske piloter til aktiv investering i AI som en primær mekanisme for marginbeskyttelse i løbet af resten af 2026. Det er ikke spekulativt. Det er allerede budgetbeslutninger, der bliver truffet.

Hvad der er mindre fastlagt, er, hvad produktion i stor skala faktisk ligner, når EHR-fragmentering er reel, betalingsregler ændrer sig, og arbejdsgangsmodellerne ikke fuldt ud har fanget op med, hvad autonome agenter ændrer om jobbet. De næste 18 måneder vil besvare mere af disse spørgsmål end de foregående tre år kombineret. Værd at følge nøje med.