De praktijk van agentische AI in het declaratie- en betalingsproces van de zorg

De beloften blijven zich opstapelen rond het declaratie- en betalingsproces in de zorg. RPA zou alles veranderen. NLP ook. Daarna veranderde generatieve AI het gesprek volledig. Nu gaat het om agentische AI, met dit verschil: een deel ervan krijgt daadwerkelijk voet aan de grond.

Niet alles. Zelfs niet het meeste. Maar er werkt genoeg in productieomgevingen om deze fase werkelijk anders te maken dan de vorige.

Wat daadwerkelijk handelen betekent

In productpresentaties wordt «agentische AI» soms gebruikt voor elke AI die meer dan één ding doet. Die definitie is het bespreken niet waard.

Een echte AI-agent wacht niet tot iemand de uitvoer interpreteert en beslist wat er daarna moet gebeuren. Hij leest een klinische aantekening, ontdekt een ontbrekende machtiging, navigeert door het portaal van de betalende partij en dient de aanvraag in. Wordt deze afgewezen, dan verzamelt hij de relevante documentatie, stelt een bezwaar op en stuurt het naar de juiste plek. Geen ticket dat wordt aangemaakt. Geen wachtrij. Geen medewerker die door zes schermen hoeft te klikken.

Bij revenue-cyclemanagement (RCM) is dat om een specifieke reden belangrijk: het werk verloopt allerminst lineair. Een aanvraag voor voorafgaande toestemming kan vier systemen doorlopen voordat deze is afgehandeld. Eisen van betalende partijen veranderen. De kwaliteit van de documentatie verschilt per zorgverlener, specialisme en week. Een systeem dat alleen een vast script volgt, houdt in die omgeving niet lang stand.

Waar resultaten daadwerkelijk zichtbaar worden

Voorafgaande toestemming komt in vrijwel elk eerlijk gesprek over dit onderwerp als eerste aan bod, om een structurele reden. Het is een van de taken in het proces die de meeste documentatie en toepassing van regels vergen. Uit de artsenenquête van de American Medical Association uit 2024 over voorafgaande toestemming
bleek dat 27% van de artsen zegt dat hun aanvragen vaak of altijd worden afgewezen. Artsen behandelen gemiddeld 39 van deze toestemmingen per week, die stuk voor stuk rechtstreeks tijd wegnemen van de patiëntenzorg. Dat is geen klinisch falen, maar een probleem met documentatie en werkprocessen — precies het soort probleem waarvoor agentische systemen zijn gemaakt.

Agenten controleren of iemand recht heeft op vergoeding, vergelijken klinische documentatie met de criteria van de betalende partij, volgen de indieningsstatus en tonen ontbrekende informatie voordat een menselijke beoordelaar moet ingrijpen. De taakstructuur past bij hen: herhaald informatie verzamelen, voorspelbare vergelijkingsregels en duidelijke eindpunten.

Ook het vooraf controleren van declaraties boekt vergelijkbare vooruitgang. In plaats van afwijzingen achteraf op te lossen, voeren agenten controles vóór indiening uit die coderingsfouten, ontbrekende documentatie en niet-passende machtigingen opsporen voordat iets bij de betalende partij terechtkomt. Volgens de HFMA-enquête van september 2025 onder 272 bestuurders in de zorg
noemen organisaties die AI en automatisering in hun declaratie- en betalingsproces hebben ingezet, meetbaar minder declaratiefouten en snellere vergoedingen als de twee belangrijkste resultaten. Veel daadwerkelijk financieel herstel vindt plaats door zulke correcties vroeg in het proces.

Het eerlijke beeld

Uit een enquête van HFMA en FinThrive uit mei 2025
bleek dat 63% van de zorgorganisaties ergens in hun revenue cycle al AI en automatisering gebruikt. Dat klinkt als echte vooruitgang. Dat is het ook, maar met een kanttekening.

«Een vorm van AI» kan veel betekenen. Voor veel organisaties is het een afgebakende agent die één taak uitvoert, doorgaans voorafgaande toestemming of bezwaar tegen afwijzingen, in één deel van het proces. Dat is een gerechtvaardigd begin. Maar de afstand tot een werkproces met meerdere agenten dat recht op vergoeding, codering, declaraties en financiële afstemming van begin tot eind omvat, is groot. Zoals besproken in «Modernisering van de revenue cycle heroverwegen in het AI-tijdperk»
gaan de structurele barrières voor verandering van het hele proces dieper dan de meeste technologische routekaarten erkennen.

De meeste gesprekken met leveranciers gaan snel aan die kloof voorbij. Een declaratie- en betalingsproces zonder enige handmatige verwerking is een redelijke richting om naartoe te plannen. De meeste organisaties zijn daar nu alleen nog niet. Het behandelen als iets dat op korte termijn haalbaar is, leidt vaak tot problemen bij de invoering.

Waarom proefprojecten vastlopen

Agentische AI faalt zelden tijdens tests. Proefprojecten zien er bijna altijd veelbelovend uit. De toepassing is afgebakend, de gegevens zijn redelijk schoon en iemand volgt nauwlettend wat de agent doet.

Productie is anders. Regels van betalende partijen veranderen zonder waarschuwing. De kwaliteit van documentatie in elektronische patiëntendossiers verschilt per afdeling, zorgverlener en specialisme. Uitzonderingsgevallen nemen sneller toe dan verwacht. Heeft niemand een duidelijke route voor doorverwijzing ontworpen wanneer een agent iets buiten zijn bereik tegenkomt, dan loopt het werkproces vast of gaat het door met fouten die pas weken later aan het licht komen.

Opschalen van proefproject naar productie is een wezenlijk ander probleem dan het proefproject laten werken. Organisaties die beide als hetzelfde probleem behandelen, ontdekken dat meestal tijdens de invoering en niet ervoor. Dat is een van de redenen waarom AI-invoering ook ver buiten de zorg met mislukkingen in productie kampt.

Het infrastructuurprobleem

Agentische AI presteert goed wanneer zij met schone, consistente en onderling verbonden gegevens kan werken. Die voorwaarde is belangrijker dan ze klinkt.

De meeste middelgrote en grote zorgorganisaties werken met versnipperde elektronische patiëntendossiers, uiteenlopende velddefinities per platform, portalen van betalende partijen met verschillende toegangsregels en documentatie waarvan de kwaliteit per specialisme en individuele zorgverlener verschilt. Dit zijn geen uitzonderingen, maar de normale werkomgeving. De uitdaging hangt nauw samen met een breder patroon van opgebouwde technische en structurele schuld, die beïnvloedt hoe zorgsystemen op nieuwe AI-eisen reageren.

Rommelige gegevens veroorzaken niet altijd duidelijke storingen. Vaker beginnen agenten uitzonderingen door te zetten die ze niet zouden hoeven markeren. De uitvoer lijkt correct, maar bevat ongemerkt fouten die pas weken later zichtbaar worden. In de meeste van die gevallen doet de technologie precies waarvoor ze ontworpen is. Wat niet standhoudt, is de infrastructuur waarop ze draait.

Die laag op orde krijgen voordat agenten worden opgeschaald is het weinig aantrekkelijke deel van dit werk, en ook het deel dat in de routekaarten van leveranciers te weinig aandacht krijgt.

Wat verandert wanneer het echt werkt

De AMA-artsenenquête uit 2024 over voorafgaande toestemming
maakt een deel van het verhaal duidelijk: 93% van de artsen zegt dat voorafgaande toestemming de behandeluitkomsten nadelig beïnvloedt en 94% dat zij de toegang tot noodzakelijke zorg vertraagt. Wanneer agenten de last van documenteren en indienen overnemen, krijgt klinisch personeel meetbaar tijd terug. Het argument voor agentische AI in RCM gaat niet alleen over kosten per declaratie, maar ook over waar de tijd van medewerkers werkelijk naartoe gaat en of dat houdbaar is.

De organisaties die hiermee het verst zijn, hebben niet noodzakelijk de grootste technologiebudgetten. Het zijn vaak organisaties die klein begonnen, vanaf dag één menselijk toezicht inbouwden en de eerste productiemaanden gebruikten om van fouten van de agent te leren in plaats van alleen successen te vieren. Langzamer dan het verkooppraatje suggereert, maar ook duurzamer.

Waar het naartoe gaat

Het HFMA-rapport van maart 2026 over zorgmarges en AI-investeringen
merkte op dat verantwoordelijken voor de revenue cycle overstappen van verkennende proefprojecten naar actieve AI-investeringen als belangrijk middel om marges in de rest van 2026 te beschermen. Dat is geen speculatie: het zijn begrotingsbesluiten die al worden genomen.

Minder duidelijk is hoe productie op grote schaal eruitziet wanneer patiëntendossiers versnipperd zijn, regels van betalende partijen blijven veranderen en personeelsmodellen nog niet volledig zijn aangepast aan hoe autonome agenten het werk veranderen. De komende 18 maanden zullen meer van die vragen beantwoorden dan de voorgaande drie jaar samen. Dat verdient nauwlettende aandacht.