Fawad Butt, CEO y cofundador de Penguin Ai – Serie de entrevistas

Fawad Butt, CEO y cofundador de Penguin Ai, es un experimentado ejecutivo de datos y AI en el sector sanitario que fundó la empresa después de ocupar puestos de liderazgo en Kaiser Permanente, UnitedHealthcare y Optum, donde supervisó iniciativas de gobernanza de datos, análisis, AI y plataformas empresariales a gran escala. Su experiencia al frente de la estrategia de datos dentro de algunas de las organizaciones de pagadores y proveedores más grandes dio forma al enfoque de Penguin Ai en la resolución de las ineficiencias administrativas del sector sanitario con AI diseñada a propósito, en lugar de forzar plataformas genéricas en flujos de trabajo sanitarios complejos. Bajo su liderazgo, Penguin Ai se centra en una tesis práctica: el sector sanitario necesita sistemas de AI diseñados específicamente para operaciones de pagadores y proveedores, con la capacidad de reducir el trabajo manual, mejorar la precisión y ayudar a los equipos a dedicar más tiempo a decisiones clínicas y operativas de mayor valor.

Penguin Ai es una empresa de AI nativa en el sector sanitario que se centra en la automatización de operaciones administrativas y clínicas para pagadores, proveedores, empresas de gestión de ciclos de ingresos y socios de tecnología sanitaria. Su plataforma combina modelos de lenguaje específicos del sector sanitario, trabajadores digitales, agentes de AI, capacidades de gobernanza y cumplimiento, y automatización de flujos de trabajo para casos de uso como la autorización previa, el procesamiento de reclamaciones, la codificación médica, la gestión de apelaciones, la ajuste de riesgos, la integridad de pagos, la resumen de gráficos médicos, la resumen de documentación clínica y la verificación de elegibilidad. La empresa obtuvo 29,7 millones de dólares en financiación de riesgo, incluyendo una ronda de serie A de 25 millones de dólares liderada por Greycroft, para expandir la contratación, el desarrollo de productos y los despliegues con pagadores y proveedores, y también ha lanzado Gwen, una plataforma de AI que permite a los equipos de atención sanitaria crear trabajadores digitales gobernados para flujos de trabajo administrativos.

Después de liderar organizaciones de datos y análisis en Kaiser Permanente, UnitedHealthcare y Optum, ¿qué experiencias específicas lo convencieron de que el sector sanitario necesitaba una plataforma de AI diseñada a propósito, y cómo esas lecciones dieron forma a la visión fundacional de Penguin Ai?

Le daré el momento exacto en que se produjo el clic. Estaba sentado en una revisión en uno de los grandes pagadores, mirando una cola de autorizaciones previas que cada una había saltado tres veces, y ninguna de ellas tenía una pregunta clínica real asociada. Saltaron porque un campo no coincidía o la documentación apareció en el formato incorrecto. Algunos de los mejores operadores del país estaban pasando su día alimentando a una máquina que no producía nada para el paciente que esperaba al otro lado. Vi ese mismo desperdicio en Kaiser, en UnitedHealthcare, en Optum, solo con diferentes disfraces. Fue entonces cuando dejé de creer en la línea de la industria de que la fricción es el precio de la escala. La visión de Penguin Ai surgió directamente de esa frustración: construir una plataforma que hable el lenguaje de pagadores y proveedores, poner el contexto sanitario dentro del sistema para que un trabajador de AI aplique sus propios criterios y muestre su razonamiento, mantener a una persona responsable del juicio clínico y quitar el trabajo pesado de todos los demás. Ese es el juego completo.

Penguin Ai se centra en abordar lo que describe como la carga administrativa de un billón de dólares del sector sanitario. ¿Qué flujos de trabajo priorizó primero, y por qué la autorización previa, la adjudicación de reclamaciones, la codificación médica y las apelaciones surgieron como las mayores oportunidades para la transformación impulsada por la IA?

Fuimos allí donde el dolor grita más fuerte. La autorización previa, la adjudicación de reclamaciones, la codificación médica y las apelaciones surgieron en la parte superior por una razón: son enormes pilas de trabajo repetitivo donde la mayoría de los casos siguen un patrón, y las excepciones son raras enough para que un ser humano solo debería ver las excepciones. La autorización previa encabezó la lista porque es donde literalmente puedes ver a un paciente sufrir mientras la documentación se queda en una cola, y nadie defiende eso con una cara recta. Cuando nuestros trabajadores de AI llevan la carga repetitiva y enrutan los casos genuinos a una persona, los resultados no son sutiles. Las revisiones se ejecutan hasta un 97 por ciento más rápido, las denegaciones disminuyen más de la mitad y aproximadamente el 92 por ciento de los casos se resuelven sin un toque manual. Elegí estos cuatro porque me permiten demostrar la tesis rápidamente: quitar la carga administrativa y hacer que la atención sanitaria sea mejor para el paciente, el clínico y la persona que hace el trabajo. Todos ganan en el mismo movimiento, y es exactamente por eso que empezamos allí.

Como ejecutivo de atención sanitaria que ha evaluado a innumerables proveedores de tecnología empresarial, ¿cuáles son las razones más comunes por las que las startups de IA no logran ganar tracción dentro de los grandes sistemas de salud y pagadores?

Me senté en el lado de la compra el tiempo suficiente para ver a las startups quemar su oportunidad de la misma manera tres veces. Uno, tratan al sector sanitario como cualquier otra cuenta empresarial y se quedan ciegos por el desastre de la integración, los sistemas heredados y el peso regulatorio que nadie les advirtió. Dos, venden autonomía y luego no pueden responder a la primera pregunta difícil, que siempre es alguna versión de “muéstrame cómo llegó allí”. Sin una pista de auditoría, sin un razonamiento que un equipo de cumplimiento acepte, y el piloto muere justo allí en la habitación. Tres, arreglan un lado de la relación pagador-proveedor y nunca agarran que la fricción vive en la costura entre ellos. Y honestamente, todos los compradores que conozco están exhaustos. Tienen un cajón lleno de herramientas impulsadas por IA que agregaron un panel y no movieron ningún trabajo de la placa de nadie. La barra es alta y la paciencia es delgada, y cualquier persona que no pueda mostrar un camino real desde el piloto hasta la producción se le muestra la puerta.

Muchas organizaciones de atención sanitaria siguen siendo cautas a la hora de desplegar IA en operaciones críticas de la misión. ¿Cómo se ve realmente el éxito de la adopción de IA dentro de una gran organización de pagadores o proveedores, y qué errores cometen los líderes al intentar escalarlo?

La adopción real comienza pequeña y gana su camino hacia arriba. Elija un flujo de trabajo que realmente duele, mantenga a sus personas en el bucle para que puedan ver el trabajo hecho y confiar en él, y deje que la prueba compre la expansión. Cuando un equipo ve a un trabajador de AI limpiar los casos rutinarios correctamente y entregarles los que realmente necesitan juicio, dejan de resistirse y comienzan a pedir más. Los errores son dolorosamente predecibles. Los líderes intentan hervir el océano y desplegar en todas partes al mismo tiempo. Compran tecnología y nunca rediseñan el flujo de trabajo alrededor de ella, así que la carga simplemente se reubica a una cola diferente. O sacan a los humanos demasiado rápido, queman la confianza y luego se preguntan por qué nadie toca la cosa. Escalar la IA en un sistema de salud es un trabajo de gestión del cambio con un disfraz de tecnología. Los equipos que ganan lo tratan de esa manera, y se comprometen con una métrica dura desde el primer día para que todos sepan a qué se parece el éxito real.

Penguin Ai enfatiza los modelos y flujos de trabajo de IA nativos en el sector sanitario en lugar de soluciones de IA empresariales genéricas. ¿Qué desafíos únicos en el sector sanitario requieren un enfoque especializado, y dónde fallan las plataformas de IA de propósito general?

El sector sanitario no es un caso de uso empresarial genérico, y pretender lo contrario te quema. Tiene su propio lenguaje, sus propias reglas, sus propias consecuencias, y nada de eso es opcional. Un modelo general te dará una respuesta plausible y confiada que está calladamente mal, porque no lleva tus criterios de necesidad médica y no puede mostrar su trabajo de una manera que un auditor o un clínico firmará. No arranca. Construimos Penguin Ai en capas por esta razón exacta: una capa de datos que extrae la información, una Capa de Contexto que mantiene el razonamiento y la gobernanza específicos del sector sanitario, y la Fuerza Laboral de IA que realmente hace el trabajo, incluyendo nuestras soluciones de trabajadores de IA preconstruidas y Gwen, el constructor que permite a su propio equipo establecer nuevos trabajadores de IA. Las plataformas de propósito general fallan porque tratan la experiencia en el sector sanitario como algo que puedes promptear. No puedes. Tienes que construirlo en el sistema, y ese es el punto de lo que hicimos.

La autorización previa sigue siendo uno de los procesos más frustrantes para los proveedores y los pacientes por igual. ¿Cómo ve la IA cambiando la autorización previa en los próximos cinco años, y qué salvaguardias son necesarias para asegurarse de que la automatización mejore los resultados sin crear nuevas barreras?

En cinco años, las aprobaciones directas regresan en minutos, aplicadas consistentemente contra sus propias pautas, con el clínico en el bucle en cualquier cosa que requiera juicio médico. Esa es la buena versión. Aquí está la parte que la gente salta: la automatización puede industrializar las barreras igualmente si la construyes perezosamente. Una forma más rápida de negar la atención es una mala práctica con un mejor rendimiento. Así que las salvaguardias son el juego completo. Cada recomendación que hace un trabajador de IA debe llevar su razonamiento y una pista de auditoría completa, lo que llamamos una caja de cristal, para que cualquier persona pueda ver exactamente cómo llegó allí. La velocidad nunca debe convertirse en una cubierta para un muro silencioso de denegaciones automatizadas. Y un ser humano calificado sigue siendo responsable del juicio clínico, siempre. Obtenga eso bien y la autorización previa deja de ser lo que los pacientes y los médicos temen. Obtenga mal y ha construido una versión más rápida del problema. Solo estoy interesado en el primero.

La industria está hablando cada vez más sobre agentes de IA y flujos de trabajo autónomos. ¿Cuáles son los mayores obstáculos técnicos y operativos para desplegar la IA que pueda manejar tareas administrativas complejas del sector sanitario con una intervención humana mínima?

La parte difícil no es la demostración, es los bordes. El manejo de excepciones, los datos inconsistentes y desordenados, y los sistemas heredados que nunca se construyeron para hablar con nada. Ese es el lugar donde vive la ingeniería real, y es profundamente poco glamoroso. El obstáculo operativo es la confianza, que ningún sistema de salud te da de forma gratuita. Si su gente no puede auditarlo o explicarlo, no lo escalarán, punto final. Ahora déjeme retroceder un poco en la premisa. “Intervención humana mínima” es el objetivo equivocado, y me preocupa cuando lo escucho. El punto es liberar a su gente para los casos complejos y las decisiones de juicio, donde su experiencia realmente gana su sueldo. Nuestros trabajadores de IA llevan la carga repetitiva y saben cuándo llevar a una persona. Clavar ese pase, de manera fiable y transparente, a escala real del sector sanitario, es el problema difícil que vale la pena resolver. Todo lo demás es un proyecto de feria de ciencias.

El sector sanitario es una de las industrias más reguladas del mundo. ¿Cómo equilibra la velocidad de innovación con el cumplimiento, los requisitos de privacidad, la auditoría y la necesidad de responsabilidad humana en los sistemas impulsados por la IA?

Usted gana el derecho a moverse rápido construyendo cosas que se mantienen. En el sector sanitario, la gobernanza es la base, y la vertimos primero. Cuando se manejan datos de pacientes, la gobernanza de datos empresariales es un requisito moral, y lo digo literalmente. Así que cada recomendación se ejecuta en un estándar de caja de cristal, razonamiento más una pista de auditoría completa, lo que permite a un equipo de cumplimiento confiar realmente en la velocidad. La responsabilidad humana está integrada en el diseño, porque una persona calificada posee cualquier cosa que toque el juicio clínico, mientras que el trabajador de IA maneja la carga y la carga rutinaria. Esa es la forma de obtener rápido y confiable en el mismo sistema, y en esta industria no puedes elegir uno y saltar el otro. La mayoría de la gente enmarca el cumplimiento y la auditoría como los frenos. Los veo como la cosa que te permite poner el pie en el suelo en primer lugar, porque sin ellos nunca llegas a la producción en primer lugar.

Usted hizo la transición de supervisar grandes organizaciones de datos y análisis empresariales a construir una startup desde cero. ¿Qué aspectos del viaje de operador a fundador han sido los más gratificantes, y qué desafíos han sido los más sorprendentes?

La parte más gratificante es que finalmente puede construirlo bien desde el principio. Dentro de una gran organización, el cambio se mueve a la velocidad de la institución. Cada solución tiene que enrutarse a través de sistemas heredados, prioridades en competencia y capas de aprobación, así que un cambio que sabe que es correcto puede tardar dieciocho meses en aterrizar, si aterriza en absoluto. Ese ritmo te desgastará cuando puedas ver exactamente lo que necesita suceder. En el espacio del fundador, ese techo desaparece. Podemos construir desde cero, diseñar la plataforma alrededor del problema en lugar de alrededor de treinta años de soluciones acumuladas, y enviar la respuesta correcta mientras todavía importa. Cuando escucho que una enfermera recuperó sus noches, o que un paciente obtuvo una respuesta en horas donde solía tomar días, eso aterriza de una manera que ninguna revisión de la hoja de ruta nunca lo hizo.

La parte más sorprendente, y me humildó genuinamente, es cuánto de este trabajo es narración. Vine a través de los datos y los sistemas, y asumí que la tecnología llevaría el argumento. No lo hace. Estás pidiendo a la gente que crea que una forma diferente de trabajar es siquiera posible, y ganas esa creencia un punto de prueba a la vez. El ritmo es brutal, usas cuarenta sombreros antes del almuerzo, y todavía es el trabajo más significativo que he hecho.

Mirando hacia adelante, si la IA elimina con éxito gran parte de la carga administrativa del sector sanitario, ¿cómo cree que los pagadores, los proveedores y los pacientes experimentarán el sistema de salud de manera diferente en la próxima década?

En una década, si lo hacemos bien, el sistema finalmente se siente como cuidado nuevamente. Los pacientes obtienen respuestas reales cuando están asustados y vulnerables, y dejan de tener que obtener un título menor en burocracia de seguros para obtener lo que su médico ya ordenó. Los clínicos pasan sus horas en el arte de la medicina y en las personas frente a ellos, en lugar de moler a través del caso rutinario número ochenta y siete antes del almuerzo. El personal de operaciones y administración, algunas de las personas más subestimadas en toda la industria, finalmente hace un trabajo que utiliza su verdadera experiencia. Y los pagadores y los proveedores coordinan en lugar de lanzar papeleo de un lado a otro a través de una costura que nadie posee. Ese es el cuidado de la salud hacia el que estoy construyendo. La tarjeta de puntaje que me importa es aburrida y específica: tiempo devuelto a la atención al paciente, y retraso extraído de la experiencia del paciente. Todo lo que hacemos está al servicio de esos dos números.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Penguin Ai.