Fawad Butt, CEO en mede-oprichter van Penguin Ai – Interviewreeks

Fawad Butt, CEO en mede-oprichter van Penguin Ai, is een ervaren gezondheidszorgdata- en AI-executive die het bedrijf oprichtte na leiderschapsrollen bij Kaiser Permanente, UnitedHealthcare en Optum, waar hij grote datasystemen, analytics, AI en ondernemingsplatforminitiatieven leidde. Zijn ervaring met het leiden van datastrategie binnen enkele van de grootste betalers- en zorgverlenersorganisaties vormde de focus van Penguin Ai om gezondheidszorgadministratieve inefficiënties op te lossen met speciaal ontworpen AI, in plaats van generieke platforms in complexe gezondheidszorgwerkprocessen te dwingen. Onder zijn leiding is Penguin Ai gericht op een praktische these: gezondheidszorg heeft AI-systemen nodig die specifiek zijn ontworpen voor betalers- en zorgverlenersoperaties, met de mogelijkheid om handmatig werk te verminderen, nauwkeurigheid te verbeteren en teams te helpen meer tijd te besteden aan waardevollere klinische en operationele beslissingen.

Penguin Ai is een gezondheidszorg-native AI-bedrijf dat zich richt op het automatiseren van administratieve en klinische operaties voor betalers, zorgverleners, revenue cycle managementbedrijven en gezondheidszorgtechnologiepartners. Het platform combineert gezondheidszorgspecifieke taalmodellen, digitale werknemers, AI-agents, governance-, compliance-mogelijkheden en workflowautomatisering voor use cases zoals prior authorization, claims processing, medische codering, appeals management, risicoaanpassing, betalingsintegriteit, medische chart samenvatting, klinische documentatie samenvatting en eligibility verificatie. Het bedrijf heeft 29,7 miljoen dollar aan venture financiering veiliggesteld, waaronder een serie A van 25 miljoen dollar geleid door Greycroft, om werving, productontwikkeling en implementaties met betalers en zorgverleners uit te breiden, en heeft ook Gwen gelanceerd, een build-your-own AI-platform ontworpen om gezondheidsteams te helpen beheerde digitale werknemers te maken voor administratieve workflows.

Nadat je grote datasystemen en analyticsorganisaties hebt geleid bij Kaiser Permanente, UnitedHealthcare en Optum, welke specifieke ervaringen hebben je ervan overtuigd dat gezondheidszorg een speciaal ontworpen AI-platform nodig heeft, en hoe hebben die lessen de oprichtingsvisie voor Penguin Ai gevormd?

Ik zal je het exacte moment geven waarop het klikte. Ik zat in een review bij een van de grote betalers, starend naar een wachtrij van prior auths die elk drie keer waren gebounced, en niet één ervan had een echte klinische vraag eraan vastgemaakt. Ze bounceiden omdat een veld niet overeenkwam of de documentatie opdook in het verkeerde formaat. Sommige van de beste operators in het land brachten hun dag door met het voeden van een machine die niets voor de patiënt opleverde die aan de andere kant wachtte. Ik zag diezelfde verspilling bij Kaiser, bij UnitedHealthcare, bij Optum, alleen in verschillende vermommingen. Dat is het moment waarop ik ophield met het kopen van de industrielijn dat wrijving de prijs is van schaal. De visie voor Penguin Ai kwam rechtstreeks uit die frustratie: bouw een platform dat betalers en zorgverleners spreekt, stop de gezondheidszorgcontext in het systeem zodat een AI-werknemer je eigen criteria toepast en zijn redenering laat zien, houd een persoon verantwoordelijk voor de klinische oordeel, en haal het gruntwerk van iedereen af. Dat is het hele spel.

Penguin Ai richt zich op het aanpakken van wat je de triljard dollar administratieve last van de gezondheidszorg noemt. Welke workflows heb je eerst geprioriteerd, en waarom zijn prior authorization, claims adjudication, medische codering en appeals opgekomen als de grootste kansen voor AI-gedreven transformatie?

We gingen waar de pijn het hardst schreeuwt. Prior authorization, claims adjudication, medische codering en appeals stonden bovenaan omdat ze enorme hoeveelheden repetitief werk zijn waarin de meeste gevallen een patroon volgen, en de uitzonderingen zeldzaam genoeg zijn dat een mens alleen de uitzonderingen zou moeten zien. Prior auth leidde de lijst omdat dat de plek is waar je letterlijk kunt toekijken hoe een patiënt lijdt terwijl papierwerk in een wachtrij zit, en niemand dat met een rechte rug verdedigt. Wanneer onze AI-werknemers het routinevolume dragen en de echte uitzonderingen doorsturen naar een persoon, zijn de resultaten niet subtiel. Reviews lopen tot 97 procent sneller, weigeringen dalen met meer dan de helft, en ongeveer 92 procent van de gevallen wordt opgelost zonder handmatige aanraking. Ik koos deze vier omdat ze me laten bewijzen dat de these snel klopt: stroop de administratieve last af en je maakt de gezondheidszorg beter voor de patiënt, de clinicus en de persoon die het werk doet. Iedereen wint in dezelfde zet, en dat is precies waarom we daar begonnen.

Als gezondheidszorgexecutive die talloze enterprise technologieleveranciers heeft geëvalueerd, wat zijn de meest voorkomende redenen waarom AI-startups geen grip krijgen binnen grote gezondheidszorgsystemen en betalers?

Ik zat lang genoeg aan de koperskant om te zien hoe startups hun kans verbranden op drie manieren. Een, ze behandelen gezondheidszorg als elke andere onderneming en worden overrompeld door de integratiemess, de legacy systemen en de regelgevingslast waar niemand hen over heeft gewaarschuwd. Twee, ze verkopen autonomie en kunnen dan niet het eerste harde antwoord geven, dat altijd een of andere versie is van “laat zien hoe je daar bent gekomen.” Geen audit trail, geen redenering die een compliance team zal accepteren, en de proef sterft recht daar in de kamer. Drie, ze lossen één kant van de betaler-zorgverlenerrelatie op en begrijpen nooit dat de wrijving leeft op de naad tussen hen. En eerlijk gezegd, elke koper die ik ken is uitgeput. Ze hebben een lade vol AI-gepowered tools die een dashboard hebben toegevoegd en geen enkel werk van iemands bord hebben gehaald. De lat ligt hoog en het geduld is dun, en iedereen die geen echte weg van proef naar productie kan laten zien, wordt de deur gewezen.

Veel gezondheidszorgorganisaties zijn nog steeds voorzichtig over het inzetten van AI in missie-kritieke operaties. Wat ziet succesvolle AI-adoptie eruit in een grote betaler- of zorgverlenersorganisatie, en welke fouten maken leiders wanneer ze proberen het op te schalen?

Echte adoptie begint klein en verdient zijn weg omhoog. Kies één workflow die echt pijn doet, houd je mensen in de lus zodat ze het werk kunnen zien gebeuren en het kunnen vertrouwen, en laat het bewijs je de uitbreiding kopen. Wanneer een team ziet dat een AI-werknemer de routinegevallen correct afhandelt en hen de gevallen geeft die echt oordeel nodig hebben, stoppen ze met weerstand bieden en beginnen ze om meer te vragen. De fouten zijn pijnlijk voorspelbaar. Leiders proberen de oceaan te koken en overal tegelijk te implementeren. Ze kopen technologie en ontwerpen nooit de workflow opnieuw rondom het, dus de last verplaatst zich alleen naar een andere wachtrij. Of ze halen de mensen er te snel uit, verbranden het vertrouwen en vragen zich dan af waarom niemand het ding aanraakt. Het opschalen van AI in een gezondheidszorgsysteem is een veranderingsbeheerbaan met een technologiecostume. De teams die winnen behandelen het zo, en ze committeren zich aan een harde meting op de eerste dag, zodat iedereen weet wat succes eigenlijk betekent.

Penguin Ai benadrukt gezondheidszorg-native AI-modellen en workflows in plaats van generieke ondernemingsoplossingen. Welke unieke uitdagingen in de gezondheidszorg vereisen een gespecialiseerde aanpak, en waar falen algemene AI-platforms?

Gezondheidszorg is geen generieke ondernemingsgeval, en doen alsof het dat wel is, brandt je. Het heeft zijn eigen taal, zijn eigen regels, zijn eigen gevolgen, en niets daarvan is optioneel. Een algemeen model zal je een zelfverzekerd, plausibel antwoord geven dat stilzwijgend verkeerd is, omdat het je medische noodzaakcriteria niet draagt en zijn werk niet op een manier kan laten zien die een auditor of clinicus zal ondertekenen. Geen beginnen aan. We bouwden Penguin Ai in lagen om precies deze reden: een datalaag die de informatie samenbrengt, een Contextlaag die de gezondheidszorgspecifieke redenering en governance bevat, en de AI-werknemers die het werk daadwerkelijk doen, inclusief onze vooraf gebouwde AI-werknemeroplossingen en Gwen, de bouwer die je eigen team laat opstaan om nieuwe AI-werknemers te maken. Algemene platforms falen omdat ze gezondheidszorgexpertise behandelen als iets dat je je weg kunt prompten. Je kunt dat niet. Je moet het in het systeem bouwen, en dat is het hele punt van wat we hebben gemaakt.

Prior authorization blijft een van de meest frustrerende processen voor zorgverleners en patiënten. Hoe zie je AI prior authorization over de komende vijf jaar herschappen, en welke waarborgen zijn nodig om ervoor te zorgen dat automatisering de resultaten verbetert zonder nieuwe barrières te creëren?

Over vijf jaar komen de eenvoudige goedkeuringen terug in minuten, consistent toegepast tegen je eigen richtlijnen, met de clinicus in de lus voor alles wat medisch oordeel vereist. Dat is de goede versie. Hier is het deel dat mensen overslaan: automatisering kan net zo gemakkelijk barrières industrialiseren als je het lui bouwt. Een snellere manier om zorg te weigeren is misdaad met betere doorstroming. Dus de waarborgen zijn het hele spel. Elke aanbeveling die een AI-werknemer doet, moet zijn redenering en een volledige audit trail dragen, wat we een glazen doos noemen, zodat iedereen precies kan zien hoe het daar is gekomen. Snelheid kan nooit dekking worden voor een stille muur van geautomatiseerde weigeringen. En een gekwalificeerde mens blijft verantwoordelijk voor het klinische oordeel, altijd. Krijg dat goed en prior auth houdt op een ding te zijn waar patiënten en artsen een hekel aan hebben. Krijg het verkeerd en je hebt een snellere versie van het probleem gebouwd. Ik ben alleen geïnteresseerd in de eerste.

De industrie praat steeds meer over AI-agents en autonome workflows. Wat zijn de grootste technische en operationele hindernissen voor het implementeren van AI die complexe gezondheidszorgadministratieve taken met minimale menselijke interventie kunnen afhandelen?

Het harde deel is niet de demo, het zijn de randen. Uitzonderingsbehandeling, rommelige en inconsistente data, en legacy systemen die nooit zijn gebouwd om met iets te praten. Dat is waar de echte engineering leeft, en het is diep onglamoureus. De operationele hindernis is vertrouwen, dat geen enkel gezondheidszorgsysteem je voor niets geeft. Als je mensen het niet kunnen auditen of uitleggen, zullen ze het niet opschalen, punt. Laat me even tegen de premisse duwen. “Minimale menselijke interventie” is het verkeerde doel, en het maakt me bezorgd wanneer ik het hoor. Het punt is om je mensen te bevrijden voor de complexe gevallen en de oordeelsvellen, waar hun expertise echt verdient. Onze AI-werknemers dragen het repetitieve volume en weten wanneer ze een persoon moeten inschakelen. Het vastmaken van die overdracht, betrouwbaar en transparant, op echte gezondheidszorgschaal, is het harde probleem dat het oplossen waard is. Alles anders is een wetenschapsbeursproject.

Gezondheidszorg is een van de zwaarst gereguleerde industrieën ter wereld. Hoe balanceren innovatiesnelheid met compliance, privacyvereisten, auditeerbaarheid en de behoefte aan menselijke verantwoordelijkheid in AI-gedreven systemen?

Je verdient het recht om snel te bewegen door dingen te bouwen die standhouden. In de gezondheidszorg is governance de basis, en we hebben die als eerste gegoten. Wanneer je met patiëntgegevens omgaat, is ondernemingsgegevensgovernance moreel vereist, en ik bedoel dat letterlijk. Dus elke aanbeveling loopt naar een glazen doosstandaard, redenering plus een volledige audit trail, wat een compliance team laat zien dat ze de snelheid kunnen vertrouwen. Menselijke verantwoordelijkheid is ingebouwd in het ontwerp, omdat een gekwalificeerde persoon alles bezit dat klinisch oordeel raakt, terwijl de AI-werknemer de assemblage en de routinebelasting afhandelt. Dat is hoe je snel en betrouwbaar in hetzelfde systeem krijgt, en in deze industrie kun je niet kiezen voor het een en het ander overslaan. De meeste mensen behandelen compliance en auditeerbaarheid als remmen. Ik zie ze als hetgeen dat je laat voet op de grond zetten, omdat je zonder hen nooit productie bereikt in de eerste plaats.

Je bent overgestapt van het leiden van grote ondernemingsdatasytemen en analyticsorganisaties naar het opbouwen van een startup van scratch. Wat zijn de meest lonende aspecten van de operator-naar-oprichter-reis, en welke uitdagingen waren het meest verrassend?

Het meest lonende deel is dat je eindelijk het recht hebt om het goed te doen vanaf het begin. Binnen een grote organisatie beweegt verandering zich met de snelheid van de instelling. Elke reparatie moet door legacy systemen, concurrerende prioriteiten en lagen van goedkeuring gaan, dus een reparatie die je weet correct is, kan achttien maanden duren om te landen, als het al landt. Die snelheid zal je uitputten wanneer je precies weet wat er moet gebeuren. In de oprichtersruimte verdwijnt dat plafond. We krijgen de kans om van scratch te bouwen, het platform te ontwerpen rondom het probleem in plaats van rondom dertig jaar aan opgebouwde werkommers, en de juiste oplossing te verschepen terwijl het nog ertoe doet. Wanneer ik hoor dat een verpleegster haar avonden terugkrijgt, of een patiënt een antwoord krijgt in uren waar het eerder dagen duurde, landt dat op een manier die geen enkele roadmapreview ooit deed.

Het meest verrassende deel, en het heeft me echt nederig gemaakt, is hoeveel van deze baan verhaalvertelling is. Ik kwam uit data en systemen, en ik nam aan dat de technologie de argumenten zou dragen. Dat doet het niet. Je vraagt mensen om te geloven dat een andere manier van werken mogelijk is, en je verdient dat geloof één bewijsstuk tegelijk. Het tempo is meedogenloos, je draagt veertig hoeden voor de lunch, en het is nog steeds het meest betekenisvolle werk dat ik ooit heb gedaan.

Kijkend naar de toekomst, als AI erin slaagt om veel van de administratieve last van de gezondheidszorg te verwijderen, hoe denk je dat betalers, zorgverleners en patiënten de gezondheidszorgsysteem anders zullen ervaren in de komende tien jaar?

Over tien jaar, als we het goed doen, voelt het systeem eindelijk weer als zorg aan. Patiënten krijgen echte antwoorden wanneer ze bang en kwetsbaar zijn, en ze stoppen met het verdienen van een kleine onderneming in verzekeringenbureaucratie om te krijgen wat hun arts al heeft besteld. Clinici besteden hun uren aan de kunst van de geneeskunde en aan de mensen voor hen, in plaats van door te worstelen met de 87e routinezaak voor de lunch. Het operationele en administratieve personeel, sommige van de meest ondergewaardeerde mensen in deze hele industrie, doen eindelijk werk dat hun echte expertise gebruikt. En betalers en zorgverleners coördineren in plaats van papierwerk heen en weer te gooien over een naad die niemand bezit. Dat is de gezondheidszorg die ik naar toe bouw. De scorecard die ik belangrijk vind, is saai en specifiek: tijd gegeven terug aan patiëntenzorg, en vertraging getrokken uit de patiëntenervaring. Alles wat we doen is in dienst van die twee getallen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Penguin Ai bezoeken.