사상 리더
의료 수익 주기 관리에서 에이전트형 AI가 마주한 현실

핵심 포인트에이전트형 AI는 복잡한 다중 시스템 워크플로우를 자동화하여 사전 승인 분야에서 실제적인 성과를 제공하고 있습니다.
더 보기
- 에이전트형 AI는 복잡한 다중 시스템 워크플로우를 자동화하여 사전 승인 분야에서 실제적인 성과를 제공하고 있습니다.
- 프로덕션 확장은 종종 AI 기술 자체가 아닌 분산된 데이터 인프라로 인해 실패합니다.
- 성공적인 구현은 인간의 감독 하에 좁은 범위에서 시작하며, 에이전트 오류로부터 먼저 학습합니다.
의료 수익 주기에는 새로운 약속이 끊임없이 쌓인다. RPA가 모든 것을 바꿀 것이라고 했다. NLP도 마찬가지였다. 이후 생성형 AI가 논의의 방향을 완전히 바꿨다. 이제는 에이전트형 AI다. 이번에 다른 점은 일부가 실제 현장에 정착하고 있다는 것이다.
전부는 아니다. 대부분도 아니다. 하지만 운영 환경에서 작동하는 사례가 충분히 있어 지금은 이전과 다른 시점이라고 할 수 있다.
실제로 행동한다는 것은 무엇인가
제품 소개 자료에서는 두 가지 이상을 하는 AI라면 무엇이든 «에이전트형 AI»라고 부르기도 한다. 그런 정의는 논의할 가치가 없다.
진짜 AI 에이전트는 누군가 출력을 해석하고 다음 행동을 결정할 때까지 기다리지 않는다. 임상 기록을 읽고, 필요한 승인이 없음을 찾아내고, 보험자 등 지급 주체의 포털에 들어가 요청을 제출한다. 거절되면 관련 문서를 모으고 이의신청을 작성해 알맞은 곳으로 보낸다. 업무 티켓을 열거나 대기열에 넣을 필요도 없고, 직원이 여섯 화면을 클릭하며 진행할 필요도 없다.
수익 주기 관리(RCM)에서 이것이 중요한 이유는 업무가 단순한 일직선으로 흐르지 않기 때문이다. 사전 승인 요청은 해결될 때까지 네 시스템을 거칠 수 있다. 지급 주체의 요건은 바뀐다. 문서 품질은 의료 제공자, 전문 분야, 주마다 달라진다. 정해진 절차만 따르는 시스템은 이런 환경에서 오래 버티지 못한다.
실제로 성과가 나타나는 영역
이 문제를 솔직하게 논의하면 거의 언제나 사전 승인이 먼저 나온다. 구조적인 이유가 있다. 수익 주기에서 문서와 규칙 적용을 가장 많이 요구하는 업무 중 하나이기 때문이다. 미국의사협회(AMA)의 2024년 사전 승인 관련 의사 설문조사
에서 의사의 27%는 자신의 사전 승인 요청이 자주 또는 항상 거절된다고 답했다. 의사들은 평균 주 39건의 사전 승인을 처리하며, 건마다 환자 진료에 쓸 시간을 직접 빼앗긴다. 이는 임상적 실패가 아니라 문서와 업무 흐름의 실패이며, 에이전트 시스템이 해결하도록 설계된 바로 그런 문제다.
에이전트는 보장 자격을 확인하고, 임상 문서를 지급 주체의 기준과 대조하며, 제출 상태를 추적하고, 사람이 검토에 나서기 전에 부족한 정보를 제시한다. 반복적인 정보 수집, 예측 가능한 대조 규칙, 명확한 종료 상태라는 업무 구조가 적합하다.
청구 내용을 사전에 점검하는 작업도 비슷한 진전을 보인다. 거절된 뒤에야 대응하는 대신 제출 전 검토로 의료 코드 오류, 문서 누락, 승인 불일치를 찾아내 지급 주체에게 전달되기 전에 문제를 잡는다. HFMA가 2025년 9월 의료 경영진 272명을 대상으로 실시한 설문조사
에 따르면, 수익 주기에 AI와 자동화를 도입한 조직이 꼽은 가장 큰 두 성과는 청구 오류율의 측정 가능한 감소와 더 빠른 보상금 지급이었다. 실제 재무 개선의 상당 부분은 이런 초기 단계의 수정에서 나온다.
솔직하게 본 현재 상황
HFMA와 FinThrive의 2025년 5월 설문조사
에서는 의료 조직의 63%가 수익 주기 어딘가에 이미 AI와 자동화를 쓰고 있다고 밝혔다. 분명한 진전처럼 들린다. 실제로 그렇지만 단서가 붙는다.
«어떤 형태의 AI»가 뜻하는 범위는 넓다. 많은 조직에서는 수익 주기 일부에서 사전 승인이나 거절에 대한 이의신청처럼 특정한 한 업무를 처리하는, 범위가 제한된 에이전트를 뜻한다. 타당한 출발점이다. 하지만 여기서 자격 확인, 의료 코딩, 청구, 회계 대사까지 처음부터 끝까지 다루는 다중 에이전트 업무 흐름으로 가는 격차는 작지 않다. «AI 시대의 수익 주기 현대화를 다시 생각하다»
에서 살펴봤듯이, 전체 주기를 바꾸는 구조적 장벽은 대부분의 기술 로드맵이 인정하는 것보다 깊다.
공급업체와의 대화에서는 이 격차를 금세 건너뛰는 경우가 많다. 사람이 직접 처리하지 않는 수익 주기는 계획의 방향으로는 합리적이다. 그러나 대부분의 조직은 아직 그 단계가 아니며, 단기간에 달성 가능하다고 보면 도입 과정에서 문제가 생기기 쉽다.
시범 사업이 정체되는 이유
에이전트형 AI는 테스트에서는 좀처럼 실패하지 않는다. 시범 사업은 거의 언제나 유망해 보인다. 사용 범위가 좁고, 데이터가 비교적 깨끗하며, 누군가 에이전트의 행동을 세심히 보고 있다.
실제 운영은 다르다. 지급 주체의 규칙이 예고 없이 바뀐다. 전자건강기록(EHR)의 문서 품질은 부서, 의료 제공자, 전문 분야에 따라 달라진다. 예외 사례는 예상보다 빠르게 늘어난다. 에이전트가 범위 밖의 일을 만났을 때 넘겨줄 명확한 경로를 설계하지 않았다면, 업무가 멈추거나 몇 주 뒤에야 드러나는 오류를 안고 계속된다.
시범 사업에서 실제 운영으로 규모를 확대하는 일은 시범 사업을 작동시키는 것과 근본적으로 다른 문제다. 둘을 같은 문제로 취급하는 조직은 대개 도입 전이 아니라 도입 중에 차이를 발견한다. 의료를 넘어 AI 도입 전반에서 운영 실패가 발생하는 이유 중 하나다.
인프라 문제
에이전트형 AI는 깨끗하고 일관되며 서로 연결된 데이터가 있을 때 잘 작동한다. 이 조건은 생각보다 중요하다.
대부분의 중대형 의료 시스템은 분절된 EHR 환경에서 운영된다. 플랫폼마다 필드 정의가 다르고, 지급 주체의 포털별로 접근 규칙이 다르며, 문서 품질도 전문 분야와 개별 의료 제공자에 따라 달라진다. 예외가 아니라 일반적인 운영 환경이다. 이 문제는 누적된 기술적·구조적 부채라는 더 큰 양상과 밀접하게 연결되며, 이 부채는 의료 시스템이 새로운 AI 요구에 대응하는 방식에 영향을 준다.
정돈되지 않은 데이터가 늘 명백한 실패를 일으키는 것은 아니다. 더 흔한 경우는 에이전트가 알릴 필요가 없어야 할 예외를 상위 담당자에게 넘기기 시작하고, 출력은 겉으로 맞아 보여도 몇 주 뒤에 드러날 오류를 숨기고 있는 것이다. 대부분의 이런 경우 기술은 설계한 대로 움직인다. 버티지 못하는 것은 그 아래 인프라다.
에이전트를 확대하기 전에 이 기반을 바로잡는 일은 화려하지 않다. 공급업체의 로드맵에서 충분한 관심을 받지 못하는 부분이기도 하다.
정말 작동하면 무엇이 달라지는가
AMA의 2024년 사전 승인 관련 의사 설문조사
는 이 이야기의 일부를 분명히 보여준다. 의사의 93%는 사전 승인이 환자의 치료 결과에 부정적 영향을 주며, 94%는 필요한 진료에 접근하는 시점을 늦춘다고 답했다. 에이전트가 문서화와 제출 부담을 맡으면 임상 직원은 측정 가능한 양의 시간을 돌려받는다. RCM에서 에이전트형 AI를 쓰는 근거는 청구 건당 비용만이 아니다. 직원 시간이 실제로 어디에 쓰이고, 그 상태가 지속 가능한지도 중요하다.
가장 앞선 조직이 반드시 기술 예산이 가장 큰 곳은 아니다. 대개 범위를 좁혀 시작하고, 첫날부터 사람의 감독을 포함했으며, 초기 운영 몇 달을 성공만 축하하는 대신 에이전트의 실수에서 배우는 데 썼다. 홍보가 말하는 것보다 느리지만 더 오래간다.
앞으로의 방향
HFMA의 2026년 3월 의료 이익률 및 AI 투자 보고서
는 수익 주기 책임자들이 탐색적 시범 사업에서 벗어나, 남은 2026년 동안 이익률을 지키는 주요 수단으로 AI에 적극 투자하고 있다고 지적했다. 추측이 아니다. 이미 이뤄지고 있는 예산 결정이다.
아직 불확실한 것은 EHR 분절이 현실이고, 지급 주체의 규칙은 계속 바뀌며, 인력 운영 모델이 자율 에이전트가 바꾸는 업무를 완전히 따라잡지 못한 상황에서 대규모 운영이 실제로 어떤 모습이 될지다. 앞으로 18개월은 지난 3년을 합친 것보다 더 많은 질문에 답할 것이다. 주의 깊게 지켜볼 만하다.












