Tankeledere
Agentbasert AI i praksis i helsevesenets inntektssyklusforvaltning

Viktige punkterAgentisk AI leverer konkrete resultater i forbindelse med forhåndsgodkjenning ved å…
Vis mer
- Agentisk AI leverer konkrete resultater i forbindelse med forhåndsgodkjenning ved å automatisere komplekse arbeidsflyter som involverer flere systemer.
- Oppskalering til produksjon svikter ofte på grunn av fragmentert datainfrastruktur, ikke på grunn av AI-teknologien i seg selv.
- Vellykkede implementeringer starter smalt med menneskelig tilsyn og lærer først av agentfeil.
Løftene fortsetter å samle seg rundt helsevesenets fakturerings- og betalingsprosesser. RPA skulle forandre alt. Det samme gjaldt NLP. Så endret generativ AI hele diskusjonen. Nå er det agentbasert AI, og forskjellen denne gangen er at noe av det faktisk begynner å fungere i praksis.
Ikke alt. Ikke engang det meste. Men nok fungerer i produksjonsmiljøer til at situasjonen skiller seg fra det som kom før.
Hva det faktisk betyr å handle
I produktpresentasjoner brukes «agentbasert AI» noen ganger om all AI som gjør mer enn én ting. Den definisjonen er ikke verdt å diskutere.
En ekte AI-agent venter ikke på at noen skal tolke resultatet og bestemme neste steg. Den leser et klinisk notat, finner en manglende godkjenning, går gjennom betalerens portal og sender søknaden. Blir den avslått, henter agenten relevant dokumentasjon, utformer en klage og sender den til riktig mottaker. Ingen oppfølgingssak åpnes. Ingen kø. Ingen ansatt trenger å klikke seg gjennom seks skjermbilder.
I inntektssyklusforvaltning, RCM, betyr dette noe av en bestemt grunn: arbeidet er langt fra lineært. En søknad om forhåndsgodkjenning kan berøre fire systemer før den avgjøres. Betalernes krav endres. Dokumentasjonens kvalitet varierer mellom behandlere, spesialiteter og uker. Et system som bare følger et fast manus, holder ikke lenge i et slikt miljø.
Hvor resultatene faktisk viser seg
Forhåndsgodkjenning kommer først i nesten enhver ærlig samtale om dette, av en strukturell grunn. Det er en av syklusens mest dokument- og regelkrevende oppgaver. American Medical Associations legeundersøkelse om forhåndsgodkjenning fra 2024
fant at 27 % av legene sier at søknadene deres ofte eller alltid avslås. Leger fullfører i gjennomsnitt 39 forhåndsgodkjenninger per uke, og hver av dem tar tid direkte fra pasientbehandlingen. Det er ingen klinisk svikt, men svikt i dokumentasjon og arbeidsflyt — akkurat den typen problem agentbaserte systemer er laget for.
Agenter kontrollerer retten til dekning, sammenholder klinisk dokumentasjon med betalerens kriterier, følger innsendingsstatus og viser manglende opplysninger før en menneskelig saksbehandler må involveres. Oppgavestrukturen passer dem: gjentatt informasjonsinnhenting, forutsigbare sammenligningsregler og klare sluttilstander.
Forebyggende kontroll av refusjonskrav viser tilsvarende fremgang. I stedet for å håndtere avslag i etterkant kontrollerer agentene dokumentene før innsending og finner medisinske kodefeil, dokumentasjonsmangler og avvik i godkjenninger før noe når betaleren. Ifølge HFMAs undersøkelse blant 272 helseledere i september 2025
oppgir organisasjoner som har innført AI og automatisering i inntektssyklusen, målbar reduksjon i feilraten for krav og raskere refusjonsutbetalinger som sine to fremste resultater. Mye av den faktiske økonomiske bedringen skjer gjennom slike korrigeringer tidlig i prosessen.
Et ærlig bilde
En undersøkelse fra HFMA og FinThrive i mai 2025
fant at 63 % av helseorganisasjonene allerede bruker AI og automatisering et sted i inntektssyklusen. Det høres ut som virkelig fremgang. Det er det også, men med et forbehold.
«En form for AI» kan bety mye. For mange organisasjoner innebærer det en avgrenset agent som utfører én bestemt oppgave, vanligvis forhåndsgodkjenning eller klager på avslag, i én del av syklusen. Det er en legitim start. Men avstanden til en arbeidsflyt med flere agenter som dekker rettighetskontroll, koding, refusjonskrav og avstemming fra start til slutt, er stor. Som drøftet i «Å tenke nytt om modernisering av inntektssyklusen i AI-tidsalderen»
går de strukturelle hindringene for omlegging av hele syklusen dypere enn de fleste teknologiplaner erkjenner.
De fleste leverandørsamtaler hopper raskt over dette gapet. En inntektssyklus helt uten manuell saksbehandling er en rimelig retning å planlegge mot. De fleste organisasjoner er bare ikke der i dag, og å behandle dette som oppnåelig på kort sikt skaper gjerne problemer under innføringen.
Hvorfor pilotprosjekter stopper opp
Agentbasert AI mislykkes sjelden under testing. Pilotprosjekter ser nesten alltid lovende ut. Bruksområdet er smalt, dataene rimelig rene og noen følger nøye med på hva agenten gjør.
Produksjon er annerledes. Betalernes regler endres uten varsel. Dokumentasjonskvaliteten i elektroniske pasientjournaler varierer mellom avdelinger, behandlere og spesialiteter. Unntakstilfeller øker raskere enn ventet. Hvis ingen har laget en klar vei for å sende saker videre når agenten møter noe utenfor sitt område, stopper arbeidsflyten eller fortsetter med feil som ikke oppdages før etter flere uker.
Å skalere fra pilotprosjekt til produksjon er et grunnleggende annet problem enn å få pilotprosjektet til å virke. Organisasjoner som behandler dem som samme problem, oppdager vanligvis forskjellen under innføringen, ikke før. Det er én grunn til at AI-innføring sliter med produksjonssvikt langt utenfor helsevesenet.
Infrastrukturproblemet
Agentbasert AI fungerer godt når den har rene, konsistente og sammenkoblede data. Dette vilkåret er viktigere enn det høres ut.
De fleste mellomstore og store helsesystemer har fragmenterte elektroniske journalsystemer, med ulike feltdefinisjoner mellom plattformer, betalerportaler med forskjellige tilgangsregler og dokumentasjonskvalitet som varierer etter spesialitet og den enkelte behandler. Dette er ikke unntakstilfeller, men det vanlige driftsmiljøet. Utfordringen er nært knyttet til et bredere mønster av oppsamlet teknisk og strukturell gjeld som former hvordan helsesystemer svarer på nye AI-krav.
Rotete data skaper ikke alltid tydelige feil. Oftere begynner agenter å sende videre unntak de ikke burde trenge å flagge, og resultatene ser riktige ut, men inneholder skjulte feil som først blir synlige etter flere uker. I de fleste slike tilfeller gjør teknologien akkurat det den er laget for. Det som ikke holder, er infrastrukturen den bygger på.
Å få dette laget i orden før agentbruken skaleres, er den lite glamorøse delen av arbeidet, og den som får for lite oppmerksomhet i leverandørenes planer.
Hva endres når det faktisk virker
AMAs legeundersøkelse om forhåndsgodkjenning fra 2024
viser en del av bildet tydelig: 93 % av legene sier at forhåndsgodkjenning påvirker pasientenes behandlingsresultater negativt, og 94 % sier at den forsinker nødvendig behandling. Når agenter overtar dokumentasjons- og innsendingsbyrden, får klinisk personell målbart med tid tilbake. Argumentet for agentbasert AI i RCM handler ikke bare om kostnad per refusjonskrav, men også om hva personalets tid faktisk går til, og om det er bærekraftig.
Organisasjonene som har kommet lengst, har ikke nødvendigvis de største teknologibudsjettene. De begynte gjerne med et smalt område, bygde inn menneskelig tilsyn fra første dag og brukte de første produksjonsmånedene til å lære av agentens feil i stedet for bare å feire det den gjorde riktig. Det går saktere enn salgspresentasjonen antyder, men varer også lenger.
Hvor utviklingen går
HFMAs rapport fra mars 2026 om helsemarginer og AI-investeringer
bemerket at ledere for inntektssyklusen beveger seg fra utforskende pilotprosjekter til aktive AI-investeringer som et hovedmiddel for å beskytte marginene resten av 2026. Det er ingen spekulasjon. Det er budsjettbeslutninger som allerede tas.
Mindre klart er hvordan produksjon i stor skala faktisk ser ut når journalsystemene er fragmenterte, betalernes regler fortsetter å endres og bemanningsmodellene ennå ikke fullt ut har tilpasset seg hvordan autonome agenter endrer arbeidet. De neste 18 månedene vil besvare flere av disse spørsmålene enn de tre foregående årene til sammen. Det er verdt å følge nøye med.












