Leaders d’opinion

La réalité de l’IA fondée sur des agents dans la gestion du cycle des recettes de santé

Inger Sivanthi
Ajouter Unite.AI à vos sources préférées sur Google
Points clésL'IA agentielle produit des résultats concrets dans l'autorisation préalable en…
Voir plus
  • L'IA agentielle produit des résultats concrets dans l'autorisation préalable en automatisant des flux de travail complexes multi-systèmes.
  • Le passage à l'échelle en production échoue souvent à cause d'une infrastructure de données fragmentée, et non de la technologie d'IA elle-même.
  • Les implémentations réussies commencent de manière ciblée avec un contrôle humain et tirent d'abord les leçons des erreurs des agents.

Les promesses continuent de s’accumuler autour du cycle des recettes de santé. La RPA allait tout changer. De même pour le NLP. Ensuite, l’IA générative a entièrement déplacé la conversation. Maintenant, c’est l’IA fondée sur des agents, et la différence cette fois est que certaines de ces solutions fonctionnent réellement.

Pas toutes. Pas même la plupart. Mais suffisamment fonctionnent dans des environnements de production pour rendre ce moment réellement différent de ce qui a précédé.

Ce que signifie réellement agir

Il existe une version de “l’IA fondée sur des agents” qui est utilisée dans les présentations de produits pour décrire tout type d’IA qui fait plus d’une chose. Cette version n’est pas digne d’être discutée.

Un véritable agent d’IA n’attend pas que quelqu’un interprète sa sortie et décide de la suite. Il lit une note clinique, identifie une autorisation manquante, navigue sur le portail du payeur, soumet la demande. Si la demande est rejetée, il récupère la documentation pertinente, prépare le recours et le transmet au bon destinataire. Aucun ticket n’est ouvert. Aucune file d’attente. Aucun membre du personnel ne clique à travers six écrans pour y arriver.

Dans la gestion du cycle des recettes (RCM), cela compte pour une raison spécifique. Le travail est profondément non linéaire. Une demande d’autorisation préalable peut toucher quatre systèmes différents avant de se résoudre. Les exigences des payeurs changent. La qualité de la documentation varie selon le prestataire de soins, la spécialité et la semaine. Un système qui ne suit qu’un script fixe ne tiendra pas longtemps dans cet environnement.

Où les résultats se manifestent réellement

L’autorisation préalable est mentionnée en premier dans presque toutes les conversations honnêtes à ce sujet, et la raison est structurelle. Il s’agit de l’une des tâches les plus lourdes en termes de documents, les plus intensives en règles, dans le cycle. L’enquête 2024 de l’American Medical Association sur les autorisations préalables, menée auprès des médecins a constaté que 27% des médecins déclarent que leurs demandes d’autorisation préalable sont souvent ou toujours rejetées, et que les médecins remplissent en moyenne 39 demandes d’autorisation préalable par semaine, chacune prenant du temps directement aux soins aux patients. Ce n’est pas un échec clinique. C’est un échec de documentation et de flux de travail, qui est exactement le type de problème pour lequel les systèmes agents sont conçus.

Les agents valident l’éligibilité, comparent la documentation clinique aux critères des payeurs, suivent le statut de soumission, font ressortir les informations manquantes avant qu’un réviseur humain n’ait à s’en occuper. La structure de la tâche leur convient. Collecte répétitive d’informations, règles de correspondance prévisibles, états finaux clairs.

La vérification préventive des demandes de remboursement progresse elle aussi. Plutôt que de poursuivre les rejets après un rejet, les agents exécutent des audits préalables à la soumission qui détectent les erreurs de codage, les lacunes de documentation et les incohérences d’autorisation avant que quoi que ce soit ne parvienne à un payeur. Selon l’enquête de septembre 2025 de l’HFMA auprès de 272 dirigeants de la santé, les organisations qui ont déployé l’IA et l’automatisation dans le cycle des recettes rapportent des réductions mesurables des taux d’erreur des demandes de remboursement et des remboursements plus rapides comme leurs deux principaux résultats. Ce type de correction en amont est là où une grande partie de la récupération financière réelle se produit.

L’image honnête

Une enquête HFMA-FinThrive de mai 2025 a constaté que 63% des organisations de santé utilisent déjà l’IA et l’automatisation quelque part dans leur cycle des recettes. Cela ressemble à un élan réel. Et c’est le cas, avec un astérisque.

“Une forme d’IA” peut recouvrir beaucoup de choses. Pour de nombreuses organisations, cela signifie un agent au périmètre limité gérant une tâche spécifique, généralement l’autorisation préalable ou les recours contre les refus, dans un coin du cycle. C’est un point de départ légitime. Mais l’écart entre cela et un flux de travail multi-agents couvrant l’éligibilité, le codage, les demandes de remboursement et le rapprochement comptable de bout en bout n’est pas un petit écart. Comme exploré dans Repenser la modernisation du cycle des recettes à l’ère de l’IA, les barrières structurelles à la transformation du cycle complet sont plus profondes que la plupart des feuilles de route technologiques ne le reconnaissent.

La plupart des conversations avec les fournisseurs sautent rapidement par-dessus cet écart. Le cycle des recettes entièrement sans traitement manuel est une direction raisonnable à planifier. Ce n’est simplement pas là où la plupart des organisations se trouvent actuellement, et le traiter comme réalisable à court terme tend à créer des problèmes lors du déploiement.

Pourquoi les projets pilotes se bloquent

L’IA fondée sur des agents échoue rarement lors des tests. Les projets pilotes ont presque toujours l’air prometteurs. Le cas d’utilisation est étroit, les données sont raisonnablement propres et quelqu’un prête une attention particulière à ce que l’agent fait.

La production est différente. Les règles des payeurs changent sans préavis. La qualité de la documentation EHR change par département, fournisseur et spécialité. Les cas limites se multiplient plus rapidement que prévu. Lorsque personne n’a conçu une procédure claire de transmission à un niveau supérieur lorsque l’agent rencontre quelque chose en dehors de son champ d’application, le flux de travail s’arrête ou se poursuit avec des erreurs qui mettent des semaines à émerger.

Passer d’un projet pilote à la production est un problème fondamentalement différent de celui de faire fonctionner le projet pilote. Les organisations qui traitent ces deux problèmes comme étant les mêmes découvrent généralement cela lors du déploiement, et non avant. C’est l’une des raisons pour lesquelles le paysage plus large de l’adoption de l’IA a lutté contre les échecs de production bien au-delà de la santé.

Le problème d’infrastructure

L’IA fondée sur des agents fonctionne bien lorsqu’elle dispose de données propres, cohérentes et connectées pour travailler. Cette condition est plus significative qu’il n’y paraît.

La plupart des systèmes de santé de taille moyenne à grande exécutent des environnements EHR fragmentés avec des définitions de champs incohérentes entre les plateformes, des portails de payeurs avec des règles d’accès différentes et une qualité de documentation qui varie selon la spécialité et le prestataire de soins concerné. Ce ne sont pas des cas limites. Ce sont les conditions de fonctionnement standard. Le défi est étroitement lié à un modèle plus large d’accumulation de dettes techniques et structurelles qui influence la manière dont les systèmes de santé répondent aux nouvelles exigences de l’IA.

Les données désorganisées ne provoquent pas toujours des échecs évidents. Plus souvent, les agents commencent à transmettre à un niveau supérieur des exceptions qu’ils ne devraient pas avoir à signaler, et les sorties semblent correctes en surface tout en portant discrètement des erreurs qui mettent des semaines à émerger. La technologie, dans la plupart de ces cas, fait exactement ce pour quoi elle a été conçue. Ce qui ne tient pas est l’infrastructure sur laquelle elle repose.

Mettre cette couche en ordre avant d’étendre l’usage des agents est la partie peu glamour de ce travail, et également la partie qui ne reçoit pas suffisamment d’attention dans les feuilles de route des fournisseurs.

Ce qui change lorsqu’il fonctionne réellement

L’enquête 2024 de l’AMA sur les autorisations préalables, menée auprès des médecins raconte une partie de cette histoire de manière claire : 93% des médecins déclarent que les autorisations préalables ont un impact négatif sur les résultats des patients, et 94% déclarent qu’elles retardent l’accès aux soins nécessaires. Lorsque les agents absorbent la charge de documentation et de soumission, le personnel clinique récupère une quantité mesurable de temps. L’argument en faveur de l’IA fondée sur des agents dans le RCM ne concerne pas seulement le coût par demande de remboursement. Il s’agit aussi de savoir à quoi le temps du personnel est réellement consacré et si cette organisation est durable.

Les organisations qui progressent le plus avec cela ne sont pas nécessairement celles qui ont les budgets technologiques les plus importants. Il s’agit généralement de celles qui ont commencé sur un périmètre restreint, ont intégré la surveillance humaine dans le flux de travail dès le premier jour et ont passé les premiers mois en production à apprendre de ce que l’agent a mal fait plutôt que de célébrer uniquement ce qu’il a bien fait. Plus lent que ce que suggère la présentation. Aussi plus durable.

Où cela va

Le rapport HFMA de mars 2026 sur les marges du secteur de la santé et l’investissement dans l’IA a noté que les dirigeants du cycle des recettes passent des projets pilotes exploratoires à des investissements actifs dans l’IA comme principal levier de protection de la marge pour le reste de 2026. Ce n’est pas spéculatif. Ce sont des décisions budgétaires qui sont déjà en train d’être prises.

Ce qui est moins établi, c’est à quoi ressemble réellement la production à grande échelle lorsque la fragmentation des EHR est réelle, les règles des payeurs continuent de changer et les modèles d’organisation du personnel n’ont pas encore pleinement rattrapé ce que les agents autonomes changent dans le travail. Les 18 prochains mois répondront à plus de ces questions que les trois années précédentes combinées. Cela mérite d’être suivi de près.

Inger Sivanthi est le directeur général de Droidal, une entreprise de technologie de santé axée sur l'IA. Il dirige le développement de solutions d'intelligence artificielle appliquée, notamment de grands modèles de langage et des agents IA, conçus pour améliorer les revenus et la prise de décision opérationnelle dans le domaine de la santé. Son travail se concentre sur l'intégration de l'IA dans des environnements de soins complexes avec un accent sur la mise en œuvre responsable et pratique.