Лидеры мнений
Практическая реальность агентного ИИ в управлении циклом доходов здравоохранения

Ключевые моментыАгентный ИИ демонстрирует реальные результаты в предварительном авторизовании…
Показать больше
- Агентный ИИ демонстрирует реальные результаты в предварительном авторизовании, автоматизируя сложные рабочие процессы с участием нескольких систем.
- Масштабирование в производственных условиях часто терпит неудачу из-за фрагментированной инфраструктуры данных, а не из-за самой технологии ИИ.
- Успешные внедрения начинаются с узких задач под контролем человека, при этом сначала анализируются ошибки агентов.
Вокруг управления циклом доходов в здравоохранении продолжают накапливаться обещания. RPA должна была изменить всё. Как и NLP. Затем генеративный ИИ полностью изменил дискуссию. Теперь речь об агентном ИИ, и отличие в том, что часть решений действительно начинает работать.
Не все. Даже не большинство. Но в промышленных средах работает достаточно решений, чтобы нынешний этап действительно отличался от предыдущих.
Что на самом деле значит действовать
В продуктовых презентациях «агентным ИИ» иногда называют любой ИИ, который делает больше одной вещи. Такое определение не заслуживает обсуждения.
Настоящий ИИ-агент не ждёт, пока человек истолкует его вывод и решит, что делать дальше. Он читает клиническую запись, обнаруживает отсутствие необходимого согласования, заходит в портал плательщика и отправляет заявку. Если её отклоняют, он собирает нужные документы, составляет апелляцию и направляет её по назначению. Без открытия тикета, без очереди и без сотрудника, которому приходится прокликивать шесть экранов.
В управлении циклом доходов (RCM) это важно по конкретной причине: работа далеко не линейна. Запрос предварительного согласования может пройти через четыре системы, прежде чем будет решён. Требования плательщиков меняются. Качество документации зависит от поставщика медицинских услуг, специальности и недели. Система, следующая только фиксированному сценарию, долго в такой среде не выдержит.
Где действительно появляются результаты
Предварительное согласование почти всегда первым возникает в честном разговоре на эту тему. Причина структурная: это одна из самых требовательных к документам и применению правил задач во всём цикле. Опрос врачей Американской медицинской ассоциации за 2024 год о предварительном согласовании
показал, что 27% врачей сообщают: их заявки часто или всегда отклоняются. В среднем врачи оформляют 39 предварительных согласований в неделю, и каждое непосредственно отнимает время у помощи пациентам. Это не клиническая неудача, а сбой в документации и рабочем процессе — именно такая проблема, для которой создаются агентные системы.
Агенты проверяют право на покрытие, сопоставляют клиническую документацию с критериями плательщика, отслеживают статус подачи и показывают недостающие сведения до подключения человека-проверяющего. Структура задачи им подходит: повторяющийся сбор данных, предсказуемые правила сопоставления и понятные конечные состояния.
Предварительная проверка заявлений на возмещение также набирает обороты. Вместо борьбы с отказами постфактум агенты проверяют документы до подачи, находя ошибки медицинского кодирования, пробелы в документации и несоответствия согласований до передачи плательщику. Согласно опросу HFMA в сентябре 2025 года среди 272 руководителей здравоохранения
организации, внедрившие ИИ и автоматизацию в цикл доходов, называют двумя главными результатами измеримое снижение доли ошибок в заявлениях и ускорение выплат возмещения. Значительная часть реального финансового улучшения происходит за счёт таких исправлений на раннем этапе.
Честная картина
Опрос HFMA и FinThrive в мае 2025 года
показал, что 63% медицинских организаций уже применяют ИИ и автоматизацию где-либо в своём цикле доходов. Похоже на реальный прогресс. Так и есть, но с оговоркой.
«Какая-то форма ИИ» может означать многое. Для многих организаций это агент с ограниченной сферой действия, решающий одну задачу, обычно предварительное согласование или обжалование отказов, на одном участке цикла. Это обоснованное начало. Но разрыв между этим и многоагентным процессом, охватывающим проверку права на покрытие, кодирование, заявления на возмещение и сверку расчётов от начала до конца, велик. Как рассматривается в статье «Переосмысление модернизации цикла доходов в эпоху ИИ»
, структурные препятствия для преобразования всего цикла глубже, чем признаёт большинство технологических планов.
В разговорах с поставщиками этот разрыв обычно быстро обходят. Цикл доходов полностью без ручной обработки — разумное направление планирования. Но большинство организаций пока не достигли этого уровня, и отношение к нему как к ближайшей достижимой цели часто создаёт проблемы при внедрении.
Почему пилотные проекты останавливаются
Агентный ИИ редко терпит неудачу при тестировании. Пилотные проекты почти всегда выглядят многообещающе. Сценарий узок, данные достаточно чистые, а кто-то внимательно следит за действиями агента.
Промышленная эксплуатация отличается. Правила плательщиков меняются без предупреждения. Качество документации в электронных медицинских записях (EHR) зависит от отделения, поставщика услуг и специальности. Пограничные случаи множатся быстрее ожидаемого. Если никто не спроектировал понятный путь передачи проблемы дальше, когда агент встречает что-то вне своей компетенции, процесс останавливается либо продолжает идти с ошибками, обнаруживаемыми лишь через недели.
Масштабирование от пилотного проекта к промышленной эксплуатации — принципиально иная проблема, чем обеспечение работы самого пилота. Организации, считающие их одной проблемой, обычно обнаруживают разницу при внедрении, а не заранее. Это одна из причин, по которым внедрение ИИ сталкивается с эксплуатационными неудачами далеко за пределами здравоохранения.
Проблема инфраструктуры
Агентный ИИ хорошо работает, когда располагает чистыми, согласованными и связанными данными. Это условие важнее, чем кажется.
Большинство средних и крупных систем здравоохранения используют фрагментированные среды EHR с несогласованными определениями полей между платформами, порталы плательщиков с разными правилами доступа и документацию, качество которой зависит от специальности и конкретного поставщика услуг. Это не пограничные случаи, а стандартная рабочая среда. Проблема тесно связана с более широким накоплением технического и структурного долга, который влияет на то, как системы здравоохранения отвечают на новые требования ИИ.
Неупорядоченные данные не всегда вызывают очевидные сбои. Чаще агенты начинают передавать дальше исключения, о которых не должно требоваться сообщать, а результаты выглядят правильными, но скрыто содержат ошибки, проявляющиеся лишь через недели. В большинстве таких случаев технология делает именно то, для чего создана. Не выдерживает инфраструктура, на которую она опирается.
Привести этот слой в порядок до масштабирования агентов — неприметная часть работы, которой также уделяется недостаточно внимания в планах поставщиков.
Что меняется, когда это действительно работает
Опрос врачей AMA за 2024 год о предварительном согласовании
ясно показывает часть картины: 93% врачей говорят, что предварительное согласование отрицательно влияет на результаты лечения пациентов, а 94% — что оно задерживает доступ к необходимой помощи. Когда агенты берут на себя документы и подачу заявок, клинический персонал возвращает измеримое количество времени. Доводы в пользу агентного ИИ в RCM касаются не только стоимости одного заявления на возмещение, но и того, куда реально уходит время сотрудников и насколько это устойчиво.
Самые продвинувшиеся организации необязательно имеют крупнейшие технологические бюджеты. Обычно они начинали с узкой задачи, с первого дня включали человеческий надзор и первые месяцы эксплуатации посвящали изучению ошибок агента, а не только празднованию успехов. Медленнее, чем обещает презентация, но и долговечнее.
Куда движется развитие
Отчёт HFMA за март 2026 года о марже в здравоохранении и инвестициях в ИИ
отметил, что руководители цикла доходов переходят от исследовательских пилотов к активным инвестициям в ИИ как основному средству защиты маржи в оставшуюся часть 2026 года. Это не предположение, а бюджетные решения, которые уже принимаются.
Менее ясно, как на практике выглядит промышленная эксплуатация в большом масштабе, когда фрагментация EHR реальна, правила плательщиков постоянно меняются, а модели организации персонала ещё не полностью адаптировались к изменениям работы из-за автономных агентов. Следующие 18 месяцев ответят на большее число этих вопросов, чем предыдущие три года вместе. За этим стоит внимательно следить.












