Fawad Butt, CEO und Mitgründer von Penguin Ai – Interview-Serie

Fawad Butt, CEO und Mitgründer von Penguin Ai, ist ein erfahrener Gesundheitsdaten- und KI-Experte, der das Unternehmen nach Führungspositionen bei Kaiser Permanente, UnitedHealthcare und Optum gründete, wo er große Datenverwaltungs-, Analyse-, KI- und Unternehmensplattform-Initiativen leitete. Seine Erfahrung bei der Leitung der Datenstrategie in einigen der größten Zahlstellen- und Anbieterorganisationen prägte den Fokus von Penguin Ai auf die Lösung von Gesundheitsadministrationsineffizienzen mit speziell entwickelter KI anstelle von generischen Plattformen, die in komplexe Gesundheitsworkflows gezwängt werden. Unter seiner Führung ist Penguin Ai um eine praktische These herum aufgebaut: Gesundheitswesen benötigt KI-Systeme, die speziell für Zahlstellen- und Anbieteroperationen entwickelt wurden, mit der Fähigkeit, manuelle Arbeit zu reduzieren, Genauigkeit zu verbessern und Teams zu helfen, mehr Zeit auf höherwertige klinische und betriebliche Entscheidungen zu verwenden.

Penguin Ai ist ein gesundheitsorientiertes KI-Unternehmen, das sich auf die Automatisierung von administrativen und klinischen Operationen für Zahlstellen, Anbieter, Revenue-Cycle-Management-Unternehmen und Gesundheitstechnologie-Partner konzentriert. Seine Plattform kombiniert gesundheitsspezifische Sprachmodelle, digitale Arbeitskräfte, KI-Agenten, Governance-, Compliance-Funktionen und Workflow-Automatisierung für Anwendungsfälle wie Priorisierung, Anspruchsbearbeitung, medizinische Kodierung, Berufungsbearbeitung, Risikoadjustierung, Zahlungsintegrität, medizinische Chartzusammenfassung, klinische Dokumentationzusammenfassung und Versicherungsprüfung. Das Unternehmen hat 29,7 Millionen Dollar an Risikokapital gesichert, darunter eine Serie-A-Finanzierungsrunde von 25 Millionen Dollar unter der Führung von Greycroft, um die Einstellung, Produktentwicklung und Bereitstellung bei Zahlstellen und Anbietern zu erweitern, und hat auch Gwen gestartet, eine Plattform zum Erstellen eigener KI-Arbeitskräfte für administrative Workflows.

Nachdem Sie Daten- und Analyseorganisationen bei Kaiser Permanente, UnitedHealthcare und Optum geleitet haben, welche spezifischen Erfahrungen haben Sie dazu gebracht, dass Gesundheitswesen ein speziell entwickeltes KI-System benötigt, und wie haben diese Lektionen die Gründungsvision für Penguin Ai geprägt?

Ich kann Ihnen den genauen Moment nennen, als es klickte. Ich saß in einer Überprüfung bei einem der großen Zahlsteller und starrte auf eine Warteschlange von Priorisierungen, die jeweils dreimal abgelehnt worden waren, und keine davon hatte eine echte klinische Frage. Sie wurden abgelehnt, weil ein Feld nicht übereinstimmte oder die Dokumentation im falschen Format vorlag. Einige der besten Operateure im Land verbrachten ihren Tag damit, einer Maschine zu füttern, die nichts für den wartenden Patienten produzierte. Ich sah dasselbe Verschwendungspotenzial bei Kaiser, bei UnitedHealthcare, bei Optum, nur in verschiedenen Verkleidungen. Das ist der Moment, als ich aufhörte, der Industrie zu glauben, dass Reibung der Preis für Skalierbarkeit ist. Die Vision für Penguin Ai kam direkt aus dieser Frustration: ein System aufbauen, das Zahlsteller und Anbieter spricht, das Gesundheitskontext in das System einbaut, so dass eine KI-Arbeitskraft Ihre eigenen Kriterien anwendet und ihre Begründung zeigt, eine Person für die klinische Beurteilung verantwortlich hält und die Routinearbeit von allen anderen nimmt. Das ist das ganze Spiel.

Penguin Ai konzentriert sich auf die Bekämpfung dessen, was Sie als milliardenschwere administrative Belastung des Gesundheitswesens bezeichnen. Welche Workflows haben Sie zuerst priorisiert und warum sind Priorisierung, Anspruchsbearbeitung, medizinische Kodierung und Berufungsbearbeitung als die größten Chancen für eine KI-getriebene Transformation hervorgegangen?

Wir gingen dorthin, wo der Schmerz am lautesten schreit. Priorisierung, Anspruchsbearbeitung, medizinische Kodierung und Berufungsbearbeitung kamen an die Spitze, weil sie enorme Mengen an wiederkehrender Arbeit darstellen, bei denen die meisten Fälle einem Muster folgen und die Ausnahmen selten genug sind, dass ein Mensch nur die Ausnahmen sehen sollte. Priorisierung führte die Liste an, weil man dort buchstäblich zusehen kann, wie ein Patient leidet, während die Papierarbeit in einer Warteschlange steckt, und niemand das mit geradem Gesicht verteidigt. Wenn unsere KI-Arbeitskräfte den Routineumsatz tragen und die echten Ausnahmen an eine Person weiterleiten, sind die Ergebnisse nicht subtil. Überprüfungen laufen bis zu 97 Prozent schneller, Ablehnungen sinken um mehr als die Hälfte und etwa 92 Prozent der Fälle werden ohne manuelle Berührung gelöst. Ich wählte diese vier, weil sie es mir ermöglichen, die These schnell zu beweisen: die administrative Belastung abbauen und das Gesundheitswesen für den Patienten, den Kliniker und die Person, die die Arbeit leistet, verbessern. Jeder gewinnt in der gleichen Bewegung, und das ist genau der Grund, warum wir dort angefangen haben.

Als Gesundheitsvorstand haben Sie unzählige Unternehmens-Technologie-Anbieter bewertet. Welche sind die häufigsten Gründe, warum KI-Startups Schwierigkeiten haben, in großen Gesundheitssystemen und bei Zahlstellen Fuß zu fassen?

Ich saß lange genug auf der Käuferseite, um zu sehen, wie Startups ihre Chance auf die gleiche Weise vermasseln. Erstens behandeln sie Gesundheitswesen wie jeden anderen Unternehmenskunden und werden von der Integrationsverwirrung, den Legacy-Systemen und der regulatorischen Last überrascht, die niemand ihnen gesagt hat. Zweitens überbieten sie die Autonomie und können dann nicht die erste harte Frage beantworten, die immer eine Version von “zeigen Sie mir, wie sie dahin gekommen ist”, ist. Keine Prüfungsspur, keine Begründung, die ein Compliance-Team akzeptieren wird, und der Pilot stirbt direkt im Raum. Drittens beheben sie eine Seite der Zahlsteller-Anbieter-Beziehung und verstehen nie, dass die Reibung an der Nahtstelle zwischen ihnen lebt. Und ehrlich gesagt, ist jeder Käufer, den ich kenne, erschöpft. Sie haben eine Schublade voller KI-gesteuerter Tools, die einen Dashboard hinzugefügt und keine Arbeit von irgendjemandes Teller bewegt haben. Die Latte ist hoch und die Geduld ist dünn, und jeder, der keinen echten Weg von Pilot zu Produktion zeigen kann, wird zur Tür hinausgeführt.

Viele Gesundheitsorganisationen sind immer noch vorsichtig, wenn es darum geht, KI in mission-kritischen Operationen einzusetzen. Was sieht eine erfolgreiche KI-Adoption in einem großen Zahlsteller- oder Anbietersystem aus, und welche Fehler machen Führungskräfte, wenn sie versuchen, es zu skalieren?

Eine erfolgreiche Adoption beginnt klein und verdient sich nach oben. Wählen Sie einen Workflow, der wirklich wehtut, halten Sie Ihre Leute im Loop, damit sie die Arbeit sehen können und ihr vertrauen, und lassen Sie den Beweis die Erweiterung kaufen. Wenn ein Team sieht, dass eine KI-Arbeitskraft die Routinefälle richtig abwickelt und ihnen die Fälle überlässt, die tatsächlich Urteilsvermögen erfordern, hören sie auf, Widerstand zu leisten, und beginnen, mehr zu fordern. Die Fehler sind schmerzlich vorhersehbar. Führungskräfte versuchen, den Ozean abzukochen und überall auf einmal zu deployen. Sie kaufen Technologie und entwerfen den Workflow nie neu, so dass die Belastung einfach in eine andere Warteschlange umzieht. Oder sie ziehen die Menschen zu schnell heraus, verbrennen das Vertrauen und fragen sich dann, warum niemand das Ding berührt. Das Skalieren von KI in einem Gesundheitssystem ist ein Change-Management-Job, der einen Technologie-Anstrich trägt. Die Teams, die gewinnen, behandeln es so, und sie verpflichten sich zu einem harten Maßstab am ersten Tag, damit jeder weiß, was Erfolg eigentlich aussieht.

Penguin Ai betont gesundheitsorientierte KI-Modelle und Workflows anstelle von generischen Unternehmens-KI-Lösungen. Welche einzigartigen Herausforderungen im Gesundheitswesen erfordern einen speziellen Ansatz, und wo fallen allgemeine KI-Plattformen kurz?

Gesundheitswesen ist kein generischer Unternehmensanwendungsfall, und es vorgeben, es wäre, führt zu Verbrennungen. Es hat seine eigene Sprache, seine eigenen Regeln, seine eigenen Konsequenzen, und nichts davon ist optional. Ein allgemeines Modell wird Ihnen eine zuversichtliche, plausible Antwort liefern, die stillschweigend falsch ist, weil es Ihre medizinische Notwendigkeitskriterien nicht enthält und seine Arbeit auf eine Weise nicht zeigen kann, die ein Auditor oder Kliniker unterzeichnen wird. Fehlschlag. Wir bauten Penguin Ai in Schichten, genau aus diesem Grund: eine Datenebene, die die Informationen zusammenzieht, eine Kontextebene, die die gesundheitsspezifische Begründung und Governance enthält, und die KI-Arbeitskraft, die tatsächlich die Arbeit leistet, einschließlich unserer vorgefertigten KI-Arbeitskraft-Lösungen und Gwen, dem Ersteller, der es Ihrem Team ermöglicht, neue KI-Arbeitskräfte aufzustellen. Allgemeine Plattformen fallen kurz, weil sie Gesundheitsexpertise wie etwas behandeln, das man sich mit einem Prompt einholen kann. Man kann nicht. Man muss es in das System einbauen, und das ist der ganze Punkt, den wir gemacht haben.

Priorisierung bleibt einer der frustrierendsten Prozesse für Anbieter und Patienten. Wie sehen Sie die KI die Priorisierung in den nächsten fünf Jahren umgestalten, und welche Sicherheitsvorkehrungen sind notwendig, um sicherzustellen, dass die Automatisierung die Ergebnisse verbessert, ohne neue Barrieren zu schaffen?

In fünf Jahren werden die einfachen Genehmigungen in Minuten zurückgegeben, konsistent gegen Ihre eigenen Richtlinien angewendet, mit dem Kliniker im Loop für alles, was medizinisches Urteilsvermögen erfordert. Das ist die gute Version. Hier ist der Teil, den die Leute übergehen: Automatisierung kann genauso gut die Barrieren industrialisieren, wenn man sie faul baut. Ein schnellerer Weg, um die Versorgung abzulehnen, ist ein Fehlverhalten mit besserer Durchlaufzeit. Also sind die Sicherheitsvorkehrungen das ganze Spiel. Jede Empfehlung, die eine KI-Arbeitskraft macht, muss ihre Begründung und eine vollständige Prüfungsspur tragen, was wir eine Glassbox nennen, damit jeder sehen kann, wie sie dahin gekommen ist. Geschwindigkeit kann nie zu einer Ausrede für eine stille Mauer automatisierter Ablehnungen werden. Und eine qualifizierte Person bleibt für die klinische Beurteilung verantwortlich, immer. Wenn man das richtig macht, hört die Priorisierung auf, das zu sein, was Patienten und Ärzte am meisten fürchten. Wenn man es falsch macht, hat man eine schnellere Version des Problems gebaut. Ich bin nur an der ersten interessiert.

Die Branche spricht immer mehr über KI-Agenten und autonome Workflows. Was sind die größten technischen und betrieblichen Hürden für die Bereitstellung von KI, die komplexe Gesundheitsadministrationsaufgaben mit minimalem menschlichem Eingreifen zuverlässig bewältigen kann?

Der harte Teil ist nicht die Demo, es sind die Kanten. Ausnahmehandling, unordentliche und inkonsistente Daten und Legacy-Systeme, die nie gebaut wurden, um mit etwas zu sprechen. Das ist, wo die echte Ingenieurskunst lebt, und es ist tief unglamorös. Die betriebliche Hürde ist Vertrauen, das kein Gesundheitssystem Ihnen kostenlos gibt. Wenn Ihre Leute es nicht prüfen oder erklären können, werden sie es nicht skalieren, Punkt. Lassen Sie mich den Prämisse ein wenig zurückdrängen. “Minimales menschliches Eingreifen” ist das falsche Ziel, und es beunruhigt mich, wenn ich es höre. Der Punkt ist, Ihre Leute von der repetitiven Arbeit zu befreien und sie für die komplexen Fälle und die Urteilsvermögen-Entscheidungen zu verwenden, wo ihre Expertise tatsächlich etwas einbringt. Unsere KI-Arbeitskräfte tragen die Routinevolumina und wissen, wann sie eine Person hineinziehen. Das Nailen dieser Übergabe, zuverlässig und transparent, in echtem Gesundheitsskalierbarkeit, ist das harte Problem, das es wert ist, gelöst zu werden. Alles andere ist ein Wissenschaftsmesse-Projekt.

Gesundheitswesen ist eine der am stärksten regulierten Branchen der Welt. Wie balancieren Sie Innovationsgeschwindigkeit mit Compliance, Datenschutzanforderungen, Prüfbarkeit und der Notwendigkeit menschlicher Rechenschaftspflicht in KI-getriebenen Systemen?

Man verdient das Recht, schnell zu bewegen, indem man Dinge baut, die standhalten. In Gesundheitswesen ist Governance die Grundlage, und wir gossen sie zuerst. Wenn man Patientendaten handhabt, ist Unternehmensdatengovernance eine moralische Anforderung, und ich meine das wörtlich. Jede Empfehlung läuft zu einem Glassbox-Standard, Begründung plus eine vollständige Prüfungsspur, was es einem Compliance-Team ermöglicht, tatsächlich die Geschwindigkeit zu vertrauen. Menschliche Rechenschaftspflicht ist in die Konstruktion eingebaut, weil eine qualifizierte Person alles besitzt, was die klinische Beurteilung berührt, während die KI-Arbeitskraft die Montage und die Routinebelastung handhabt. Das ist, wie man schnell und vertrauenswürdig in demselben System wird, und in dieser Branche darf man nicht das eine oder das andere wählen. Die meisten Leute betrachten Compliance und Prüfbarkeit als Bremsen. Ich sehe sie als das, was es einem ermöglicht, den Fuß auf den Boden zu setzen, weil ohne sie man nie die Produktion erreicht.

Sie wechselten von der Leitung großer Unternehmensdaten- und Analyseorganisationen zur Gründung eines Startups von Grund auf. Welche Aspekte der Operator-zu-Gründer-Reise waren am lohnendsten, und welche Herausforderungen waren am überraschendsten?

Der lohnendste Teil ist, dass man endlich das Recht hat, es richtig zu bauen. Innerhalb einer großen Organisation bewegt sich die Veränderung mit der Geschwindigkeit der Institution. Jede Korrektur muss durch Legacy-Systeme, konkurrierende Prioritäten und Schichten der Genehmigung laufen, so dass eine Korrektur, die man weiß, dass sie richtig ist, achtzehn Monate dauern kann, um zu landen, wenn sie überhaupt landet. Diese Geschwindigkeit wird Sie erschöpfen, wenn man genau sehen kann, was passieren muss. Im Gründerbereich verschwindet diese Decke. Wir können von Grund auf bauen, die Plattform um das Problem herum entwerfen, anstatt um dreißig Jahre angesammelter Workarounds, und die richtige Antwort liefern, während sie noch zählt. Wenn ich höre, dass eine Krankenschwester ihre Abende zurückbekommt oder ein Patient eine Antwort in Stunden erhält, wo es früher Tage gedauert hat, landet das auf eine Weise, die keine Roadmap-Überprüfung je getan hat.

Wenn KI erfolgreich viel von der administrativen Belastung aus dem Gesundheitswesen entfernt, wie denken Sie, dass Zahlsteller, Anbieter und Patienten das Gesundheitssystem in den nächsten zehn Jahren anders erleben werden?

In zehn Jahren, wenn wir es richtig machen, fühlt sich das System endlich wieder wie Pflege an. Patienten erhalten echte Antworten, wenn sie Angst und verletzlich sind, und sie hören auf, einen Minor in Versicherungsbürokratie zu verdienen, nur um zu bekommen, was ihr Arzt bereits bestellt hat. Kliniker verbringen ihre Stunden mit der Kunst der Medizin und den Menschen vor ihnen, anstatt durch die achtzigste Routine zu arbeiten. Das Personal im Betrieb und in der Verwaltung, einige der unterbewertetsten Menschen in der gesamten Branche, tun endlich Arbeit, die ihre echte Expertise nutzt. Und Zahlsteller und Anbieter koordinieren anstelle von Papierkrieg, der über eine Nahtstelle hin und her geschossen wird, die niemand besitzt. Das ist das Gesundheitswesen, auf das ich hinarbeite. Die Scorecard, die ich mir kümmere, ist langweilig und spezifisch: Zeit, die der Patientenversorgung zurückgegeben wird, und Verzögerung, die aus der Patientenerfahrung entfernt wird. Alles, was wir tun, dient diesen zwei Zahlen.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Penguin Ai besuchen.