Vordenker
Die Praxis agentischer KI im Revenue Cycle Management des Gesundheitswesens

Wichtige PunkteAgentische KI erzielt bereits echte Ergebnisse bei der Vorabgenehmigung, indem sie…
Mehr anzeigen
- Agentische KI erzielt bereits echte Ergebnisse bei der Vorabgenehmigung, indem sie komplexe Multi-System-Workflows automatisiert.
- Die Skalierung in der Produktion scheitert oft an einer fragmentierten Dateninfrastruktur, nicht an der KI-Technologie selbst.
- Erfolgreiche Implementierungen beginnen eng umrissen mit menschlicher Aufsicht und lernen zunächst aus den Fehlern der Agenten.
Rund um den Abrechnungs- und Zahlungsprozess im Gesundheitswesen häufen sich die Versprechen. RPA sollte alles verändern. NLP ebenso. Dann veränderte generative KI die gesamte Debatte. Nun geht es um agentische KI — mit dem Unterschied, dass diesmal einiges tatsächlich in der Praxis ankommt.
Nicht alles. Nicht einmal das meiste. Doch genug funktioniert in Produktivumgebungen, um diese Phase von früheren zu unterscheiden.
Was es tatsächlich bedeutet, zu handeln
In Produktpräsentationen wird «agentische KI» manchmal für jede KI verwendet, die mehr als eine Sache erledigt. Über diese Definition lohnt es sich nicht zu sprechen.
Ein echter KI-Agent wartet nicht darauf, dass jemand seine Ausgabe deutet und den nächsten Schritt festlegt. Er liest einen klinischen Eintrag, erkennt eine fehlende Genehmigung, navigiert durch das Portal des Kostenträgers und stellt den Antrag. Wird dieser abgelehnt, beschafft er die relevanten Unterlagen, erstellt den Widerspruch und leitet ihn an die richtige Stelle weiter. Kein Ticket wird eröffnet. Keine Warteschlange entsteht. Kein Mitarbeiter muss sich durch sechs Bildschirmansichten klicken.
Im Revenue Cycle Management (RCM) ist das aus einem bestimmten Grund wichtig: Die Arbeit verläuft keineswegs linear. Ein Antrag auf Vorabgenehmigung kann bis zu seiner Klärung vier Systeme durchlaufen. Die Anforderungen der Kostenträger ändern sich. Die Qualität der Dokumentation variiert nach Leistungserbringer, Fachgebiet und Woche. Ein System, das nur einem festen Skript folgt, hält in dieser Umgebung nicht lange stand.
Wo tatsächlich Ergebnisse sichtbar werden
Vorabgenehmigungen stehen in fast jedem offenen Gespräch darüber an erster Stelle, aus einem strukturellen Grund. Sie zählen zu den dokumenten- und regelintensivsten Aufgaben im gesamten Prozess. Die Ärztebefragung der American Medical Association von 2024 zu Vorabgenehmigungen
ergab, dass 27 % der Ärzte angeben, ihre Anträge würden häufig oder immer abgelehnt. Ärzte bearbeiten im Durchschnitt 39 Vorabgenehmigungen pro Woche, und jede entzieht der Patientenversorgung unmittelbar Zeit. Das ist kein klinisches Versagen, sondern ein Problem der Dokumentation und des Arbeitsablaufs — genau die Art von Problem, für die agentische Systeme entwickelt werden.
Agenten prüfen den Leistungsanspruch, gleichen klinische Unterlagen mit den Kriterien des Kostenträgers ab, verfolgen den Einreichungsstatus und zeigen fehlende Angaben auf, bevor ein menschlicher Prüfer eingreifen muss. Die Aufgabenstruktur passt: wiederholte Informationsbeschaffung, vorhersehbare Abgleichregeln und klare Endzustände.
Auch die vorbeugende Prüfung von Erstattungsanträgen zeigt ähnliche Fortschritte. Statt Ablehnungen im Nachhinein zu bearbeiten, erkennen Agenten bei Prüfungen vor der Einreichung Kodierfehler, Dokumentationslücken und Abweichungen bei Genehmigungen, bevor etwas den Kostenträger erreicht. Laut der HFMA-Umfrage vom September 2025 unter 272 Führungskräften im Gesundheitswesen
nennen Organisationen, die KI und Automatisierung im Revenue Cycle eingeführt haben, messbar weniger Fehler in Erstattungsanträgen und schnellere Erstattungen als ihre beiden wichtigsten Ergebnisse. Ein großer Teil der tatsächlichen finanziellen Verbesserung entsteht durch solche Korrekturen früh im Prozess.
Ein ehrliches Bild
Eine Umfrage von HFMA und FinThrive vom Mai 2025
ergab, dass 63 % der Gesundheitsorganisationen bereits irgendwo im Revenue Cycle KI und Automatisierung einsetzen. Das klingt nach echtem Fortschritt. Das ist es auch, aber mit einem Vorbehalt.
«Eine Form von KI» kann vieles bedeuten. Für viele Organisationen ist es ein Agent mit begrenztem Aufgabenbereich, der an einer Stelle des Prozesses eine konkrete Aufgabe erledigt, meist Vorabgenehmigungen oder Widersprüche gegen Ablehnungen. Das ist ein legitimer Anfang. Der Abstand zu einem Ablauf mit mehreren Agenten, der Leistungsprüfung, Kodierung, Erstattungsanträge und Kontenabgleich durchgehend abdeckt, ist jedoch groß. Wie in «Die Modernisierung des Revenue Cycle im KI-Zeitalter neu denken»
erörtert, reichen die strukturellen Hindernisse für die Umstellung des gesamten Prozesses tiefer, als die meisten Technologiepläne anerkennen.
In den meisten Gesprächen mit Anbietern wird diese Lücke schnell übersprungen. Ein Revenue Cycle völlig ohne manuelle Bearbeitung ist eine vernünftige Planungsrichtung. Die meisten Organisationen sind aber noch nicht dort. Ihn als kurzfristig erreichbar anzusehen, schafft häufig Probleme bei der Einführung.
Warum Pilotprojekte ins Stocken geraten
Agentische KI scheitert in Tests selten. Pilotprojekte wirken fast immer vielversprechend. Der Anwendungsfall ist eng gefasst, die Daten sind einigermaßen sauber, und jemand beobachtet genau, was der Agent tut.
Der Produktivbetrieb ist anders. Regeln der Kostenträger ändern sich ohne Vorwarnung. Die Dokumentationsqualität in elektronischen Patientenakten (EHR) variiert nach Abteilung, Leistungserbringer und Fachgebiet. Sonderfälle vermehren sich schneller als erwartet. Hat niemand einen klaren Übergabeweg vorgesehen, wenn ein Agent auf etwas außerhalb seines Aufgabenbereichs stößt, stockt der Ablauf oder läuft mit Fehlern weiter, die erst Wochen später sichtbar werden.
Die Skalierung vom Pilotprojekt zum Produktivbetrieb ist ein grundlegend anderes Problem als das erfolgreiche Betreiben des Pilotprojekts. Organisationen, die beides gleich behandeln, erkennen den Unterschied meist während der Einführung, nicht vorher. Das ist ein Grund dafür, warum KI-Einführung auch weit außerhalb des Gesundheitswesens mit Problemen im Produktivbetrieb zu kämpfen hat.
Das Infrastrukturproblem
Agentische KI funktioniert gut, wenn sie saubere, konsistente und miteinander verbundene Daten nutzen kann. Diese Bedingung ist wichtiger, als sie klingt.
Die meisten mittelgroßen und großen Gesundheitssysteme betreiben fragmentierte EHR-Umgebungen mit uneinheitlichen Felddefinitionen zwischen Plattformen, Kostenträgerportalen mit unterschiedlichen Zugangsregeln und einer Dokumentationsqualität, die nach Fachgebiet und einzelnem Leistungserbringer variiert. Das sind keine Sonderfälle, sondern die übliche Betriebsumgebung. Die Herausforderung hängt eng mit einem breiteren Muster angesammelter technischer und struktureller Schulden zusammen, das prägt, wie Gesundheitssysteme auf neue KI-Anforderungen reagieren.
Ungeordnete Daten verursachen nicht immer offensichtliche Fehler. Häufiger leiten Agenten Ausnahmen weiter, die sie eigentlich nicht melden müssten, und Ausgaben wirken korrekt, enthalten aber unbemerkt Fehler, die erst Wochen später auffallen. In den meisten solchen Fällen tut die Technologie genau das, wofür sie entwickelt wurde. Was nicht standhält, ist die Infrastruktur, auf der sie beruht.
Diese Ebene vor der Skalierung der Agenten in Ordnung zu bringen, ist der wenig glamouröse Teil der Arbeit — und der Teil, der in Anbieterplänen zu wenig Beachtung erhält.
Was sich ändert, wenn es tatsächlich funktioniert
Die AMA-Ärztebefragung von 2024 zu Vorabgenehmigungen
zeigt einen Teil des Bildes klar: 93 % der Ärzte sagen, Vorabgenehmigungen beeinträchtigten die Behandlungsergebnisse, und 94 %, sie verzögerten den Zugang zu notwendiger Versorgung. Übernehmen Agenten die Dokumentations- und Einreichungslast, gewinnt klinisches Personal messbar Zeit zurück. Für agentische KI im RCM sprechen nicht nur die Kosten pro Erstattungsantrag. Es geht auch darum, wofür die Zeit der Mitarbeiter tatsächlich eingesetzt wird und ob das nachhaltig ist.
Die am weitesten fortgeschrittenen Organisationen haben nicht zwangsläufig die größten Technologiebudgets. Oft begannen sie mit engem Umfang, bauten menschliche Aufsicht vom ersten Tag an ein und lernten in den ersten Produktionsmonaten aus den Fehlern des Agenten, statt nur seine Erfolge zu feiern. Langsamer, als die Verkaufspräsentation nahelegt, aber auch beständiger.
Wohin die Entwicklung führt
Der HFMA-Bericht vom März 2026 zu Margen im Gesundheitswesen und KI-Investitionen
stellte fest, dass Verantwortliche des Revenue Cycle von erkundenden Pilotprojekten zu aktiven KI-Investitionen übergehen, um KI im restlichen Jahr 2026 als zentrales Mittel zum Schutz der Margen einzusetzen. Das ist keine Spekulation. Es sind Budgetentscheidungen, die bereits getroffen werden.
Weniger klar ist, wie Produktivbetrieb im großen Maßstab tatsächlich aussieht, wenn EHR-Fragmentierung Realität ist, sich Kostenträgerregeln ständig ändern und Personalmodelle noch nicht vollständig an die Veränderungen angepasst sind, die autonome Agenten bei der Arbeit bewirken. Die nächsten 18 Monate werden mehr dieser Fragen beantworten als die drei vorangegangenen Jahre zusammen. Es lohnt sich, genau hinzusehen.












