De Praktische Realiteit van Agentic AI in Healthcare Revenue Cycle Management

De omzetcyclus blijft beloften verzamelen. RPA zou alles veranderen. Zo was het ook met NLP. Toen verplaatste generatieve AI het gesprek helemaal. Nu is het agentic AI, en het verschil deze keer is dat een deel ervan daadwerkelijk werkt.

Niet alles. Niet eens het merendeel. Maar genoeg werkt in productieomgevingen om dit moment echt anders te maken dan wat eraan voorafging.

Wat het Echt Betekent om te Handelen

Er is een versie van “agentic AI” die in productdecks wordt gebruikt om elke AI te beschrijven die meer dan één ding doet. Die versie is het niet waard om over te praten.

Een echte AI-agent wacht niet tot iemand zijn uitvoer interpreteert en besluit wat hij vervolgens moet doen. Hij leest een klinische notitie, identificeert een ontbrekende autorisatie, navigeert door de payer-portal, dient het verzoek in. Als het verzoek wordt afgewezen, haalt hij de relevante documentatie op, bouwt de beroep aan, routeert het dienovereenkomstig. Geen ticket geopend. Geen wachtrij. Geen personeelslid dat door zes schermen moet klikken om daar te komen.

In RCM is dat belangrijk om een specifieke reden. Het werk is diep niet-lineair. Een aanvraag voor een prioritaire autorisatie kan vier verschillende systemen aanraken voordat deze wordt opgelost. Payer-eisen veranderen. De kwaliteit van de documentatie varieert per provider, per specialisme, per week. Een systeem dat alleen een vast script volgt, houdt het in die omgeving niet lang vol.

Waar Resultaten Echt Zichtbaar Worden

Prioritaire autorisatie komt het eerste in bijna elk eerlijk gesprek over dit onderwerp, en de reden is structureel. Het is een van de meest document-georiënteerde, regel-intensieve taken in de cyclus. De American Medical Association’s 2024 Prior Authorization Physician Survey vond dat 27% van de artsen meldt dat hun aanvragen voor prioritaire autorisatie vaak of altijd worden afgewezen, en artsen gemiddeld 39 prioritaire autorisaties per week invullen, waarbij elke aanvraag tijd rechtstreeks wegneemt van patiëntenzorg. Dat is geen klinische mislukking. Dat is een documentatie- en workflow-mislukking, wat precies het soort probleem is waarvoor agentic-systemen zijn ontwikkeld.

Agents valideren de geschiktheid, koppelen klinische documentatie aan payer-criteria, volgen de indieningsstatus, brengen ontbrekende informatie aan het licht voordat een menselijke reviewer moet worden betrokken. De taakstructuur past bij hen. Repetitieve informatie verzameling, voorspelbare matching-regels, duidelijke eindstaten.

Proactieve claim-scrubbing toont vergelijkbare tractie. In plaats van achter denials aan te jagen na een afwijzing, voeren agents pre-submissie-audits uit die coderingsfouten, documentatie-gaten en autorisatie-mismatch vaststellen voordat iets een payer bereikt. Volgens HFMA’s September 2025 survey van 272 healthcare-executives melden organisaties die AI en automatisering in de omzetcyclus hebben geïmplementeerd, meetbare reducties in claim-foutpercentages en snellere terugbetalings-termijnen als hun top twee resultaten. Dat soort upstream-correctie is waar een groot deel van de echte financiële herstel plaatsvindt.

De Eerlijke Beeld

Een HFMA-FinThrive survey van mei 2025 vond dat 63% van de zorgorganisaties al AI en automatisering op een of andere manier in hun omzetcyclus gebruiken. Dat klinkt als echte vooruitgang. En dat is het, met een asterisk.

“Een of andere vorm van AI” kan veel grond beslaan. Voor veel organisaties betekent dit een afgebakende agent die één specifieke taak uitvoert, meestal prioritaire autorisatie of denial-beroepen, in één hoek van de cyclus. Dat is een legitiem startpunt. Maar de kloof tussen dat en een multi-agent-workflow die geschiktheid, codering, claims en verzoening van einde tot einde dekt, is geen kleine kloof. Zoals onderzocht in Rethinking Revenue Cycle Modernization in the Age of AI, lopen de structurele barrières voor een volledige cyclus-transformatie dieper dan de meeste technologieroadmaps erkennen.

De meeste vendor-conversaties slaan die kloof vrij snel over. De volledig touchless omzetcyclus is een redelijke richting om naar te plannen. Het is alleen niet waar de meeste organisaties op dit moment zijn, en het behandelen ervan als haalbaar in de nabije toekomst heeft de neiging om problemen te creëren tijdens de implementatie.

Waarom Pilots Stallen

Agentic AI faalt zelden tijdens tests. Pilots zien er meestal veelbelovend uit. Het use-case is smal, de data is redelijk schoon en iemand let goed op wat de agent doet.

Productie is anders. Payer-regels veranderen zonder waarschuwing. EHR-documentatiekwaliteit verschuift per afdeling, per provider en per specialisme. Edge-cases vermenigvuldigen zich sneller dan verwacht. Wanneer niemand een duidelijke escalatie-pad heeft ontworpen voor wanneer een agent iets buiten zijn bereik raakt, stagneert de workflow of gaat deze met fouten verder die weken duren om naar boven te komen.

Het schalen van een pilot naar productie is een fundamenteel ander probleem dan het maken van de pilot werken. Organisaties die ze als hetzelfde probleem behandelen, ontdekken dat meestal tijdens de implementatie, niet ervoor. Dat is een van de redenen waarom het bredere AI-adoptielandschap heeft gestreden met productiefouten ver voorbij de zorg.

Het Infrastructuurprobleem

Agentic AI werkt goed wanneer het schone, consistente, verbonden data heeft om mee te werken. Die kwalificatie is belangrijker dan het klinkt.

De meeste middelgrote tot grote gezondheidszorgsystemen draaien gefragmenteerde EHR-omgevingen met inconsistentie in velddefinities over platforms, payer-portals met verschillende toegangsregels en documentatiekwaliteit die varieert per specialisme en individuele provider. Dit zijn geen edge-cases. Dit is de standaardoperatieomgeving. De uitdaging is nauw verwant aan een bredere patroon van opgebouwde technische en structurele schuld die vormt hoe gezondheidszorgsystemen reageren op nieuwe AI-eisen.

Rommige data veroorzaakt niet altijd duidelijke fouten. Vaker beginnen agents uitzonderingen te escaleren die ze niet zouden moeten markeren, en uitvoer ziet er op het eerste gezicht correct uit, maar draagt stilzwijgend fouten die weken duren om naar boven te komen. De technologie doet in de meeste van die gevallen precies wat het is ontworpen om te doen. Wat niet overeind houdt, is de infrastructuur waarop het zit.

Het goed krijgen van die laag voordat agents worden geschaald, is het onglamoureuze deel van dit werk, en ook het deel dat niet genoeg aandacht krijgt in vendor-roadmaps.

Wat Verandert als het Echt Werkt

De AMA’s 2024 Prior Authorization Physician Survey vertelt een deel van dit verhaal duidelijk: 93% van de artsen zegt dat prioritaire autorisatie de patiëntresultaten negatief beïnvloedt, en 94% zegt dat het de toegang tot noodzakelijke zorg vertraagt. Wanneer agents die documentatie- en indieningslast absorberen, krijgen klinisch personeel meetbare tijd terug. Het argument voor agentic AI in RCM is niet alleen over de kosten per claim. Het gaat ook over waar het personeel daadwerkelijk naar kijkt, en of dat duurzaam is.

De organisaties die het verst komen met dit, zijn niet noodzakelijkerwijs degene met de grootste technologische budgetten. Ze zijn meestal degene die smal zijn begonnen, menselijke toezicht in de workflow hebben ingebouwd vanaf de eerste dag en de eerste maanden in productie hebben doorgebracht met leren van wat de agent verkeerd deed, in plaats van alleen te vieren wat hij goed deed. Langzamer dan de pitch suggereert. Ook duurzamer.

Waar Dit Naartoe Gaat

HFMA’s rapport van maart 2026 over zorgmarge en AI-investeringen merkte op dat omzetcyclusleiders overgaan van exploratoire pilots naar actieve investeringen in AI als een primaire hefboom voor margebescherming in de rest van 2026. Dat is niet speculatief. Dat zijn al genomen budgetbeslissingen.

Wat minder vaststaat, is wat productie op grote schaal echt lijkt als EHR-fragmentatie echt is, payer-regels blijven veranderen en de werkmodellen nog niet volledig zijn aangepast aan wat autonome agents veranderen aan het werk. De komende 18 maanden zullen meer van die vragen beantwoorden dan de voorgaande drie jaar samen. Het is de moeite waard om daar aandacht aan te besteden.