Fawad Butt, PDG et co-fondateur de Penguin Ai – Série d’entretiens

Fawad Butt, PDG et co-fondateur de Penguin Ai, est un dirigeant chevronné dans le domaine des données et de l’IA en santé qui a fondé l’entreprise après avoir occupé des postes de direction chez Kaiser Permanente, UnitedHealthcare et Optum, où il a supervisé des initiatives de gouvernance des données, d’analyse, d’IA et de plateformes d’entreprise à grande échelle. Son expérience en tant que dirigeant de la stratégie des données au sein de certaines des plus grandes organisations de payeurs et de prestataires de soins a façonné la focalisation de Penguin Ai sur la résolution des inefficacités administratives de la santé à l’aide d’une IA conçue à dessein, plutôt que de forcer des plateformes génériques dans des flux de travail de santé complexes. Sous sa direction, Penguin Ai est positionnée autour d’une thèse pratique : les soins de santé ont besoin de systèmes d’IA conçus spécifiquement pour les opérations des payeurs et des prestataires, avec la capacité de réduire le travail manuel, d’améliorer la précision et d’aider les équipes à passer plus de temps sur des décisions cliniques et opérationnelles à plus forte valeur.

Penguin Ai est une entreprise d’IA native en santé qui se concentre sur l’automatisation des opérations administratives et cliniques pour les payeurs, les prestataires, les sociétés de gestion du cycle de revenu et les partenaires technologiques de santé. Sa plateforme combine des modèles de langage spécifiques à la santé, des travailleurs numériques, des agents d’IA, des capacités de gouvernance et de conformité, ainsi que l’automatisation des flux de travail pour des cas d’utilisation tels que l’autorisation préalable, le traitement des réclamations, la codification médicale, la gestion des appels, l’ajustement des risques, l’intégrité des paiements, la synthèse des dossiers médicaux, la synthèse de la documentation clinique et la vérification de l’éligibilité. L’entreprise a obtenu 29,7 millions de dollars en financement de venture, dont 25 millions de dollars en série A menés par Greycroft, pour étendre l’embauche, le développement de produits et les déploiements auprès des payeurs et des prestataires, et a également lancé Gwen, une plateforme de construction d’IA qui aide les équipes de santé à créer des travailleurs numériques gérés pour les flux de travail administratifs.

Après avoir dirigé des organisations de données et d’analyse chez Kaiser Permanente, UnitedHealthcare et Optum, quels sont les expériences spécifiques qui vous ont convaincu que les soins de santé avaient besoin d’une plateforme d’IA conçue à dessein, et comment ces leçons ont façonné la vision fondatrice de Penguin Ai ?

Je vais vous donner l’instant exact où cela a cliqué. J’étais assis dans une réunion chez l’un des grands payeurs, en regardant une file d’autorisations préalables qui avaient toutes rebondi trois fois, et aucune d’entre elles n’avait une véritable question clinique attachée. Elles rebondissaient parce qu’un champ ne correspondait pas ou que la documentation se présentait dans le mauvais format. Certains des meilleurs opérateurs du pays passaient leur journée à nourrir une machine qui ne produisait rien pour le patient qui attendait à l’autre bout. J’ai vu le même gaspillage chez Kaiser, chez UnitedHealthcare, chez Optum, avec juste des costumes différents. C’est là que j’ai cessé de croire à la ligne de l’industrie selon laquelle la friction est le prix de l’échelle. La vision de Penguin Ai est venue directement de cette frustration : construire une plateforme qui parle payeur et prestataire, mettre le contexte de la santé à l’intérieur du système afin qu’un travailleur d’IA applique vos propres critères et montre sa raison, garder une personne responsable du jugement clinique et enlever le travail fastidieux de tout le monde. C’est tout le jeu.

Penguin Ai se concentre sur la résolution de ce que vous décrivez comme le fardeau administratif d’un trillion de dollars en santé. Quels flux de travail avez-vous priorisés en premier, et pourquoi l’autorisation préalable, l’adjudication des réclamations, la codification médicale et les appels sont-ils apparus comme les plus grandes opportunités pour une transformation impulsée par l’IA ?

Nous sommes allés où la douleur crie le plus fort. L’autorisation préalable, l’adjudication des réclamations, la codification médicale et les appels sont arrivés en tête pour une raison : ce sont d’énormes piles de travail répétitif où la plupart des cas suivent un modèle, et les exceptions sont rares au point qu’un humain ne devrait voir que les exceptions. L’autorisation préalable a mené la liste parce que c’est là que vous pouvez littéralement regarder un patient souffrir tandis que la paperasse est en attente dans une file, et personne ne défend cela avec un visage droit. Lorsque nos travailleurs d’IA gèrent le volume habituel et acheminent les véritables cas exceptionnels vers une personne, les résultats ne sont pas subtils. Les examens peuvent s’exécuter jusqu’à 97 pour cent plus vite, les refus diminuent de plus de la moitié, et environ 92 pour cent des cas sont résolus sans toucher manuelle. J’ai choisi ces quatre parce qu’ils me permettent de prouver la thèse rapidement : enlever le fardeau administratif et vous rendez les soins de santé meilleurs pour le patient, le clinicien et la personne qui fait le travail. Tout le monde gagne dans le même mouvement, et c’est exactement pourquoi nous avons commencé là.

En tant que dirigeant de la santé, vous avez évalué de nombreux fournisseurs de technologie d’entreprise. Quelles sont les raisons les plus courantes pour lesquelles les startups d’IA ne parviennent pas à gagner en traction à l’intérieur des grands systèmes de santé et des payeurs ?

J’ai siégé suffisamment longtemps du côté de l’achat pour regarder les startups brûler leur chance de la même manière à trois reprises. Une, ils traitent les soins de santé comme n’importe quel autre compte d’entreprise et sont pris au dépourvu par le désordre d’intégration, les systèmes hérités et le poids réglementaire dont personne ne les a avertis. Deux, ils surfent sur l’autonomie et ne peuvent pas répondre à la première question difficile, qui est toujours une version de “montrez-moi comment vous y êtes arrivé”. Pas de traçage d’audit, pas de raisonnement que l’équipe de conformité acceptera, et l’essai meurt juste là dans la salle. Trois, ils règlent un côté de la relation payeur-prestataire et ne comprennent jamais que la friction vit à la jonction entre eux. Et honnêtement, chaque acheteur que je connais est épuisé. Ils ont un tiroir plein d’outils alimentés par l’IA qui ont ajouté un tableau de bord et n’ont déplacé aucun travail de la planche de qui que ce soit. La barre est haute et la patience est mince, et quiconque ne peut pas montrer un véritable chemin de l’essai à la production se fait montrer la porte.

De nombreuses organisations de santé restent prudentes quant au déploiement de l’IA dans les opérations critiques. Qu’est-ce qu’une adoption réussie de l’IA ressemble-t-elle à l’intérieur d’un grand payeur ou d’un prestataire, et quels sont les erreurs que les dirigeants commettent lorsqu’ils tentent de la mettre à l’échelle ?

L’adoption réussie commence petit et gagne son chemin. Choisissez un flux de travail qui vous fait vraiment mal, gardez vos gens dans la boucle afin qu’ils puissent regarder le travail se faire et lui faire confiance, et laissez la preuve vous acheter l’expansion. Lorsqu’une équipe voit un travailleur d’IA nettoyer les cas habituels correctement et leur donner les cas qui nécessitent vraiment un jugement, ils cessent de résister et commencent à demander plus. Les erreurs sont douloureusement prévisibles. Les dirigeants essaient de bouillir l’océan et de déployer partout à la fois. Ils achètent de la technologie et ne redessinent jamais le flux de travail autour, donc le fardeau se déplace simplement vers une autre file. Ou ils retirent les humains trop vite, brûlent la confiance et se demandent ensuite pourquoi personne ne touche à la chose. La mise à l’échelle de l’IA dans un système de santé est un travail de gestion du changement portant un costume de technologie. Les équipes qui gagnent le traitent de cette façon, et elles s’engagent à une mesure difficile dès le premier jour afin que tout le monde sache à quoi ressemble vraiment le succès.

Penguin Ai met l’accent sur les modèles d’IA natifs en santé et les flux de travail plutôt que sur les solutions d’IA d’entreprise génériques. Quels défis uniques dans les soins de santé nécessitent une approche spécialisée, et où les plateformes d’IA à usage général échouent-elles ?

Les soins de santé ne sont pas un cas d’utilisation d’entreprise générique, et prétendre le contraire vous brûle. Ils ont leur propre langage, leurs propres règles, leurs propres conséquences, et rien de tout cela n’est optionnel. Un modèle général vous donnera une réponse plausible et confiante qui est discrètement fausse, car il ne porte pas vos critères de nécessité médicale et ne peut pas montrer son travail d’une manière qu’un auditeur ou un clinicien approuvera. Non-starter. Nous avons construit Penguin Ai en couches pour cette raison exacte : une couche de données qui rassemble les informations, une couche de contexte qui contient la raison et la gouvernance spécifiques à la santé, et la main-d’œuvre d’IA qui fait réellement le travail, y compris nos solutions de travailleurs d’IA préconstruites et Gwen, le constructeur qui permet à votre équipe de mettre en place de nouveaux travailleurs d’IA. Les plateformes à usage général échouent parce qu’elles traitent l’expertise en santé comme quelque chose que vous pouvez vous promener. Vous ne pouvez pas. Vous devez la construire dans le système, et c’est tout le point de ce que nous avons fait.

L’autorisation préalable reste l’un des processus les plus frustrants pour les prestataires et les patients. Comment voyez-vous l’IA remodeler l’autorisation préalable au cours des cinq prochaines années, et quels sont les garde-fous nécessaires pour garantir que l’automatisation améliore les résultats sans créer de nouvelles barrières ?

Dans cinq ans, les approbations simples reviennent en quelques minutes, appliquées de manière cohérente contre vos propres lignes directrices, avec le clinicien dans la boucle pour tout ce qui nécessite un jugement médical. C’est la bonne version. Voici la partie que les gens sautent : l’automatisation peut tout aussi facilement industrialiser les barrières si vous la construisez paresseusement. Un moyen plus rapide de refuser les soins est une faute professionnelle avec une meilleure productivité. Les garde-fous sont donc le jeu. Chaque recommandation qu’un travailleur d’IA fait doit porter sa raison et une traçabilité d’audit complète, ce que nous appelons une boîte de verre, afin que quiconque puisse voir exactement comment il est arrivé là. La rapidité ne peut jamais devenir un prétexte pour un mur silencieux de refus automatisés. Et un humain qualifié reste responsable du jugement clinique, toujours. Faites-le correctement et l’autorisation préalable cesse d’être la chose que les patients et les médecins redoutent. Faites-le incorrectement et vous avez construit une version plus rapide du problème. Je ne m’intéresse qu’à la première.

L’industrie parle de plus en plus d’agents d’IA et de flux de travail autonomes. Quels sont les plus grands obstacles techniques et opérationnels au déploiement de l’IA qui peut gérer de manière fiable des tâches administratives de santé complexes avec une intervention humaine minimale ?

La partie difficile n’est pas la démo, c’est les bords. La gestion des exceptions, les données désordonnées et incohérentes, et les systèmes hérités qui n’ont jamais été conçus pour parler à quoi que ce soit. C’est là que vit l’ingénierie réelle, et c’est profondément peu glamour. L’obstacle opérationnel est la confiance, que aucun système de santé ne vous donne gratuitement. Si vos gens ne peuvent pas l’auditer ou l’expliquer, ils ne le mettront pas à l’échelle, point final. Maintenant, laissez-moi pousser un peu le prétexte. “L’intervention humaine minimale” est le mauvais objectif, et cela m’inquiète lorsque j’entends cela. Le point est de libérer vos gens pour les cas complexes et les appels de jugement, où leur expertise gagne réellement sa vie. Nos travailleurs d’IA gèrent le volume répétitif et savent quand acheminer une personne. Réussir ce transfert, de manière fiable et transparente, à l’échelle réelle de la santé, est le problème difficile à résoudre. Tout le reste est un projet de foire scientifique.

Les soins de santé sont l’un des secteurs les plus réglementés au monde. Comment équilibrez-vous la vitesse d’innovation avec la conformité, les exigences de confidentialité, la traçabilité et le besoin de responsabilité humaine dans les systèmes alimentés par l’IA ?

Vous gagnez le droit de bouger vite en construisant des choses qui tiennent. Dans les soins de santé, la gouvernance est la fondation, et nous l’avons versée en premier. Lorsque vous gérez des données de patients, la gouvernance des données d’entreprise est une exigence morale, et je veux dire cela littéralement. Chaque recommandation s’exécute donc à une norme de boîte de verre, avec une traçabilité d’audit complète, ce qui permet à une équipe de conformité de faire vraiment confiance à la rapidité. La responsabilité humaine est intégrée à la conception, car une personne qualifiée possède tout ce qui touche au jugement clinique tandis que le travailleur d’IA gère l’assemblage et la charge habituelle. C’est ainsi que vous obtenez une rapidité et une confiance dans le même système, et dans cette industrie, vous n’avez pas le choix entre les deux. La plupart des gens présentent la conformité et la traçabilité comme des freins. Je les vois comme la chose qui vous permet de mettre le pied au plancher, car sans eux, vous n’atteignez jamais la production.

Vous avez effectué la transition de la direction de grandes organisations de données et d’analyse à la construction d’une startup de zéro. Quels aspects du parcours de l’opérateur au fondateur ont été les plus gratifiants, et quels défis ont été les plus surprenants ?

La partie la plus gratifiante est que vous pouvez enfin construire les choses correctement dès le départ. À l’intérieur d’une grande organisation, le changement se déplace à la vitesse de l’institution. Chaque correction doit passer par les systèmes hérités, les priorités concurrentes et les couches d’approbation, donc une correction que vous savez être correcte peut prendre dix-huit mois pour atterrir, si elle atterrit. Ce rythme vous usera lorsque vous pouvez voir exactement ce qui doit se passer. Dans l’espace du fondateur, ce plafond disparaît. Nous pouvons construire à partir de zéro, concevoir la plateforme autour du problème au lieu de trente ans d’accumulation de contournements, et expédier la bonne réponse pendant qu’elle compte encore. Lorsque j’entends qu’une infirmière a récupéré ses soirées ou qu’un patient a obtenu une réponse en quelques heures là où cela prenait des jours, cela atterrit d’une manière que aucune revue de feuille de route n’a jamais fait.

La partie la plus surprenante, et qui m’a vraiment humilité, est à quel point ce travail est une histoire. Je suis venu de données et de systèmes, et j’ai supposé que la technologie porterait l’argument. Elle ne le fait pas. Vous demandez aux gens de croire qu’une façon différente de travailler est même possible, et vous gagnez cette croyance un point de preuve à la fois. Le rythme est brutal, vous portez quarante chapeaux avant le déjeuner, et c’est encore le travail le plus significatif que j’aie jamais fait.

En regardant vers l’avenir, si l’IA supprime avec succès une grande partie du fardeau administratif des soins de santé, comment pensez-vous que les payeurs, les prestataires et les patients expérimenteront le système de santé différemment au cours de la prochaine décennie ?

Dans une décennie, si nous faisons les choses correctement, le système ressemble enfin à des soins. Les patients obtiennent de réelles réponses lorsqu’ils sont effrayés et vulnérables, et ils cessent d’avoir à gagner un diplôme mineur en bureaucratie d’assurance pour obtenir ce que leur médecin a déjà ordonné. Les cliniciens passent leurs heures sur l’art de la médecine et sur les personnes devant eux, au lieu de broyer du travail habituel pour la quatre-vingt-septième fois avant le déjeuner. Le personnel des opérations et administratif, certaines des personnes les plus sous-estimées de toute l’industrie, font finalement du travail qui utilise leur véritable expertise. Et les payeurs et les prestataires coordonnent au lieu de se renvoyer de la paperasse d’un côté à l’autre d’une couture que personne ne possède. C’est le système de santé que je suis en train de construire. Le tableau de bord dont je me soucie est ennuyeux et spécifique : le temps rendu aux soins de patients, et le retard sorti de l’expérience du patient. Tout ce que nous faisons est au service de ces deux chiffres.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Penguin Ai.