Líderes de pensamento

A realidade prática da IA baseada em agentes na gestão do ciclo de receita da saúde

Inger Sivanthi
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveA IA agentica está entregando resultados reais na autorização prévia automatizando…
Ver mais
  • A IA agentica está entregando resultados reais na autorização prévia automatizando fluxos de trabalho complexos de múltiplos sistemas.
  • A escalonamento em produção frequentemente falha devido à infraestrutura de dados fragmentada, não à tecnologia de IA em si.
  • Implementações bem-sucedidas começam de forma restrita com supervisão humana e aprendem primeiro com os erros dos agentes.

O ciclo de receita continua acumulando promessas. A automação robótica de processos (RPA) mudaria tudo. O mesmo valia para o processamento de linguagem natural (NLP). Então, a IA gerativa mudou a conversa inteira. Agora é a IA baseada em agentes, e a diferença desta vez é que parte dela está realmente funcionando.

Não toda ela. Nem mesmo a maioria. Mas o suficiente está funcionando em ambientes de produção para tornar este momento genuinamente diferente do que veio antes.

O que Significa Realmente Agir

Existe uma versão de “IA baseada em agentes” que é usada em apresentações de produtos para descrever qualquer IA que faça mais de uma coisa. Não vale a pena discutir essa definição.

Um agente de IA real não espera que alguém interprete sua saída e decida o que fazer em seguida. Ele lê uma nota clínica, identifica a ausência de uma autorização, navega pelo portal do pagador, envia o pedido. Se o pedido for recusado, ele reúne a documentação relevante, prepara o recurso e o encaminha ao destino adequado. Nenhum ticket é aberto. Nenhuma fila. Nenhum membro da equipe clicando em seis telas para chegar lá.

Na gestão do ciclo de receita (RCM), isso importa por um motivo específico. O trabalho é profundamente não linear. Um pedido de autorização prévia pode passar por quatro sistemas diferentes antes de ser resolvido. Os requisitos do pagador mudam. A qualidade da documentação varia por prestador de serviços, especialidade e semana. Um sistema que só segue um script fixo não se manterá por muito tempo nesse ambiente.

Onde os Resultados Estão Realmente Aparecendo

A autorização prévia é a primeira a ser mencionada em quase todas as conversas honestas sobre isso, e o motivo é estrutural. É uma das tarefas que mais exigem documentos e aplicação de regras no ciclo. A pesquisa de 2024 da American Medical Association sobre autorização prévia constatou que 27% dos médicos relatam que seus pedidos de autorização prévia são frequentemente ou sempre negados, e os médicos completam uma média de 39 autorizações prévias por semana, cada uma delas tirando tempo diretamente do cuidado ao paciente. Isso não é um fracasso clínico. É um fracasso de documentação e fluxo de trabalho, que é exatamente o tipo de problema que os sistemas agentes são projetados para resolver.

Os agentes validam a elegibilidade, comparam a documentação clínica com os critérios do pagador, rastreiam o status de envio, apontam informações ausentes antes que um revisor humano precise se envolver. A estrutura da tarefa os favorece. Coleta de informações repetitiva, regras de correspondência previsíveis, estados finais claros.

A verificação preventiva de pedidos de reembolso também mostra avanços semelhantes. Em vez de lidar com negativas depois da rejeição, os agentes executam auditorias pré-envio que capturam erros de codificação, lacunas de documentação e discrepâncias de autorização antes que algo chegue a um pagador. De acordo com a pesquisa de setembro de 2025 da HFMA com 272 executivos de saúde, as organizações que implantaram IA e automação no ciclo de receita relatam reduções mensuráveis nas taxas de erro nos pedidos de reembolso e prazos de reembolso mais rápidos como os dois principais resultados. Esse tipo de correção nas etapas iniciais é onde uma grande parte da recuperação financeira real está acontecendo.

Uma visão franca

Uma pesquisa da HFMA-FinThrive de maio de 2025 constatou que 63% das organizações de saúde já estão usando IA e automação em algum lugar do seu ciclo de receita. Isso soa como um momento de real impulso. E é, com um asterisco.

“Alguma forma de IA” pode significar muitas coisas. Para muitas organizações, isso significa um agente de escopo limitado que lida com uma tarefa específica, geralmente autorização prévia ou recursos contra negativas, em um canto do ciclo. Isso é um ponto de partida legítimo. Mas a lacuna entre isso e um fluxo de trabalho de vários agentes que cobre elegibilidade, codificação, pedidos de reembolso e conciliação contábil de ponta a ponta não é uma lacuna pequena. Como explorado em Repensando a modernização do ciclo de receita na era da IA, as barreiras estruturais para a transformação de todo o ciclo de receita são mais profundas do que a maioria dos planos de tecnologia reconhece.

A maioria das conversas de fornecedores passa rapidamente por essa lacuna. O ciclo de receita completamente sem intervenção humana é uma direção razoável para planejar. Só que a maioria das organizações ainda não está nesse estágio, e tratá-lo como alcançável no curto prazo tende a criar problemas durante a implantação.

Por que os projetos-piloto ficam parados

A IA baseada em agentes raramente falha durante os testes. Os projetos-piloto quase sempre parecem promissores. O caso de uso é estreito, os dados são razoavelmente limpos e alguém está prestando atenção ao que o agente faz.

A produção é diferente. As regras do pagador mudam sem aviso. A qualidade da documentação nos prontuários eletrônicos (EHR) varia por departamento, prestador e especialidade. Os casos excepcionais se multiplicam mais rápido do que o esperado. Quando ninguém projetou um procedimento claro de encaminhamento a outro responsável para quando um agente atinge algo fora de seu escopo, o fluxo de trabalho ou para ou continua com erros que levam semanas para surgir.

Ampliar a aplicação de um projeto-piloto para a produção é um problema fundamentalmente diferente de fazer o projeto-piloto funcionar. As organizações que tratam como o mesmo problema geralmente descobrem isso durante a implantação, não antes. Isso é uma das razões pelas quais o mais amplo cenário de adoção de IA está lutando com falhas de produção muito além da saúde.

O Problema de Infraestrutura

A IA baseada em agentes funciona bem quando tem dados limpos, consistentes e conectados para trabalhar. Essa condição é mais importante do que parece.

A maioria dos sistemas de saúde de médio a grande porte executa ambientes de EHR fragmentados com definições de campo inconsistentes em plataformas, portais de pagador com diferentes regras de acesso e qualidade de documentação que varia por especialidade e prestador individual. Esses não são casos excepcionais. São o ambiente operacional padrão. O desafio está intimamente relacionado a um padrão mais amplo de dívida técnica e estrutural acumulada que influencia como os sistemas de saúde respondem às novas demandas de IA.

Dados desordenados não causam sempre falhas óbvias. Mais frequentemente, os agentes começam a encaminhar a outros responsáveis exceções que não deveriam precisar sinalizar, e as saídas parecem corretas na superfície, enquanto silenciosamente carregam erros que levam semanas para surgir. A tecnologia, na maioria desses casos, está fazendo exatamente o que foi projetada para fazer. O que não está funcionando é a infraestrutura em que ela se apoia.

Acertar essa camada antes de ampliar o uso dos agentes é a parte menos glamorosa desse trabalho, e também a parte que não recebe suficiente atenção nos planos de fornecedores.

O que Muda Quando Realmente Funciona

A pesquisa de 2024 da AMA sobre autorização prévia conta parte dessa história claramente: 93% dos médicos dizem que a autorização prévia afeta negativamente os resultados dos pacientes, e 94% dizem que atrasa o acesso a cuidados necessários. Quando os agentes absorvem essa carga de documentação e envio, o pessoal clínico recupera uma quantidade mensurável de tempo. O argumento para a IA baseada em agentes no RCM não diz respeito apenas ao custo por pedido de reembolso. Também diz respeito a como o tempo da equipe é realmente utilizado e à sustentabilidade dessa situação.

As organizações que mais avançaram nessa área não são necessariamente as que têm os maiores orçamentos de tecnologia. Elas tendem a ser as que começaram com um escopo limitado, incorporaram a supervisão humana no fluxo de trabalho desde o primeiro dia e passaram os primeiros meses em produção aprendendo com o que o agente fez de errado, em vez de apenas comemorar o que fez de certo. Mais lento do que o discurso sugere. Também mais durável.

Onde Isso Está Indo

O relatório de março de 2026 da HFMA sobre margem de saúde e investimento em IA observou que os líderes do ciclo de receita estão se movendo de projetos-piloto exploratórios para investimento ativo em IA como uma ferramenta central para proteger as margens no restante de 2026. Isso não é especulativo. São decisões de orçamento que já estão sendo tomadas.

O que está menos resolvido é como é, de fato, a produção em escala quando a fragmentação do EHR é real, as regras do pagador continuam mudando e os modelos de organização da força de trabalho ainda não se adaptaram completamente ao que os agentes autônomos mudam sobre o trabalho. Os próximos 18 meses responderão a mais dessas perguntas do que os três anos anteriores combinados. Vale a pena prestar atenção.

Inger Sivanthi é o Diretor Executivo da Droidal, uma empresa de tecnologia de saúde focada em inteligência artificial. Ele lidera o desenvolvimento de soluções de inteligência artificial aplicada, incluindo grandes modelos de linguagem e agentes de IA, projetados para melhorar a receita e a tomada de decisões operacionais de saúde. Seu trabalho centra-se na integração da IA em ambientes de saúde complexos, com foco em implementação responsável e prática.