विचार नेता

स्वास्थ्य सेवा के राजस्व चक्र प्रबंधन में एजेंटिक एआई की व्यावहारिक हकीकत

Inger Sivanthi
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुएजेंटिक एआई जटिल मल्टी-सिस्टम वर्कफ़्लो को स्वचालित करके प्रायोर ऑथराइज़ेशन में…
और देखें
  • एजेंटिक एआई जटिल मल्टी-सिस्टम वर्कफ़्लो को स्वचालित करके प्रायोर ऑथराइज़ेशन में वास्तविक परिणाम दे रहा है।
  • प्रोडक्शन स्केलिंग अक्सर खंडित डेटा इंफ्रास्ट्रक्चर के कारण विफल होती है, न कि स्वयं एआई प्रौद्योगिकी के कारण।
  • सफल कार्यान्वयन मानवीय निगरानी के साथ संकीर्ण रूप से शुरू होते हैं और पहले एजेंट त्रुटियों से सीखते हैं।

स्वास्थ्य सेवाओं में राजस्व चक्र के प्रबंधन को लेकर वादे लगातार जुड़ते रहे हैं। कहा गया था कि RPA सब कुछ बदल देगा। NLP से भी यही उम्मीद थी। फिर जनरेटिव एआई ने पूरी चर्चा बदल दी। अब बारी एजेंटिक एआई की है, और इस बार फ़र्क यह है कि कुछ समाधान सचमुच इस्तेमाल होने लगे हैं।

सभी नहीं, अधिकांश भी नहीं। लेकिन वास्तविक संचालन में पर्याप्त समाधान काम कर रहे हैं, जिससे यह दौर पहले से अलग बनता है।

वास्तव में कार्रवाई करने का मतलब

उत्पाद प्रस्तुतियों में कभी-कभी एक से अधिक काम करने वाले किसी भी एआई को «एजेंटिक एआई» कह दिया जाता है। इस परिभाषा पर चर्चा करने का लाभ नहीं।

असली एआई एजेंट किसी व्यक्ति के आउटपुट समझने और अगला कदम तय करने का इंतज़ार नहीं करता। वह चिकित्सकीय नोट पढ़ता है, ज़रूरी स्वीकृति का अभाव पहचानता है, भुगतानकर्ता के पोर्टल पर जाता है और आवेदन भेजता है। आवेदन खारिज होने पर संबंधित दस्तावेज़ जुटाता है, अपील तैयार करता है और सही जगह भेजता है। न कोई काम का टिकट खोला जाता है, न कतार लगती है, न कर्मचारी को छह स्क्रीन पर क्लिक करते हुए आगे बढ़ना पड़ता है।

राजस्व चक्र प्रबंधन (RCM) में यह एक खास वजह से महत्वपूर्ण है: काम सीधी रेखा में नहीं चलता। पूर्व स्वीकृति का आवेदन हल होने से पहले चार अलग-अलग प्रणालियों से गुज़र सकता है। भुगतानकर्ताओं की शर्तें बदलती हैं। दस्तावेज़ों की गुणवत्ता सेवा प्रदाता, विशेषज्ञता और सप्ताह के अनुसार बदलती है। केवल तय स्क्रिप्ट पर चलने वाली प्रणाली ऐसे वातावरण में लंबे समय नहीं टिकेगी।

नतीजे वास्तव में कहां दिख रहे हैं

इस विषय पर लगभग हर स्पष्ट बातचीत में पूर्व स्वीकृति पहले आती है। वजह संरचनात्मक है: यह चक्र के सबसे अधिक दस्तावेज़ों और नियमों के पालन की मांग करने वाले कामों में से एक है। अमेरिकन मेडिकल एसोसिएशन के पूर्व स्वीकृति पर 2024 के चिकित्सक सर्वेक्षण
में 27% चिकित्सकों ने कहा कि उनके आवेदन अक्सर या हमेशा खारिज होते हैं। चिकित्सक औसतन हर सप्ताह 39 पूर्व स्वीकृतियां पूरी करते हैं, और हर एक सीधे रोगियों की देखभाल का समय लेती है। यह चिकित्सकीय विफलता नहीं, बल्कि दस्तावेज़ों और कार्यप्रवाह की विफलता है — ठीक उसी तरह की समस्या, जिसे हल करने के लिए एजेंट प्रणालियां बनाई जाती हैं।

एजेंट कवरेज की पात्रता जांचते हैं, चिकित्सकीय दस्तावेज़ भुगतानकर्ता के मानदंडों से मिलाते हैं, आवेदन की स्थिति देखते हैं और मानव समीक्षक के हस्तक्षेप से पहले अधूरी जानकारी सामने रखते हैं। काम की संरचना उनके अनुकूल है: बार-बार जानकारी जुटाना, अनुमानित मिलान नियम और स्पष्ट समापन स्थितियां।

भुगतान दावों की अग्रिम जांच में भी ऐसी प्रगति दिख रही है। खारिज होने के बाद मामले सुलझाने के बजाय एजेंट आवेदन भेजने से पहले जांच करते हैं। वे चिकित्सा कोडिंग की त्रुटियां, दस्तावेज़ों की कमी और स्वीकृतियों के बेमेल विवरण भुगतानकर्ता तक पहुंचने से पहले पकड़ लेते हैं। HFMA के सितंबर 2025 में 272 स्वास्थ्य सेवा अधिकारियों के बीच किए गए सर्वेक्षण
के अनुसार, राजस्व चक्र में एआई और स्वचालन लगाने वाले संगठन दो प्रमुख नतीजे बताते हैं: दावे की त्रुटि दर में मापी जा सकने वाली कमी और तेज़ प्रतिपूर्ति भुगतान। वास्तविक वित्तीय सुधार का बड़ा हिस्सा प्रक्रिया के शुरुआती चरण में ऐसी गलतियां सुधारने से आता है।

स्थिति की ईमानदार तस्वीर

HFMA और FinThrive के मई 2025 के सर्वेक्षण
में पाया गया कि 63% स्वास्थ्य सेवा संगठन अपने राजस्व चक्र के किसी हिस्से में एआई और स्वचालन का इस्तेमाल कर रहे हैं। यह वास्तविक प्रगति लगती है। है भी, लेकिन एक शर्त के साथ।

«किसी रूप में एआई» का अर्थ बहुत व्यापक हो सकता है। कई संगठनों में इसका मतलब सीमित दायरे वाला एजेंट है, जो चक्र के एक हिस्से में एक खास काम करता है, आम तौर पर पूर्व स्वीकृति या अस्वीकृति के खिलाफ अपील। यह उचित शुरुआत है। लेकिन इससे ऐसे बहु-एजेंट कार्यप्रवाह तक का फ़ासला छोटा नहीं, जो पात्रता, कोडिंग, दावे और वित्तीय मिलान को शुरू से अंत तक संभाले। जैसा कि «एआई के युग में राजस्व चक्र के आधुनिकीकरण पर पुनर्विचार»
में समझाया गया है, पूरे चक्र के बदलाव की संरचनात्मक बाधाएं अधिकांश तकनीकी योजनाओं की स्वीकारोक्ति से कहीं गहरी हैं।

विक्रेताओं से अधिकांश बातचीत इस फ़ासले को जल्दी पार कर जाती है। पूरी तरह बिना मानवीय प्रसंस्करण वाला राजस्व चक्र योजना की उचित दिशा है। अधिकांश संगठन अभी वहां नहीं हैं, और इसे जल्द हासिल किया जा सकने वाला मानना तैनाती में समस्याएं पैदा करता है।

पायलट परियोजनाएं क्यों रुकती हैं

एजेंटिक एआई परीक्षण में कम ही विफल होता है। पायलट परियोजनाएं लगभग हमेशा आशाजनक लगती हैं। इस्तेमाल का दायरा छोटा, डेटा काफ़ी साफ और एजेंट के काम पर किसी की नज़दीकी नज़र होती है।

वास्तविक संचालन अलग है। भुगतानकर्ता के नियम बिना सूचना बदलते हैं। इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (EHR) में दस्तावेज़ों की गुणवत्ता विभाग, प्रदाता और विशेषज्ञता के अनुसार बदलती है। अपवाद वाले मामले उम्मीद से तेज़ बढ़ते हैं। एजेंट के दायरे से बाहर के मामले आगे भेजने का स्पष्ट रास्ता न बनाया गया हो, तो कार्यप्रवाह रुकता है या ऐसी गलतियों के साथ चलता रहता है, जो कई सप्ताह बाद दिखती हैं।

पायलट से वास्तविक संचालन तक विस्तार करना, केवल पायलट को चलाने से बुनियादी रूप से अलग समस्या है। दोनों को एक समझने वाले संगठन फ़र्क आम तौर पर तैनाती के दौरान देखते हैं, उससे पहले नहीं। स्वास्थ्य सेवा से बाहर भी एआई अपनाने में वास्तविक संचालन की विफलताओं का यह एक कारण है।

बुनियादी ढांचे की समस्या

एजेंटिक एआई साफ, सुसंगत और आपस में जुड़े डेटा के साथ अच्छा काम करता है। यह शर्त सुनने में जितनी साधारण लगती है, उससे अधिक महत्वपूर्ण है।

अधिकांश मध्यम और बड़े स्वास्थ्य तंत्र खंडित EHR वातावरण चलाते हैं। अलग-अलग प्लेटफ़ॉर्म पर डेटा फ़ील्ड की परिभाषाएं असंगत हैं, भुगतानकर्ता के पोर्टल के पहुंच नियम अलग हैं और दस्तावेज़ों की गुणवत्ता विशेषज्ञता तथा हर सेवा प्रदाता के अनुसार बदलती है। ये अपवाद नहीं, सामान्य संचालन के हालात हैं। समस्या जमा होते तकनीकी और संरचनात्मक ऋण के व्यापक पैटर्न से जुड़ी है, जो स्वास्थ्य तंत्रों की नई एआई मांगों पर प्रतिक्रिया को आकार देता है.

अव्यवस्थित डेटा हमेशा स्पष्ट विफलता नहीं पैदा करता। ज़्यादा बार एजेंट ऐसे अपवाद आगे भेजने लगते हैं जिन्हें चिह्नित करने की ज़रूरत ही नहीं होनी चाहिए। आउटपुट ऊपर से सही दिखते हैं, पर ऐसी गलतियां छिपाए रहते हैं जो कई सप्ताह बाद खुलती हैं। अधिकांश ऐसे मामलों में तकनीक वही कर रही होती है जिसके लिए उसे बनाया गया है। उसका आधार बना बुनियादी ढांचा साथ नहीं दे पाता।

एजेंटों का इस्तेमाल बढ़ाने से पहले इस परत को ठीक करना काम का कम आकर्षक हिस्सा है। यही वह हिस्सा भी है जिस पर विक्रेताओं की योजनाओं में पर्याप्त ध्यान नहीं दिया जाता।

जब समाधान सचमुच काम करे तो क्या बदलता है

AMA के पूर्व स्वीकृति पर 2024 के चिकित्सक सर्वेक्षण
में तस्वीर का एक हिस्सा स्पष्ट है: 93% चिकित्सकों ने कहा कि पूर्व स्वीकृति रोगियों के उपचार परिणामों पर बुरा प्रभाव डालती है और 94% ने कहा कि यह ज़रूरी देखभाल तक पहुंच में देरी करती है। एजेंट जब दस्तावेज़ और आवेदन का बोझ उठाते हैं, तो चिकित्सकीय कर्मचारियों का मापी जा सकने वाली मात्रा में समय बचता है। RCM में एजेंटिक एआई का तर्क केवल प्रति दावे की लागत नहीं, बल्कि यह भी है कि कर्मचारियों का समय वास्तव में कहां जाता है और क्या यह व्यवस्था टिकाऊ है।

सबसे आगे बढ़े संगठनों के पास सबसे बड़े तकनीकी बजट हों, यह ज़रूरी नहीं। वे आम तौर पर छोटे दायरे से शुरू हुए, पहले दिन से मानवीय निगरानी जोड़ी और शुरुआती संचालन महीनों में सिर्फ़ सफलता का जश्न मनाने के बजाय एजेंट की गलतियों से सीखा। बिक्री प्रस्तुति के संकेत से धीमा, लेकिन अधिक टिकाऊ।

आगे की दिशा

स्वास्थ्य सेवा मार्जिन और एआई निवेश पर HFMA की मार्च 2026 की रिपोर्ट
ने बताया कि राजस्व चक्र के नेता खोजपरक पायलटों से आगे बढ़कर एआई में सक्रिय निवेश कर रहे हैं, ताकि 2026 के शेष समय में मार्जिन बचाने के प्रमुख साधन के तौर पर इसका उपयोग हो। यह अटकल नहीं, बल्कि पहले से लिए जा रहे बजट संबंधी फैसले हैं।

कम स्पष्ट यह है कि बड़े पैमाने पर वास्तविक संचालन कैसा होगा, जब EHR का बिखराव वास्तविक हो, भुगतानकर्ताओं के नियम बदलते रहें और कार्यबल मॉडल स्वायत्त एजेंटों से काम में आने वाले बदलावों के अनुरूप पूरी तरह न ढले हों। इनमें से जितने सवाल पिछले तीन वर्षों में कुल मिलाकर सुलझे, उससे अधिक अगले 18 महीनों में सुलझेंगे। इसे ध्यान से देखना चाहिए।

इंगर सिवांथी ड्रॉइडल के मुख्य कार्यकारी अधिकारी हैं, जो एक एआई-फोकस्ड हेल्थकेयर टेक्नोलॉजी कंपनी है। वह बड़े भाषा मॉडल और एआई एजेंटों सहित लागू कृत्रिम बुद्धिमत्ता समाधानों के विकास का नेतृत्व करते हैं, जो स्वास्थ्य सेवा राजस्व और संचालन निर्णय लेने में सुधार करने के लिए डिज़ाइन किए गए हैं। उनका काम जटिल स्वास्थ्य सेवा वातावरण में एआई को एकीकृत करने पर केंद्रित है, जिसमें जिम्मेदार और व्यावहारिक कार्यान्वयन पर ध्यान केंद्रित किया जाता है।