Die praktische Realität von Agentic AI im Healthcare Revenue Cycle Management

Der Revenue Cycle sammelt weiterhin Versprechen. RPA sollte alles ändern. So auch NLP. Dann veränderte die generative KI das Gespräch vollständig. Jetzt ist es Agentic AI, und der Unterschied liegt darin, dass ein Teil davon tatsächlich funktioniert.

Nicht alles. Nicht einmal die meisten davon. Aber genug davon funktioniert in Produktionsumgebungen, um diesen Moment wirklich von dem zu unterscheiden, was zuvor kam.

Was es eigentlich bedeutet zu handeln

Es gibt eine Version von “Agentic AI”, die in Produktpräsentationen verwendet wird, um jede KI zu beschreiben, die mehr als eine Sache tut. Diese Version ist nicht erwähnenswert.

Ein echter KI-Agent wartet nicht darauf, dass jemand seine Ausgabe interpretiert und entscheidet, was als Nächstes zu tun ist. Er liest eine klinische Notiz, identifiziert eine fehlende Autorisierung, navigiert durch das Payer-Portal, sendet die Anfrage. Wenn die Anfrage abgelehnt wird, holt er die relevanten Dokumente, baut die Berufung auf, leitet sie entsprechend weiter. Kein Ticket wird geöffnet. Keine Warteschlange. Kein Mitarbeiter klickt durch sechs Bildschirme, um dorthin zu gelangen.

Im RCM ist das aus einem bestimmten Grund wichtig. Die Arbeit ist tiefgreifend nicht-linear. Eine Anfrage für eine vorherige Autorisierung kann vier verschiedene Systeme berühren, bevor sie gelöst wird. Payer-Anforderungen ändern sich. Die Qualität der Dokumentation variiert je nach Anbieter, Fachgebiet und Woche. Ein System, das nur einem festen Skript folgt, hält in dieser Umgebung nicht lange stand.

Wo Ergebnisse tatsächlich sichtbar werden

Die vorherige Autorisierung kommt in fast jedem ehrlichen Gespräch über dieses Thema zuerst, und der Grund dafür ist strukturell. Es ist eine der dokumentenintensivsten, regelintensivsten Aufgaben im Zyklus. Die American Medical Association’s 2024 Prior Authorization Physician Survey fand heraus, dass 27% der Ärzte berichten, dass ihre Anfragen für vorherige Autorisierungen oft oder immer abgelehnt werden, und dass Ärzte im Durchschnitt 39 vorherige Autorisierungen pro Woche ausfüllen, von denen jede direkt Zeit von der Patientenversorgung abzieht. Das ist kein klinisches Versagen. Das ist ein Dokumentations- und Workflowsversagen, was genau das Problem ist, für das agentische Systeme entwickelt wurden.

Agenten überprüfen die Berechtigung, ordnen klinische Dokumentation gegen Payer-Kriterien, verfolgen den Status der Einreichung, zeigen fehlende Informationen an, bevor ein menschlicher Prüfer eingreifen muss. Die Aufgabenstruktur eignet sich dafür. Wiederholte Informationsbeschaffung, vorhersehbare Abgleichregeln, klare Endzustände.

Proaktive Claim-Überprüfung zeigt ähnliche Traktion. Anstatt nach einer Ablehnung nachzulaufen, führen Agenten präventive Audits durch, die Kodierfehler, Dokumentationslücken und Autorisierungsfehler vor einer Einreichung bei einem Payer erkennen. Laut HFMA’s September 2025-Umfrage unter 272 Gesundheitsvorständen berichten Organisationen, die AI und Automation im Revenue Cycle eingesetzt haben, über messbare Reduzierungen der Fehlerraten bei Ansprüchen und schnellere Erstattungszeiten als ihre beiden wichtigsten Ergebnisse. Diese Art von Korrektur im Vorfeld ist der Ort, an dem eine Menge der tatsächlichen finanziellen Erholung stattfindet.

Das ehrliche Bild

Eine HFMA-FinThrive-Umfrage aus Mai 2025 fand heraus, dass 63% der Gesundheitsorganisationen bereits AI und Automation irgendwo in ihrem Revenue Cycle einsetzen. Das klingt nach echtem Schwung. Und es ist, mit einem Sternchen.

“Eine Form von KI” kann viel Boden abdecken. Für viele Organisationen bedeutet es einen abgegrenzten Agenten, der eine bestimmte Aufgabe ausführt, typischerweise vorherige Autorisierung oder Berufung. Das ist ein legitimer Ausgangspunkt. Aber die Lücke zwischen diesem und einem Multi-Agenten-Workflow, der Berechtigung, Kodierung, Ansprüche und Abrechnung von Anfang bis Ende abdeckt, ist nicht klein. Wie in Rethinking Revenue Cycle Modernization in the Age of AI erforscht, verlaufen die strukturellen Barrieren für eine vollständige Zyklusumwandlung tiefer als die meisten Technologie-Roadmaps anerkennen.

Die meisten Anbietergespräche überspringen diese Lücke ziemlich schnell. Der vollständig berührungslose Revenue Cycle ist eine vernünftige Richtung, auf die man hinarbeiten kann. Es ist nur nicht der Ort, an dem die meisten Organisationen gerade sind, und es als in naher Zukunft erreichbar zu behandeln, neigt dazu, Probleme während der Bereitstellung zu schaffen.

Warum Pilotprojekte scheitern

Agentic AI versagt selten während des Testens. Pilotprojekte sehen fast immer vielversprechend aus. Der Anwendungsfall ist eng, die Daten sind vernünftig sauber, und jemand achtet genau darauf, was der Agent tut.

Die Produktion ist anders. Payer-Regeln ändern sich ohne Vorwarnung. Die Qualität der EHR-Dokumentation ändert sich je nach Abteilung, Anbieter und Fachgebiet. Edge-Fälle multiplizieren sich schneller als erwartet. Wenn niemand einen klaren Eskalationspfad für den Fall entworfen hat, dass ein Agent auf etwas außerhalb seines Umfangs stößt, stagniert der Workflow oder bewegt sich mit Fehlern weiter, die Wochen dauern, um zu erkennen.

Das Skalieren von Piloten zur Produktion ist ein grundlegend anderes Problem als das Funktionieren des Piloten. Organisationen, die sie als das gleiche Problem behandeln, entdecken das normalerweise während der Bereitstellung, nicht davor. Das ist einer der Gründe, warum die breitere AI-Adoptionslandschaft mit Produktionsfehlern zu kämpfen hat, die weit über das Gesundheitswesen hinausgehen.

Das Infrastrukturproblem

Agentic AI funktioniert gut, wenn es saubere, konsistente, verbundene Daten hat, mit denen es arbeiten kann. Diese Einschränkung ist bedeutender, als sie klingt.

Die meisten mittelgroßen Gesundheitssysteme führen fragmentierte EHR-Umgebungen mit inkonsistenten Felddefinitionen über Plattformen hinweg, Payer-Portale mit unterschiedlichen Zugangsregeln und Dokumentationsqualitäten, die je nach Fachgebiet und einzelnen Anbietern variieren. Das sind keine Randfälle. Das ist die Standard-Betriebsumgebung. Die Herausforderung ist eng mit einem breiteren Muster von angesammeltem technischem und strukturellem Schulden verbunden, das bestimmt, wie Gesundheitssysteme auf neue AI-Anforderungen reagieren.

Unsaubere Daten verursachen nicht immer offensichtliche Fehler. Öfter beginnen Agenten, Ausnahmen zu eskalieren, die sie nicht flaggen sollten, und die Ausgaben sehen auf der Oberfläche korrekt aus, während sie stillschweigend Fehler verbergen, die Wochen dauern, um zu erkennen. Die Technologie tut in den meisten Fällen genau das, wofür sie entwickelt wurde. Was nicht funktioniert, ist die Infrastruktur, auf der sie sitzt.

Das korrekte Ausrichten dieser Ebene vor dem Skalieren von Agenten ist der unglamouröse Teil dieser Arbeit und auch der Teil, der in Anbieter-Roadmaps nicht genug Aufmerksamkeit erhält.

Was sich ändert, wenn es tatsächlich funktioniert

Die AMA’s 2024 Prior Authorization Physician Survey erzählt einen Teil dieser Geschichte klar: 93% der Ärzte sagen, dass vorherige Autorisierungen die Patientenergebnisse negativ beeinflussen, und 94% sagen, dass sie den Zugang zu notwendiger Versorgung verzögern. Wenn Agenten diese Dokumentations- und Einreichungslast absorbieren, erhalten klinische Mitarbeiter messbare Zeit zurück. Das Argument für Agentic AI im RCM ist nicht nur eine Frage des Kosten pro Anspruch. Es geht auch darum, wohin die Zeit des Personals tatsächlich geht und ob das nachhaltig ist.

Die Organisationen, die am weitesten mit diesem Fortschreiten sind, sind nicht unbedingt diejenigen mit den größten Technologiebudgets. Sie neigen dazu, diejenigen zu sein, die eng begannen, menschliche Überwachung in den Workflow von Tag eins einbezogen und die ersten Monate in der Produktion damit verbrachten, von dem zu lernen, was der Agent falsch machte, anstatt nur das zu feiern, was er richtig machte. Langsamer als der Pitch suggeriert. Auch beständiger.

Wohin das führt

HFMA’s März 2026-Bericht über Gesundheitsgewinn und AI-Investitionen stellte fest, dass Revenue Cycle-Führer von exploratorischen Pilotprojekten zu aktiver Investition in AI als primärem Hebel für Gewinnschutz auf dem Weg in den Rest von 2026 übergehen. Das ist nicht spekulativ. Das sind Budgetentscheidungen, die bereits getroffen werden.

Was weniger geklärt ist, ist, wie die Produktion im großen Maßstab tatsächlich aussieht, wenn EHR-Fragmentierung real ist, Payer-Regeln sich ständig ändern und die Arbeitsmodell nicht vollständig mit dem Schritt halten, was autonome Agenten über die Arbeit ändern. Die nächsten 18 Monate werden mehr von diesen Fragen beantworten als die vorherigen drei Jahre kombiniert. Es lohnt sich, genau hinzuschauen.