Pemimpin pemikiran
Realitas Praktis AI Berbasis Agen dalam Pengelolaan Siklus Pendapatan Layanan Kesehatan

Poin utamaAI Agenstif memberikan hasil nyata dalam otorisasi sebelumnya dengan mengotomatisasi…
Lihat selengkapnya
- AI Agenstif memberikan hasil nyata dalam otorisasi sebelumnya dengan mengotomatisasi alur kerja multi-sistem yang kompleks.
- Penskalaan produksi sering gagal karena infrastruktur data yang terfragmentasi, bukan karena teknologi AI itu sendiri.
- Implementasi yang berhasil dimulai secara sempit dengan pengawasan manusia dan belajar dari kesalahan agen terlebih dahulu.
Janji perubahan terus berdatangan dalam pengelolaan siklus pendapatan layanan kesehatan. RPA dahulu disebut akan mengubah segalanya, begitu pula NLP. Lalu AI generatif mengubah arah pembicaraan sepenuhnya. Kini giliran AI berbasis agen, dan bedanya kali ini sebagian benar-benar mulai diterapkan.
Bukan semuanya, bahkan bukan sebagian besar. Namun, cukup banyak yang berfungsi di lingkungan produksi sehingga tahap ini memang berbeda dari sebelumnya.
Apa sebenarnya arti bertindak
Dalam presentasi produk, istilah «AI berbasis agen» kadang dipakai untuk semua AI yang melakukan lebih dari satu hal. Definisi itu tidak layak dibahas.
Agen AI yang sesungguhnya tidak menunggu orang menafsirkan keluarannya dan memutuskan langkah berikutnya. Ia membaca catatan klinis, menemukan persetujuan yang belum ada, menelusuri portal pihak pembayar, lalu mengirim permohonan. Jika ditolak, ia mengambil dokumen terkait, menyusun banding, dan mengarahkannya ke pihak yang tepat. Tidak ada tiket tindak lanjut yang dibuka, tidak ada antrean, dan tidak ada staf yang perlu mengeklik enam layar untuk sampai ke tahap itu.
Dalam pengelolaan siklus pendapatan (RCM), kemampuan ini penting karena alasan khusus: pekerjaan tersebut jauh dari linear. Permohonan persetujuan awal dapat melewati empat sistem berbeda sebelum tuntas. Persyaratan pihak pembayar berubah. Mutu dokumentasi berbeda menurut penyedia layanan, spesialisasi, dan minggu. Sistem yang hanya mengikuti skrip tetap tidak akan bertahan lama dalam lingkungan seperti ini.
Di mana hasil nyata mulai terlihat
Persetujuan awal hampir selalu menjadi topik pertama dalam pembicaraan jujur tentang hal ini, karena alasan struktural. Ini salah satu tugas dalam siklus yang paling membutuhkan dokumen dan penerapan banyak aturan. Survei Dokter tentang Persetujuan Awal 2024 dari American Medical Association
menemukan bahwa 27% dokter mengatakan permohonan persetujuan awal mereka sering atau selalu ditolak. Dokter menyelesaikan rata-rata 39 persetujuan awal per minggu, dan masing-masing menyita waktu yang semestinya digunakan untuk merawat pasien. Ini bukan kegagalan klinis, melainkan kegagalan dokumentasi dan alur kerja—jenis persoalan yang memang menjadi sasaran rancangan sistem berbasis agen.
Agen memeriksa kelayakan pertanggungan, mencocokkan dokumentasi klinis dengan kriteria pembayar, melacak status pengajuan, dan menunjukkan informasi yang hilang sebelum peninjau manusia perlu terlibat. Struktur tugasnya cocok: pengumpulan informasi berulang, aturan pencocokan yang dapat diperkirakan, dan kondisi akhir yang jelas.
Pemeriksaan proaktif atas klaim juga menunjukkan kemajuan serupa. Alih-alih menangani penolakan setelah terjadi, agen menjalankan audit sebelum pengajuan untuk menemukan kesalahan kode medis, kekurangan dokumen, dan ketidaksesuaian persetujuan sebelum materi mencapai pembayar. Menurut survei HFMA pada September 2025 terhadap 272 eksekutif layanan kesehatan
, organisasi yang telah menerapkan AI dan otomatisasi dalam siklus pendapatan menyebut penurunan terukur pada tingkat kesalahan klaim dan pembayaran penggantian biaya yang lebih cepat sebagai dua hasil utama. Banyak pemulihan keuangan nyata terjadi melalui koreksi di tahap awal seperti ini.
Gambaran yang jujur
Survei HFMA dan FinThrive pada Mei 2025
menemukan bahwa 63% organisasi layanan kesehatan sudah memakai AI dan otomatisasi di suatu bagian siklus pendapatannya. Kedengarannya seperti momentum nyata. Memang demikian, tetapi ada catatan.
«Suatu bentuk AI» dapat berarti banyak hal. Bagi banyak organisasi, artinya agen dengan cakupan terbatas yang menangani satu tugas tertentu, biasanya persetujuan awal atau banding atas penolakan, di satu bagian siklus. Itu titik awal yang sah. Namun, jarak menuju alur kerja multiagen yang mencakup kelayakan, pengodean, klaim, dan rekonsiliasi keuangan dari awal hingga akhir tidaklah kecil. Seperti dibahas dalam «Memikirkan Kembali Modernisasi Siklus Pendapatan pada Era AI»
, hambatan struktural untuk mengubah seluruh siklus lebih mendalam daripada yang diakui kebanyakan peta jalan teknologi.
Sebagian besar percakapan dengan vendor cepat melewati kesenjangan ini. Siklus pendapatan yang sepenuhnya tanpa penanganan manual merupakan arah perencanaan yang masuk akal. Namun, kebanyakan organisasi belum berada di sana, dan menganggapnya dapat dicapai dalam waktu dekat cenderung menimbulkan masalah saat penerapan.
Mengapa proyek percontohan terhenti
AI berbasis agen jarang gagal selama pengujian. Proyek percontohan hampir selalu tampak menjanjikan. Kasus penggunaannya sempit, datanya cukup bersih, dan ada orang yang memantau tindakan agen dengan saksama.
Produksi berbeda. Aturan pembayar berubah tanpa pemberitahuan. Mutu dokumentasi rekam kesehatan elektronik (EHR) berubah menurut departemen, penyedia layanan, dan spesialisasi. Kasus pengecualian bertambah lebih cepat daripada perkiraan. Jika belum ada jalur eskalasi yang jelas ketika agen menghadapi sesuatu di luar cakupannya, alur kerja akan terhenti atau terus berjalan sambil membawa kesalahan yang baru terlihat beberapa minggu kemudian.
Memperluas penerapan dari proyek percontohan ke produksi merupakan persoalan yang secara mendasar berbeda dari sekadar membuat proyek percontohan berfungsi. Organisasi yang menganggap keduanya sama biasanya menemukan perbedaan itu saat penerapan, bukan sebelumnya. Inilah salah satu alasan adopsi AI yang lebih luas menghadapi kegagalan produksi jauh di luar sektor kesehatan.
Masalah infrastruktur
AI berbasis agen bekerja baik ketika memiliki data yang bersih, konsisten, dan saling terhubung. Syarat ini lebih penting daripada kesannya.
Sebagian besar sistem layanan kesehatan menengah dan besar menjalankan lingkungan EHR yang terfragmentasi, dengan definisi bidang data yang tidak konsisten antaraplatform, portal pembayar dengan aturan akses berbeda, serta mutu dokumentasi yang bervariasi menurut spesialisasi dan penyedia layanan individual. Ini bukan pengecualian, melainkan lingkungan operasi sehari-hari. Tantangannya terkait erat dengan pola akumulasi utang teknis dan struktural yang lebih luas, yang membentuk cara sistem layanan kesehatan merespons tuntutan AI baru.
Data yang berantakan tidak selalu menyebabkan kegagalan yang jelas. Lebih sering, agen mulai mengeskalasikan pengecualian yang seharusnya tidak perlu ditandai, sementara keluaran tampak benar tetapi menyimpan kesalahan yang baru terungkap beberapa minggu kemudian. Dalam kebanyakan kasus itu, teknologi bekerja tepat sesuai rancangan. Yang tidak sanggup menopangnya adalah infrastruktur di bawahnya.
Membenahi lapisan tersebut sebelum memperluas penggunaan agen merupakan bagian pekerjaan yang tidak menarik perhatian, sekaligus bagian yang kurang mendapat perhatian dalam peta jalan vendor.
Apa yang berubah ketika benar-benar berhasil
Survei Dokter tentang Persetujuan Awal 2024 dari AMA
menjelaskan sebagian kisah ini: 93% dokter mengatakan persetujuan awal berdampak negatif pada hasil perawatan pasien, dan 94% mengatakan proses itu menunda akses ke perawatan yang diperlukan. Ketika agen mengambil alih beban dokumentasi dan pengajuan, staf klinis memperoleh kembali waktu yang dapat diukur. Alasan memakai AI berbasis agen dalam RCM bukan hanya biaya per klaim, tetapi juga untuk apa waktu staf sebenarnya digunakan dan apakah kondisi itu berkelanjutan.
Organisasi yang paling maju tidak selalu memiliki anggaran teknologi terbesar. Mereka cenderung memulai dengan cakupan sempit, memasukkan pengawasan manusia sejak hari pertama, dan menggunakan bulan-bulan awal produksi untuk belajar dari kesalahan agen, bukan hanya merayakan keberhasilannya. Lebih lambat daripada gambaran promosi, tetapi juga lebih bertahan lama.
Ke mana arahnya
Laporan HFMA pada Maret 2026 tentang margin layanan kesehatan dan investasi AI
mencatat bahwa pemimpin siklus pendapatan bergerak dari proyek percontohan eksploratif ke investasi aktif dalam AI sebagai sarana utama melindungi margin sepanjang sisa 2026. Ini bukan spekulasi, melainkan keputusan anggaran yang sudah mulai diambil.
Yang belum jelas adalah bentuk produksi skala besar ketika fragmentasi EHR memang ada, aturan pembayar terus berubah, dan model tenaga kerja belum sepenuhnya menyesuaikan diri dengan perubahan pekerjaan akibat agen otonom. Delapan belas bulan mendatang akan menjawab lebih banyak pertanyaan itu daripada tiga tahun sebelumnya jika digabungkan. Perkembangannya layak diikuti dengan saksama.












