Kenyataan Praktis dari Agentic AI dalam Manajemen Siklus Pendapatan Kesehatan

Siklus pendapatan terus mengumpulkan janji. RPA akan mengubah segalanya. Begitu juga NLP. Kemudian AI generatif menggeser percakapan sepenuhnya. Sekarang ini adalah agentic AI, dan perbedaan kali ini adalah bahwa sebagian dari itu benar-benar berhasil.

Tidak semua itu. Tidak bahkan sebagian besar dari itu. Tapi cukup berhasil di lingkungan produksi untuk membuat momen ini benar-benar berbeda dari apa yang terjadi sebelumnya.

Apa yang Sebenarnya Dimaksud dengan Bertindak

Ada versi “agentic AI” yang digunakan dalam deck produk untuk menggambarkan AI yang melakukan lebih dari satu hal. Versi itu tidak layak dibahas.

AI agen yang sebenarnya tidak menunggu seseorang untuk menafsirkan outputnya dan memutuskan apa yang harus dilakukan selanjutnya. Ini membaca catatan klinis, mengidentifikasi otorisasi yang hilang, menavigasi portal pembayar, mengirimkan permintaan. Jika permintaan ditolak, ia menarik dokumen yang relevan, membangun banding, dan mengarahkannya dengan benar. Tidak ada tiket yang dibuka. Tidak ada antrian. Tidak ada staf yang mengklik enam layar untuk mencapainya.

Dalam RCM, itu penting karena alasan tertentu. Pekerjaan itu sangat tidak linier. Permintaan otorisasi sebelumnya dapat menyentuh empat sistem yang berbeda sebelum diselesaikan. Persyaratan pembayar berubah. Kualitas dokumen bervariasi oleh penyedia, spesialis, dan minggu. Sistem yang hanya mengikuti skrip tetap tidak akan bertahan lama dalam lingkungan seperti itu.

Di Mana Hasil Sebenarnya Muncul

Otorisasi sebelumnya muncul pertama kali dalam hampir setiap percakapan jujur tentang ini, dan alasan itu adalah struktural. Ini adalah salah satu tugas yang paling berat dokumen, intensif aturan, dalam siklus. Survei Dokter Prior Otorisasi 2024 dari Asosiasi Medis Amerika menemukan bahwa 27% dokter melaporkan permintaan otorisasi sebelumnya mereka sering atau selalu ditolak, dan dokter menyelesaikan rata-rata 39 otorisasi sebelumnya per minggu, masing-masing mengambil waktu langsung dari perawatan pasien. Itu bukan kegagalan klinis. Itu kegagalan dokumen dan alur kerja, yang tepat adalah masalah yang dibangun agen untuk.

Agen memvalidasi kelayakan, memetakan dokumen klinis terhadap kriteria pembayar, melacak status pengajuan, menampilkan informasi yang hilang sebelum reviewer manusia harus terlibat. Struktur tugas cocok untuk mereka. Pengumpulan informasi berulang, aturan pencocokan yang dapat diprediksi, keadaan akhir yang jelas.

Pembersihan klaim proaktif menunjukkan traksi serupa. Alih-alih mengejar penolakan setelah penolakan, agen menjalankan audit pra-pengajuan yang menangkap kesalahan pengkodean, celah dokumen, dan kesalahan otorisasi sebelum apa pun mencapai pembayar. Menurut survei September 2025 dari HFMA dari 272 eksekutif kesehatan, organisasi yang telah mengirimkan AI dan otomatisasi dalam siklus pendapatan melaporkan penurunan nyata dalam tingkat kesalahan klaim dan waktu pembayaran yang lebih cepat sebagai dua hasil teratas mereka. Jenis koreksi hulu seperti itu adalah tempat terjadinya sebagian besar pemulihan keuangan yang sebenarnya.

Gambaran yang Jujur

Survei HFMA-FinThrive dari Mei 2025 menemukan bahwa 63% organisasi kesehatan sudah menggunakan AI dan otomatisasi di beberapa bagian siklus pendapatan mereka. Itu terdengar seperti momentum yang sebenarnya. Dan itu benar, dengan asterisk.

“Beberapa bentuk AI” dapat mencakup banyak hal. Untuk banyak organisasi, itu berarti agen yang dijadwalkan untuk menangani tugas tertentu, biasanya otorisasi sebelumnya atau banding penolakan, di satu sudut siklus. Itu adalah titik awal yang sah. Tapi kesenjangan antara itu dan alur kerja multi-agen yang mencakup kelayakan, pengkodean, klaim, dan rekonsiliasi dari ujung ke ujung tidaklah kecil. Seperti yang dijelajahi dalam Rethinking Revenue Cycle Modernization in the Age of AI, hambatan struktural untuk transformasi siklus pendapatan penuh lebih dalam daripada yang diakui oleh sebagian besar peta teknologi.

Sebagian besar percakapan vendor melewati kesenjangan itu dengan cepat. Siklus pendapatan yang sepenuhnya tanpa sentuhan adalah arah yang masuk akal untuk direncanakan. Ini hanya tidak di mana sebagian besar organisasi berada saat ini, dan mengobati itu sebagai dapat dicapai dalam jangka waktu dekat cenderung menciptakan masalah selama penerapan.

Mengapa Pilot Mengalami Kegagalan

Agentic AI jarang gagal selama pengujian. Pilot hampir selalu terlihat menjanjikan. Kasus penggunaan itu sempit, data itu cukup bersih, dan seseorang membayar perhatian yang dekat terhadap apa yang dilakukan agen.

Produksi berbeda. Aturan pembayar berubah tanpa pemberitahuan. Kualitas dokumen EHR bervariasi oleh departemen, penyedia, dan spesialis. Kasus tepi berkembang biak lebih cepat dari yang diantisipasi. Ketika tidak ada yang merancang jalur eskalasi yang jelas untuk saat agen mengenai sesuatu di luar cakupannya, alur kerja itu baik macet atau terus berjalan dengan kesalahan yang membutuhkan waktu berminggu-minggu untuk muncul.

Mengukur dari pilot ke produksi adalah masalah yang secara fundamental berbeda dari membuat pilot bekerja. Organisasi yang mengobati mereka sebagai masalah yang sama biasanya menemukannya selama penerapan, bukan sebelumnya. Itu adalah salah satu alasan mengapa lanskap adopsi AI yang lebih luas telah bergumul dengan kegagalan produksi jauh melampaui kesehatan.

Masalah Infrastruktur

Agentic AI berfungsi dengan baik ketika memiliki data yang bersih, konsisten, dan terhubung untuk bekerja dengannya. Kualifikasi itu lebih signifikan daripada yang terdengar.

Sebagian besar sistem kesehatan menengah hingga besar menjalankan lingkungan EHR yang terfragmentasi dengan definisi bidang yang tidak konsisten di seluruh platform, portal pembayar dengan aturan akses yang berbeda, dan kualitas dokumen yang bervariasi oleh spesialis dan penyedia individual. Ini bukan kasus tepi. Ini adalah lingkungan operasional standar. Tantangan itu erat terkait dengan pola utang teknis dan struktural yang terkumpul yang membentuk bagaimana sistem kesehatan merespons tuntutan AI baru.

Data yang kacau tidak selalu menyebabkan kegagalan yang jelas. Lebih sering, agen mulai mengangkat pengecualian yang tidak perlu mereka tandai, dan output terlihat benar di permukaan sambil membawa kesalahan yang membutuhkan waktu berminggu-minggu untuk muncul. Teknologi, dalam sebagian besar kasus, melakukan tepat apa yang dirancang untuk dilakukan. Apa yang tidak bertahan adalah infrastruktur yang duduk di atasnya.

Mendapatkan lapisan itu benar sebelum mengukur agen adalah bagian yang tidak glamor dari pekerjaan ini, dan juga bagian yang tidak mendapatkan perhatian yang cukup dalam peta vendor.

Apa yang Berubah Ketika Ini Benar-Benar Bekerja

Survei Otorisasi Sebelumnya 2024 dari AMA menceritakan sebagian dari cerita ini dengan jelas: 93% dokter mengatakan otorisasi sebelumnya mempengaruhi hasil pasien secara negatif, dan 94% mengatakan itu menunda akses ke perawatan yang diperlukan. Ketika agen menyerap beban dokumen dan pengajuan itu, staf klinis mendapatkan waktu yang dapat diukur kembali. Argumen untuk agentic AI dalam RCM bukan hanya tentang biaya per klaim. Ini juga tentang di mana waktu staf sebenarnya pergi, dan apakah itu berkelanjutan.

Organisasi yang paling jauh dengan ini tidak selalu yang memiliki anggaran teknologi terbesar. Mereka cenderung menjadi yang memulai dengan sempit, membangun pengawasan manusia ke dalam alur kerja dari hari pertama, dan menghabiskan beberapa bulan pertama dalam produksi untuk belajar dari apa yang agen salah daripada hanya merayakan apa yang agen benar. Lebih lambat dari yang diusulkan. Juga lebih tahan lama.

Ke Mana Ini Menuju

Laporan Maret 2026 dari HFMA tentang margin kesehatan dan investasi AI mencatat bahwa pemimpin siklus pendapatan sedang bergerak dari pilot eksplorasi ke investasi aktif dalam AI sebagai tuas utama untuk perlindungan margin memasuki sisa 2026. Itu bukan spekulatif. Itu adalah keputusan anggaran yang sudah dibuat.

Apa yang kurang mapan adalah apa produksi pada skala yang sebenarnya terlihat seperti ketika fragmentasi EHR nyata, aturan pembayar terus berubah, dan model tenaga kerja belum sepenuhnya menyusul apa yang diubah agen otonom tentang pekerjaan. 18 bulan ke depan akan menjawab lebih banyak pertanyaan daripada tiga tahun terakhir digabungkan. Layak untuk memperhatikan dengan dekat.