Praktyczna rzeczywistość agentic AI w zarządzaniu cyklem przychodów w ochronie zdrowia

Cykl przychodów nadal gromadzi obietnice. RPA miało zmienić wszystko. Tak samo jak NLP. Następnie generatywny AI zmienił całkowicie tok rozmowy. Teraz jest to agentic AI, a różnica tym razem polega na tym, że część z nich faktycznie działa.

Nie wszystkie. Nie nawet większość. Ale wystarczająco dużo działa w środowiskach produkcyjnych, aby uczynić ten moment naprawdę różnym od tego, co było wcześniej.

Czym tak naprawdę jest działanie

Istnieje wersja “agentic AI”, która jest używana w prezentacjach produktów, aby opisać każdy AI, który robi więcej niż jedną rzecz. Ta wersja nie jest warta dyskusji.

Prawdziwy agent AI nie czeka, aż ktoś zinterpretuje jego dane wyjściowe i zdecyduje, co dalej zrobić. Czyta notatkę kliniczną, identyfikuje brakujące upoważnienie, nawiguje do portalu płatnika, składa wniosek. Jeśli wniosek zostaje odrzucony, pobiera odpowiednie dokumenty, tworzy odwołanie, kieruje je odpowiednio. Nie otwiera się biletu. Nie ma kolejki. Nie ma członka personelu, który klika przez sześć ekranów, aby tam dotrzeć.

W RCM, to ma znaczenie z konkretnego powodu. Praca jest głęboko nieliniowa. Wnioski o upoważnienie mogą dotknąć cztery różne systemy przed rozwiązaniem. Wymagania płatników zmieniają się. Jakość dokumentacji różni się w zależności od dostawcy, specjalności, tygodnia. System, który tylko podąża za ustalonym skryptem, nie utrzyma się w tym środowisku przez długi czas.

Gdzie wyniki są naprawdę widoczne

Upoważnienie wstępne pojawia się pierwsze w niemal każdej szczerej rozmowie o tym, a powodem jest struktura. Jest to jedna z najbardziej dokumentacyjnych, regułointensywnych zadań w cyklu. Badanie American Medical Association’s 2024 Prior Authorization Physician Survey wykazało, że 27% lekarzy zgłasza, że ich wnioski o upoważnienie są często lub zawsze odrzucane, a lekarze składają średnio 39 wniosków o upoważnienie tygodniowo, każdy z nich zabiera czas bezpośrednio od opieki nad pacjentem. To nie jest niepowodzenie kliniczne. To niepowodzenie dokumentacyjne i workflow, co jest exactly rodzajem problemu, dla którego agenci są zaprojektowani.

Agenci walidują uprawnienia, mapują dokumentację kliniczną na kryteria płatników, śledzą status wniosków, ujawniają brakujące informacje przed zaangażowaniem recenzenta. Struktura zadania nadaje się do nich. Powtarzające się gromadzenie informacji, przewidywalne reguły dopasowania, wyraźne stany końcowe.

Aktywne czyszczenie roszczeń również pokazuje podobną trakcję. Zamiast gonienia za odrzuceniami po odrzuceniu, agenci uruchamiają audyty przed złożeniem, które łapią błędy kodowania, luki dokumentacyjne i niezgodności upoważnień przed tym, jak cokolwiek trafi do płatnika. Według HFMA’s wrzesień 2025 survey of 272 healthcare executives, organizacje, które wdrożyły AI i automatyzację w cyklu przychodów, zgłaszają mierne zmniejszenie stawek błędów roszczeń i szybsze terminy zwrotu jako dwa najważniejsze wyniki. Ten rodzaj korekty na górze jest tam, gdzie dochodzi do prawdziwej poprawy finansowej.

Szczera ocena

Badanie HFMA-FinThrive z maja 2025 wykazało, że 63% organizacji opieki zdrowia już używa AI i automatyzacji gdzieś w swoim cyklu przychodów. To brzmi jak prawdziwy impet. I jest, z gwiazdką.

“Jakiś rodzaj AI” może obejmować wiele obszarów. Dla wielu organizacji oznacza to agenta o ograniczonym zakresie, zajmującego się jednym konkretnym zadaniem, zwykle upoważnieniem wstępnym lub odwołaniami. To jest uzasadniony punkt startu. Ale przepaść między tym a wieloagentowym workflowem, obejmującym uprawnienia, kodowanie, roszczenia i rekonsolidację od początku do końca, nie jest małą przepaścią. Jak wyjaśniono w Rethinking Revenue Cycle Modernization in the Age of AI, bariery strukturalne dla pełnej transformacji cyklu przychodów są głębsze niż większość map technologicznych przyznaje.

Większość rozmów z dostawcami pomija tę przepaść dość szybko. Pełny cykl przychodów bez dotyku jest uzasadnionym kierunkiem do planowania. To po prostu nie jest tam, gdzie większość organizacji jest teraz, a traktowanie go jako osiągalnego w najbliższym czasie tendencję do tworzenia problemów podczas wdrożenia.

Dlaczego piloci zawodzą

Agentic AI rzadko zawodzi podczas testowania. Piloci prawie zawsze wyglądają obiecująco. Przypadek użycia jest wąski, dane są rozsądnie czyste, a ktoś jest bardzo zainteresowany tym, co agent robi.

Produkcja jest inna. Reguły płatników zmieniają się bez powiadomienia. Jakość dokumentacji EHR zmienia się w zależności od departamentu, dostawcy i specjalności. Przypadki brzegowe mnożą się szybciej niż oczekiwano. Kiedy nikt nie zaprojektował wyraźnej ścieżki eskalacji, gdy agent trafia na coś poza jego zakresem, workflow albo zatrzymuje się, albo kontynuuje z błędami, które zajmują tygodnie, aby się pojawić.

Przeskalowanie od pilota do produkcji jest podstawowo różnym problemem niż sprawienie, by pilot działał. Organizacje, które traktują je jako ten sam problem, zwykle odkrywają to podczas wdrożenia, a nie przed nim. To jeden z powodów, dla których szerszy krajobraz adopcji AI boryka się z awariami produkcyjnymi daleko poza ochroną zdrowia.

Problem infrastruktury

Agentic AI działa dobrze, gdy ma czyste, spójne i połączone dane do pracy. Ten kwalifikator jest bardziej znaczący, niż się wydaje.

Większość średnich i dużych systemów opieki zdrowia działa w środowiskach EHR z niekonsekwentnymi definicjami pól na platformach, portalami płatników z różnymi regułami dostępu i jakością dokumentacji, która różni się w zależności od specjalności i indywidualnego dostawcy. To nie są przypadki brzegowe. To standardowe środowisko operacyjne. Wyzwanie jest ściśle związane z szerszym wzorcem nagromadzonego długu technicznego i strukturalnego, który kształtuje, jak systemy opieki zdrowia reagują na nowe wymagania AI.

Brudne dane nie zawsze powodują oczywiste awarie. Częściej agenci zaczynają eskalować wyjątki, których nie powinni sygnalizować, a dane wyjściowe wyglądają poprawnie na powierzchni, podczas gdy cicho przenoszą błędy, które zajmują tygodnie, aby się pojawić. Technologia, w większości tych przypadków, robi dokładnie to, do czego została zaprojektowana. To, co nie utrzymuje się, to infrastruktura, na której siedzi.

Ustawienie tego warstwy na prawidłowym poziomie przed skalowaniem agentów jest nieglamurystyczną częścią tej pracy, a także częścią, która nie otrzymuje wystarczającej uwagi w mapach dostawców.

Co się zmienia, gdy to naprawdę działa

Badanie AMA’s 2024 Prior Authorization Physician Survey opowiada część tej historii wyraźnie: 93% lekarzy mówi, że upoważnienie wstępne negatywnie wpływa na wyniki pacjentów, a 94% mówi, że opóźnia dostęp do niezbędnej opieki. Kiedy agenci pochłaniają ten ciężar dokumentacji i składania wniosków, personel kliniczny otrzymuje mierne czasu. Argument za agentic AI w RCM nie dotyczy tylko kosztu za roszczenie. To również o tym, gdzie czas personelu naprawdę idzie, i czy to jest zrównoważone.

Organizacje, które idą najdalej z tym, niekoniecznie są tymi z największymi budżetami technologicznymi. Tendencję do rozpoczynania wąsko, budowania nadzoru ludzkiego w workflow od dnia pierwszego i spędzania pierwszych miesięcy w produkcji, ucząc się z tego, co agent zrobił źle, a nie tylko celebrując to, co zrobił dobrze. Wolniej niż pitch sugeruje. Również bardziej trwałe.

Gdzie to zmierza

Raport HFMA’s marzec 2026 report on healthcare margin and AI investment zauważył, że liderzy cyklu przychodów przechodzą od eksploracyjnych pilotów do aktywnych inwestycji w AI jako główny dźwignię dla ochrony marży wchodząc w resztę 2026 roku. To nie jest spekulatywne. To są już podejmowane decyzje budżetowe.

Co jest mniej ustalone, to jak wygląda produkcja na dużą skalę, gdy fragmentacja EHR jest realna, reguły płatników ciągle się zmieniają, a modele siły roboczej nie w pełni nadążają za tym, co autonomiczni agenci zmieniają w pracy. Następne 18 miesięcy odpowie na więcej tych pytań niż poprzednie trzy lata łącznie. Warto zwrócić na to uwagę.