Liderzy opinii

Praktyczna rzeczywistość AI opartej na agentach w zarządzaniu cyklem przychodów ochrony zdrowia

Inger Sivanthi
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyAgentyczna sztuczna inteligencja przynosi realne rezultaty w autoryzacji wstępnej…
Zobacz więcej
  • Agentyczna sztuczna inteligencja przynosi realne rezultaty w autoryzacji wstępnej, automatyzując złożone przepływy pracy obejmujące wiele systemów.
  • Skalowanie wdrożeń często zawodzi z powodu rozfragmentowanej infrastruktury danych, a nie samej technologii AI.
  • Udane wdrożenia zaczynają się od wąskiego zakresu z nadzorem człowieka i najpierw uczą się na błędach agentów.

Wokół zarządzania cyklem przychodów w ochronie zdrowia wciąż pojawiają się nowe obietnice. RPA miała zmienić wszystko. Podobnie NLP. Potem generatywna AI całkowicie zmieniła dyskusję. Teraz przyszedł czas na AI opartą na agentach, a różnica polega na tym, że część rozwiązań naprawdę zaczyna działać.

Nie wszystkie. Nawet nie większość. Jednak wystarczająco wiele działa w środowiskach produkcyjnych, by obecna sytuacja rzeczywiście różniła się od wcześniejszej.

Co naprawdę oznacza działanie

W prezentacjach produktów określenie «AI oparta na agentach» bywa używane wobec dowolnej AI, która robi więcej niż jedną rzecz. Takiej definicji nie warto omawiać.

Prawdziwy agent AI nie czeka, aż ktoś zinterpretuje jego wynik i zdecyduje o następnym kroku. Czyta notatkę kliniczną, wykrywa brak wymaganej zgody, przechodzi przez portal płatnika i wysyła wniosek. Jeśli zostanie odrzucony, pobiera odpowiednie dokumenty, przygotowuje odwołanie i kieruje je we właściwe miejsce. Bez otwierania zgłoszenia, bez kolejki i bez pracownika przeklikującego sześć ekranów.

W zarządzaniu cyklem przychodów (RCM) ma to znaczenie z konkretnego powodu: praca jest wysoce nieliniowa. Wniosek o uprzednią zgodę może przejść przez cztery systemy, zanim zostanie rozstrzygnięty. Wymagania płatników się zmieniają. Jakość dokumentacji różni się między świadczeniodawcami, specjalnościami i tygodniami. System realizujący wyłącznie stały scenariusz nie wytrzyma długo w takim środowisku.

Gdzie rzeczywiście widać wyniki

Uprzednia zgoda pojawia się jako pierwsza niemal w każdej szczerej rozmowie na ten temat, a powód jest strukturalny. To jedno z zadań cyklu wymagających najwięcej dokumentów i stosowania wielu reguł. Badanie American Medical Association z 2024 roku wśród lekarzy dotyczące uprzedniej zgody
wykazało, że 27% lekarzy twierdzi, iż ich wnioski są często lub zawsze odrzucane. Lekarze obsługują średnio 39 takich zgód tygodniowo, a każda zabiera czas bezpośrednio z opieki nad pacjentem. Nie jest to porażka kliniczna, lecz problem dokumentacji i organizacji pracy — dokładnie taki, do jakiego rozwiązywania buduje się systemy agentowe.

Agenci sprawdzają uprawnienia do świadczeń, porównują dokumentację kliniczną z kryteriami płatnika, śledzą status wniosku i wskazują brakujące informacje, zanim musi włączyć się człowiek. Struktura zadania im odpowiada: powtarzalne zbieranie danych, przewidywalne reguły dopasowania i jasne stany końcowe.

Podobne postępy widać w wyprzedzającej kontroli wniosków o refundację. Zamiast usuwać skutki odmowy po jej wydaniu, agenci przed wysyłką wykrywają błędy kodowania medycznego, braki dokumentacji i niezgodności zgód, zanim cokolwiek trafi do płatnika. Według badania HFMA z września 2025 roku obejmującego 272 menedżerów ochrony zdrowia
organizacje, które wdrożyły AI i automatyzację w cyklu przychodów, jako dwa główne wyniki podają mierzalny spadek odsetka błędów we wnioskach oraz szybsze wypłaty refundacji. Właśnie takie korekty na wczesnym etapie przynoszą dużą część rzeczywistej poprawy finansowej.

Szczera ocena sytuacji

Badanie HFMA i FinThrive z maja 2025 roku
wykazało, że 63% organizacji ochrony zdrowia już korzysta z AI i automatyzacji w jakiejś części cyklu przychodów. To brzmi jak prawdziwy postęp. I nim jest, ale z zastrzeżeniem.

«Jakaś forma AI» może oznaczać wiele rzeczy. Dla wielu organizacji to agent o ograniczonym zakresie, zajmujący się jednym zadaniem, zwykle uprzednią zgodą lub odwołaniami od odmowy, w jednym fragmencie cyklu. To uzasadniony początek. Jednak droga do wieloagentowego procesu obejmującego weryfikację uprawnień, kodowanie, wnioski refundacyjne i uzgadnianie rozliczeń od początku do końca jest długa. Jak omówiono w «Nowe spojrzenie na modernizację cyklu przychodów w erze AI»
, strukturalne bariery całościowej transformacji są głębsze, niż przyznaje większość technologicznych planów rozwoju.

Większość rozmów z dostawcami szybko pomija tę lukę. Cykl przychodów całkowicie pozbawiony ręcznej obsługi jest rozsądnym kierunkiem planowania. Większość organizacji nie znajduje się jednak obecnie na tym etapie, a traktowanie go jako osiągalnego w krótkim czasie zwykle powoduje problemy podczas wdrażania.

Dlaczego projekty pilotażowe stają w miejscu

AI oparta na agentach rzadko zawodzi w testach. Projekty pilotażowe niemal zawsze wyglądają obiecująco. Zastosowanie jest wąskie, dane dość czyste, a ktoś uważnie śledzi działania agenta.

Produkcja jest inna. Zasady płatników zmieniają się bez uprzedzenia. Jakość dokumentacji w elektronicznych systemach medycznych (EHR) różni się według działu, świadczeniodawcy i specjalności. Przypadków brzegowych przybywa szybciej, niż oczekiwano. Jeśli nikt nie zaprojektował jasnej ścieżki przekazania sprawy dalej, gdy agent napotka coś poza swoim zakresem, proces albo staje, albo trwa z błędami ujawniającymi się dopiero po tygodniach.

Skalowanie z pilotażu do produkcji jest zasadniczo innym problemem niż samo uruchomienie pilotażu. Organizacje, które traktują je tak samo, zwykle odkrywają różnicę podczas wdrożenia, a nie przed nim. To jeden z powodów, dla których wdrażanie AI również daleko poza ochroną zdrowia zmaga się z niepowodzeniami w produkcji.

Problem infrastruktury

AI oparta na agentach działa dobrze, kiedy ma do dyspozycji czyste, spójne i połączone dane. Ten warunek jest ważniejszy, niż brzmi.

Większość średnich i dużych systemów ochrony zdrowia działa w rozproszonych środowiskach EHR, z niespójnymi definicjami pól między platformami, portalami płatników o różnych zasadach dostępu i dokumentacją różnej jakości w zależności od specjalności i konkretnego świadczeniodawcy. To nie przypadki brzegowe, lecz zwykłe środowisko operacyjne. Wyzwanie jest ściśle powiązane z szerszym wzorcem nagromadzonego długu technicznego i strukturalnego, który kształtuje sposób reagowania systemów ochrony zdrowia na nowe wymagania AI.

Nieuporządkowane dane nie zawsze powodują oczywiste awarie. Częściej agenci zaczynają przekazywać dalej wyjątki, których nie powinni potrzebować zgłaszać, a wyniki wyglądają poprawnie, choć zawierają ukryte błędy ujawniające się dopiero po tygodniach. W większości takich przypadków technologia robi dokładnie to, do czego ją zaprojektowano. Nie wytrzymuje natomiast infrastruktura, na której działa.

Uporządkowanie tej warstwy przed rozszerzeniem pracy agentów jest mało efektowną częścią zadania, a jednocześnie tą, której plany dostawców poświęcają zbyt mało uwagi.

Co się zmienia, gdy rozwiązanie naprawdę działa

Badanie AMA z 2024 roku wśród lekarzy dotyczące uprzedniej zgody
jasno pokazuje część tej historii: 93% lekarzy mówi, że uprzednia zgoda pogarsza wyniki leczenia pacjentów, a 94% — że opóźnia dostęp do niezbędnej opieki. Kiedy agenci przejmują ciężar dokumentacji i składania wniosków, personel kliniczny odzyskuje mierzalną ilość czasu. Argument za AI opartą na agentach w RCM nie dotyczy tylko kosztu wniosku refundacyjnego, lecz także tego, na co rzeczywiście przeznacza się czas personelu i czy jest to do utrzymania.

Najdalej zaawansowane organizacje niekoniecznie mają największe budżety technologiczne. Zwykle zaczynały od wąskiego zakresu, od pierwszego dnia uwzględniały nadzór człowieka i pierwsze miesiące produkcji poświęcały nauce na błędach agenta, zamiast jedynie świętować sukcesy. Wolniej, niż sugeruje prezentacja handlowa, ale również trwalej.

Dokąd to zmierza

Raport HFMA z marca 2026 roku o marżach w ochronie zdrowia i inwestycjach w AI
wskazał, że liderzy cyklu przychodów przechodzą od badawczych projektów pilotażowych do aktywnych inwestycji w AI jako głównego narzędzia ochrony marż w pozostałej części 2026 roku. To nie spekulacja, lecz już podejmowane decyzje budżetowe.

Mniej jasne pozostaje, jak naprawdę wygląda produkcja na dużą skalę, gdy rozdrobnienie EHR jest faktem, zasady płatników wciąż się zmieniają, a modele organizacji pracy nie nadążyły jeszcze w pełni za zmianami wprowadzanymi przez autonomicznych agentów. Najbliższe 18 miesięcy odpowie na więcej z tych pytań niż poprzednie trzy lata razem. Warto uważnie to obserwować.

Inger Sivanthi jest dyrektorem generalnym Droidal, firmy technologicznej z sektora ochrony zdrowia skupionej na AI. Kieruje rozwojem praktycznych rozwiązań sztucznej inteligencji, w tym dużych modeli językowych i agentów AI, które mają poprawiać przychody oraz podejmowanie decyzji operacyjnych w ochronie zdrowia. Jego praca koncentruje się na integrowaniu AI ze złożonymi środowiskami opieki zdrowotnej, ze szczególnym naciskiem na odpowiedzialne i praktyczne wdrażanie.