의료 수익주기 관리에서 에이전트 AI의 실제 현실

수익주기는 계속해서 약속만 수집해 왔습니다. RPA가 모든 것을 바꿀 예정이었습니다. NLP도 마찬가지였죠. 그런 다음 생성형 AI가 논의를 완전히 전환시켰습니다. 이제는 에이전트 AI의 시대입니다. 이번 차이점은 실제로 일부가 현실화되고 있다는 점입니다. 전부는 아닙니다. 대부분도 아닙니다. 하지만 프로덕션 환경에서 충분히 작동하는 사례가 있어 이번 순간은 이전과는 진정으로 다릅니다.

행동한다는 것의 실제 의미

제품 데크에서 사용되는 “에이전트 AI”에는 한 가지 이상의 일을 하는 모든 AI를 설명하는 버전이 있습니다. 그런 버전은 논의할 가치가 없습니다. 진정한 AI 에이전트는 누군가가 그 출력을 해석하고 다음에 무엇을 할지 결정하기를 기다리지 않습니다. 임상 기록을 읽고, 누락된 승인을 식별하며, 지급자 포털을 탐색하고, 요청을 제출합니다. 요청이 거부되어 돌아오면 관련 문서를 추출하고, 항소를 구성하며, 적절하게 전달합니다. 티켓이 생성되지 않습니다. 대기열도 없습니다. 직원이 여섯 개의 화면을 클릭하며 이동할 필요도 없습니다. 수익주기 관리(RCM)에서 이는 특정한 이유로 중요합니다. 업무는 심각하게 비선형적입니다. 사전 승인 요청은 해결되기 전에 네 가지 다른 시스템을 거칠 수 있습니다. 지급자 요구사항은 변경됩니다. 문서화 품질은 제공자, 진료과, 주마다 다릅니다. 고정된 스크립트만 따르는 시스템은 그런 환경에서 오래 버티지 못할 것입니다.

실제로 결과가 나타나는 곳

이에 대한 거의 모든 솔직한 대화에서 가장 먼저 거론되는 것은 사전 승인입니다. 그 이유는 구조적입니다. 이는 수익주기에서 문서 작업이 가장 많고 규칙이 복잡한 업무 중 하나입니다. American Medical Association의 2024년 사전 승인 의사 설문조사에 따르면, 의사의 27%가 자신의 사전 승인 요청이 자주 또는 항상 거부된다고 보고했으며, 의사들은 평균적으로 주당 39건의 사전 승인을 완료하는데, 각각이 환자 진료에서 직접 시간을 빼앗아 갑니다. 이는 임상적 실패가 아닙니다. 문서화 및 워크플로우의 실패이며, 이는 정확히 에이전트 시스템이 해결하도록 설계된 종류의 문제입니다. 에이전트는 자격을 검증하고, 임상 문서를 지급자 기준에 매핑하며, 제출 상태를 추적하고, 인간 검토자가 개입해야 하기 전에 누락된 정보를 표면화합니다. 업무 구조가 에이전트에 적합합니다. 반복적인 정보 수집, 예측 가능한 매칭 규칙, 명확한 종료 상태. 능동적 청구 검토도 유사한 추진력을 보이고 있습니다. 거부 후 거절을 쫓는 대신, 에이전트는 지급자에 도달하기 전에 코딩 오류, 문서화 격차, 승인 불일치를 포착하는 제출 전 감사를 실행합니다. HFMA의 2025년 9월 의료 경영진 272명 대상 설문조사에 따르면, 수익주기에 AI와 자동화를 배포한 조직들은 청구 오류율의 측정 가능한 감소와 더 빠른 상환 기간을 최상위 두 가지 결과로 보고했습니다. 그런 상류 수정이 실제 재정 회복의 많은 부분이 일어나는 곳입니다.

솔직한 현실

2025년 5월 HFMA-FinThrive 설문조사에 따르면, 의료 기관의 63%가 이미 수익주기의 어딘가에서 AI와 자동화를 사용하고 있습니다. 이는 실제 추진력처럼 들립니다. 그리고 맞습니다. 하지만 별표가 붙습니다. “어떤 형태의 AI”는 많은 것을 포괄할 수 있습니다. 많은 조직에게 이는 한정된 에이전트가 수익주기의 한 구석에서 하나의 특정 업무, 일반적으로 사전 승인 또는 거부 항소를 처리하는 것을 의미합니다. 이는 합법적인 시작점입니다. 하지만 그것과 자격, 코딩, 청구, 조정을 처음부터 끝까지 아우르는 다중 에이전트 워크플로우 사이의 격차는 작지 않습니다. AI 시대의 수익주기 현대화 재고에서 탐구된 바와 같이, 전체 주기 변환에 대한 구조적 장벽은 대부분의 기술 로드맵이 인정하는 것보다 더 깊습니다. 대부분의 공급업체 대화는 그 격차를 매우 빠르게 건너뜁니다. 완전 무접점 수익주기는 계획할 합리적인 방향입니다. 단지 대부분의 조직이 현재 그 위치에 있지 않을 뿐이며, 이를 단기간에 달성 가능한 것으로 취급하는 것은 배포 중 문제를 일으키는 경향이 있습니다.

파일럿이 멈추는 이유

에이전트 AI는 테스트 중에 실패하는 경우가 거의 없습니다. 파일럿은 거의 항상 유망해 보입니다. 사용 사례는 좁고, 데이터는 비교적 깨끗하며, 누군가가 에이전트의 행동을 면밀히 주시하고 있습니다. 프로덕션은 다릅니다. 지급자 규칙은 사전 통보 없이 변경됩니다. EHR 문서화 품질은 부서, 제공자, 진료과별로 변동합니다. 예상보다 빠르게 예외 사례가 늘어납니다. 에이전트가 자신의 범위를 벗어난 것을 마주쳤을 때 명확한 에스컬레이션 경로를 아무도 설계하지 않으면, 워크플로우는 정체되거나 오류를 안고 계속 진행되어 그 오류가 수주 후에야 표면화됩니다. 파일럿에서 프로덕션으로 확장하는 것은 파일럿을 작동시키는 것과 근본적으로 다른 문제입니다. 이를 동일한 문제로 취급하는 조직들은 대개 배포 중에, 그 전이 아니라 그 사실을 발견합니다. 이는 더 넓은 AI 채용 환경이 의료를 넘어 프로덕션 실패로 어려움을 겪고 있는 이유 중 하나입니다.

인프라 문제

에이전트 AI는 작업할 깨끗하고 일관되며 연결된 데이터가 있을 때 잘 수행됩니다. 그 조건은 들리는 것보다 더 중요합니다. 대부분의 중대형 의료 시스템은 플랫폼 간 일관되지 않은 필드 정의를 가진 단편화된 EHR 환경, 다른 접근 규칙을 가진 지급자 포털, 진료과 및 개별 제공자별로 변동하는 문서화 품질을 운영합니다. 이들은 예외 사례가 아닙니다. 표준 운영 환경입니다. 이 도전은 의료 시스템이 새로운 AI 수요에 어떻게 대응하는지 형성하는 축적된 기술적 및 구조적 부채의 더 넓은 패턴과 밀접하게 관련되어 있습니다. 지저분한 데이터가 항상 명백한 실패를 초래하는 것은 아닙니다. 더 자주, 에이전트는 플래그를 설정할 필요가 없는 예외를 에스컬레이션하기 시작하고, 출력은 표면적으로는 정확해 보이지만 수주 후에야 표면화되는 오류를 조용히 안고 갑니다. 대부분의 경우 기술은 정확히 설계된 대로 작동하고 있습니다. 버티지 못하는 것은 그것이 앉아 있는 인프라입니다. 에이전트를 확장하기 전에 그 계층을 올바르게 만드는 것은 이 작업의 화려하지 않은 부분이며, 또한 공급업체 로드맵에서 충분한 주의를 받지 못하는 부분입니다.

실제로 작동할 때 변화하는 것

AMA의 2024년 사전 승인 의사 설문조사는 이 이야기의 일부를 명확히 보여줍니다: 의사의 93%가 사전 승인이 환자 결과에 부정적 영향을 미친다고 말했으며, 94%는 필요한 치료에 대한 접근을 지연시킨다고 말했습니다. 에이전트가 그 문서화 및 제출 부담을 흡수하면, 임상 직원들은 측정 가능한 시간을 되찾습니다. RCM에서 에이전트 AI에 대한 논거는 청구당 비용만이 아닙니다. 직원 시간이 실제로 어디로 가는지, 그리고 그것이 지속 가능한지에 관한 것이기도 합니다. 이를 가장 멀리 진행하고 있는 조직들은 반드시 가장 큰 기술 예산을 가진 곳이 아닙니다. 그들은 좁게 시작하고, 첫날부터 워크플로우에 인간 감독을 구축하며, 프로덕션의 첫 몇 달 동안 에이전트가 맞춘 것을 축하하기보다는 에이전트가 틀린 것에서 배우는 데 시간을 보낸 조직들인 경향이 있습니다. 제안이 시사하는 것보다 느립니다. 하지만 더 내구성 있습니다.

향후 방향

HFMA의 2026년 3월 의료 마진 및 AI 투자 보고서는 수익주기 리더들이 탐색적 파일럿에서 2026년 나머지 기간 동안 마진 보호를 위한 주요 수단으로서 AI에 대한 적극적 투자로 이동하고 있다고 언급했습니다. 이는 추측이 아닙니다. 이미 내려지고 있는 예산 결정들입니다. 덜 정립된 것은 EHR 단편화가 현실이고, 지급자 규칙이 계속 변하며, 노동력 모델이 자율 에이전트가 직무에 대해 변화시키는 것에 완전히 따라잡지 못했을 때 실제 규모의 프로덕션이 어떤 모습인지입니다. 다음 18개월은 지난 3년을 합친 것보다 더 많은 질문에 답할 것입니다. 면밀히 주목할 가치가 있습니다.