Fawad Butt, CEO og medgrunnlegger av Penguin Ai – Intervju-serie

Fawad Butt, CEO og medgrunnlegger av Penguin Ai, er en erfaren leder innen helsevesenets data og kunstig intelligens som grunnla selskapet etter å ha hatt ledende roller i Kaiser Permanente, UnitedHealthcare og Optum, der han overvåket større skala datastyring, analyser, kunstig intelligens og bedriftsplattform-initiativer. Hans erfaring med å lede datastrategi innen noen av de største betalings- og leverandørorganisasjonene har formet Penguin Ais fokus på å løse helsevesenets administrative ineffektiviteter med formål-bygde kunstig intelligens, i stedet for å tvinge generiske plattformer inn i komplekse helsearbeidsflyter. Under hans ledelse er Penguin Ai posisjonert rundt en praktisk tese: helsevesenet trenger kunstig intelligens-systemer som er spesifikt designet for betalings- og leverandør-operasjoner, med evnen til å redusere manuelt arbeid, forbedre nøyaktigheten og hjelpe teamene til å bruke mer tid på høyere-verdi kliniske og operative beslutninger.

Penguin Ai er et helsevesen-nativt kunstig intelligens-selskap som fokuserer på å automatisere administrative og kliniske operasjoner for betalere, leverandører, inntekts-syklus-håndteringsselskaper og helsevesen-teknologipartnere. Deres plattform kombinerer helsevesen-spesifikke språkmodeller, digitale arbeidere, kunstig intelligens-agenter, styring, kompatibilitetskapasiteter og arbeidsflyt-automatisering for brukssaker som forhåndsgodkjenning, kravbehandling, medisinsk kode, ankebehandling, risikojustering, betalingsintegritet, medisinsk kart-sammendrag, klinisk dokumentasjonssammendrag og berettigelsesverifisering. Selskapet har sikret 29,7 millioner dollar i venture-finansiering, inkludert en 25 millioner dollar serie A-ledet av Greycroft, for å utvide rekruttering, produktutvikling og distribusjon med betalere og leverandører, og de har også lansert Gwen, en bygg-din-egen kunstig intelligens-plattform designet for å hjelpe helsevesen-team å opprette styrte digitale arbeidere for administrative arbeidsflyter.

Etter å ha ledet data- og analytics-organisasjoner i Kaiser Permanente, UnitedHealthcare og Optum, hvilke erfaringer overbeviste deg om at helsevesenet trengte en formål-bygget kunstig intelligens-plattform, og hvordan formet disse leksjonene grunnleggingsvisjonen for Penguin Ai?

Jeg vil gi deg det eksakte øyeblikket det klikket. Jeg satt i en gjennomgang på ett av de store betalere, og stirret på en kø av forhåndsgodkjennelser som hver hadde bounset tre ganger, og ingen av dem hadde en virkelig klinisk spørsmål knyttet til. De bounset fordi et felt ikke matchet eller dokumentasjonen dukket opp i feil format. Noen av de beste operatørene i landet tilbrakte sin dag med å mate en maskin som produserte ingenting for pasienten som ventet på den andre siden. Jeg så det samme sløseri på Kaiser, på UnitedHealthcare, på Optum, bare iført forskjellige kostymer. Det var da jeg sluttet å tro på industrilinja om at friksjon er prisen for skala. Visjonen for Penguin Ai kom rett ut av den frustrasjonen: bygg en plattform som snakker betaler og leverandør, legg helsevesen-konteksten inn i systemet så en kunstig intelligens-arbeider anvender dine egne kriterier og viser sin begrunnelse, hold en person ansvarlig for den kliniske dømmingen, og fjern gruntarbeidet fra alle andre. Det er hele spillet.

Penguin Ai fokuserer på å takle det du beskriver som helsevesenets trillion-dollars administrative byrde. Hvilke arbeidsflyter prioriterte du først, og hvorfor oppstod forhåndsgodkjenning, kravbehandling, medisinsk kode og ankebehandling som de største mulighetene for kunstig intelligens-drevet transformasjon?

Vi gikk der smerten skrek høyest. Forhåndsgodkjenning, kravbehandling, medisinsk kode og ankebehandling steg til topps fordi de er enorme mengder repetert arbeid hvor de fleste sakene følger et mønster, og unntakene er sjeldne nok til at en menneske bare skal se unntakene. Forhåndsgodkjenning ledet listen fordi det er der du kan bokstavelig talt se en pasient lide mens papirarbeid sitter i en kø, og ingen forsvarer det med et rett ansikt. Når våre kunstig intelligens-arbeidere bærer det rutinemessige volumet og ruter de ekte unntakene til en person, er resultater ikke subtile. Gjennomgangene løper opp til 97 prosent raskere, avvisninger faller med over halvparten, og omtrent 92 prosent av sakene løser seg uten manuell berøring. Jeg valgte disse fire fordi de lar meg bevise tesen raskt: fjern den administrative byrden og du gjør helsevesenet bedre for pasienten, klinikeren og personen som gjør arbeidet. Alle vinner i samme trekk, og det er nettopp hvorfor vi startet der.

Som en erfaren helsevesen-leder, hva er de vanligste årsakene til at kunstig intelligens-startups ikke får fotfeste innen store helsevesen-systemer og betalere?

Jeg satt på kjøpersiden lenge nok til å se startups brenne sjansen sin på de samme tre måtene. En, de behandler helsevesenet som noen andre bedriftskonto og blir overrasket av integreringsmesset, legacy-systemene og regulatoriske vekten som ingen advarte dem om. To, de overselger autonomi og kan ikke svare på det første harde spørsmålet, som alltid er noen versjon av “vis meg hvordan det kom dit.” Ingen audit-spor, ingen begrunnelse en kompatibilitets-team vil akseptere, og piloten dør rett der i rommet. Tre, de fikser en side av betaler-leverandør-forholdet og forstår aldri at friksjonen bor på skilleflaten mellom dem. Og ærlig talt, hver eneste kjøper jeg kjenner er utslitt. De har en skuffe full av kunstig intelligens-drevne verktøy som la til en dashboard og flyttet ingen arbeid av noen sin plate. Standarden er høy og tålmodigheten er tynn, og hvem som helst som ikke kan vise en virkelig vei fra pilot til produksjon blir vist døren.

Mange helsevesen-organisasjoner er fortsatt forsiktige med å deployere kunstig intelligens i kritiske operasjoner. Hva ser en vellykket kunstig intelligens-tilpasning ut som innen en stor betaler eller leverandør-organisasjon, og hva feil gjør ledere når de prøver å skala det opp?

Reell tilpasning starter smått og tjener sin vei opp. Velg en arbeidsflyt som virkelig smerter, hold dine mennesker i løkken så de kan se arbeidet bli gjort og stole på det, og la beviset kjøpe deg utvidelsen. Når et team ser en kunstig intelligens-arbeider rydde de rutinemessige sakene korrekt og overføre dem til de som virkelig trenger dømmingen, stopper de motstanden og begynner å spørre om mer. Feilene er smertelig forutsigbare. Ledere prøver å koke havet og deployere overalt på en gang. De kjøper teknologi og redesigner aldri arbeidsflyten rundt den, så byrden flytter bare til en annen kø. Eller de trekker menneskene ut for raskt, brenner tilliten og undrer seg over hvorfor ingen berører tingene. Skalering av kunstig intelligens i et helsevesen er et endringsledelsesjobb som bærer en teknologikostyme. Teamene som vinner behandler det på den måten, og de forplikter seg til en hard målestokk på dag én så alle vet hva suksess virkelig ligner.

Penguin Ai betoner helsevesen-nativ kunstig intelligens-modeller og arbeidsflyter i stedet for generiske bedrifts-kunstig intelligens-løsninger. Hva er de unike utfordringene i helsevesenet som krever en spesialisert tilnærming, og hvor faller generiske formål-plattformer kort?

Helsevesenet er ikke en generisk bedriftsbrukstilfelle, og å påstå noe annet får deg brent. Det har sitt eget språk, sine egne regler, sine egne konsekvenser, og ingen av det er valgfritt. En generisk modell vil gi deg en selvbevisst, plausibel beskjed som er stille feil, fordi den ikke bærer din medisinsk nødvendighet-kriterium og kan ikke vise sin begrunnelse på en måte en auditor eller en kliniker vil signere av på. Ikke-start. Vi bygde Penguin Ai i lag for nettopp denne grunn: en data-lag som trekker informasjonen sammen, en kontekst-lag som holder helsevesen-spesifikke begrunnelser og styring, og kunstig intelligens-arbeidskraften som faktisk gjør arbeidet, inkludert våre forhåndsbygde kunstig intelligens-arbeider-løsninger og Gwen, byggeren som lar ditt eget team stå opp nye kunstig intelligens-arbeidere. Generiske plattformer faller kort fordi de behandler helsevesen-ekspertise som noe du kan prompte deg inn i. Du kan ikke. Du må bygge det inn i systemet, og det er hele poenget med hva vi lagde.

Forhåndsgodkjenning forblir en av de mest frustrerende prosessene for leverandører og pasienter alike. Hvordan ser du kunstig intelligens omformet forhåndsgodkjenning over de neste fem årene, og hva er nødvendige sikkerhetstiltak for å sikre at automatisering forbedrer resultater uten å skape nye barrierer?

Fem år ut, kommer de enkle godkjenningene tilbake på minutter, anvendt konsekvent mot dine egne retningslinjer, med klinikeren løkken på alt som krever medisinsk dømming. Det er den gode versjonen. Her er delen folk hopper over: automatisering kan like gjerne industrialisere barrierene hvis du bygger det late. En raskere måte å avvise omsorg på er mislighold med bedre gjennomstrømming. Så sikkerhetstiltakene er hele ballspillet. Hver anbefaling en kunstig intelligens-arbeider gjør, må bære sin begrunnelse og en full audit-spor, det vi kaller en glassboks, så noen kan se eksakt hvordan det kom dit. Hastighet kan aldri bli dekk for en stille vegg av automatiserte avvisninger. Og en kvalifisert menneske forblir ansvarlig for den kliniske dømmingen, alltid. Få det rett og forhåndsgodkjenning stopper å være det ting pasienter og leger frykter. Få det galt og du har bygget en raskere versjon av problemet. Jeg er bare interessert i den første.

Industrien snakker stadig mer om kunstig intelligens-agenter og autonome arbeidsflyter. Hva er de største tekniske og operative hindringene for å deployere kunstig intelligens som kan håndtere komplekse helsevesen-administrative oppgaver med minimalt menneskelig inngripen?

Det harde er ikke demonstrasjonen, det er kantene. Unntakshåndtering, uklare og inkonsistente data, og legacy-systemer som aldri ble bygget for å snakke med noe. Det er der den virkelige ingeniørvirksomheten bor, og det er dypt uglamorøst. Den operative hindringen er tillit, som ingen helsevesen-system gir deg for gratis. Hvis ditt folk ikke kan audite det eller forklare det, vil de ikke skala det, full stopp. Nå skal jeg motbevise premisset litt. “Minimalt menneskelig inngripen” er det feil målet, og det bekymrer meg når jeg hører det. Poenget er å frigjøre ditt folk for de komplekse sakene og dømmingene, hvor deres ekspertise faktisk tjener sin lønn. Våre kunstig intelligens-arbeidere bærer det repetitive volumet og vet når de skal trekke en person inn. Nåler den overføringen pålitelig og gjennomsiktig, på virkelig helsevesen-skala, er det harde problemet verdt å løse. Alt annet er et vitenskapsprosjekt.

Helsevesenet er en av de mest regulerte industriene i verden. Hvordan balanserer du innovasjonsfart med kompatibilitet, personvernkrav, auditabilitet og behov for menneskelig ansvar i kunstig intelligens-drevne systemer?

Du tjener retten til å flytte raskt ved å bygge ting som holder vann. I helsevesenet er styring grunnlaget, og vi helte det først. Når du håndterer pasientdata, er bedriftsdatastyring en moralsk krav, og jeg mener det bokstavelig. Så hver anbefaling løper til en glassboks-standard, begrunnelse pluss en full audit-spor, som er det som lar en kompatibilitets-team faktisk stole på hastigheten. Menneskelig ansvar er bygget inn i designet, fordi en kvalifisert person eier alt som berører klinisk dømming mens kunstig intelligens-arbeideren håndterer sammenstillingen og det rutinemessige arbeidet. Det er hvordan du får rask og pålitelig i samme system, og i denne industrien får du ikke velge ett og hoppe over det andre. De fleste mennesker rammer kompatibilitet og auditabilitet som bremsene. Jeg ser dem som det som lar deg sette foten ned på alle samme tid, fordi uten dem når du aldri produksjon fra første sted.

Du gjorde overgangen fra å overvåke større skala data- og analytics-organisasjoner til å bygge en startup fra grunnen av. Hva er de mest belønnende aspektene av operatør-til-grunnlegger-reisen, og hva utfordringer har vært de mest overraskende?

Det mest belønnende er at du endelig får bygge det riktig første gangen. Innen en stor organisasjon, flytter endringen med institusjonens fart. Hver fiksering må route gjennom legacy-systemer, konkurranse-prioriteringer og lag med godkjenning, så en endring du vet er korrekt kan ta atten måneder å lande, hvis den lander i det hele tatt. Den farten vil slite deg ned når du kan se eksakt hva som må skje. I grunnlegger-rommet, forsvinner taket. Vi får bygge fra scratch, designe plattformen rundt problemet i stedet for rundt tretti års akkumulerte arbeidsomgåelser, og levere det riktige svaret mens det fortsatt teller. Når jeg hører en sykepleier fikk kveldene sine tilbake, eller en pasient fikk et svar på timer hvor det tidligere tok dager, lander det på en måte ingen veikart-gjennomgang noen gang gjorde.

I fremtiden, hvis kunstig intelligens fjerner mye av den administrative byrden fra helsevesenet, hvordan tror du betalere, leverandører og pasienter vil oppleve helsevesenet forskjelligt over de neste ti årene?

Ti år ut, hvis vi gjør det riktig, føler systemet endelig ut som omsorg igjen. Pasienter får virkelige svar når de er redd og sårbare, og de stopper å måtte tjene en minor i forsikringsbyråkrati for å få det deres legen allerede bestilte. Klinikere tilbringer timene sine på medisinens kunst og på menneskene foran dem, i stedet for å male gjennom den åttiførste rutinemessige saken før lunch. Operasjons- og administrative personalet, noen av de mest underverdigende menneskene i denne hele industrien, gjør endelig arbeid som bruker deres virkelige ekspertise. Og betalere og leverandører koordinerer i stedet for å kaste papirarbeid tilbake og frem over en skille som ingen eier. Det er helsevesenet jeg bygger mot. Poengtallene jeg bryr meg om er kjedelige og spesifikke: tid gitt tilbake til pasient-omsorg, og forsinkelse trukket ut av pasient-erfaringen. Alt annet vi gjør er i tjeneste av disse to tallene.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Penguin Ai.