Лидеры мнений

Практическая реальность агентного ИИ в управлении циклом доходов здравоохранения

Inger Sivanthi
Добавьте Unite.AI в избранные источники в Google
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.

Ингер Сиванти является генеральным директором Droidal, компании, специализирующейся на технологиях здравоохранения с использованием ИИ. Он руководит разработкой прикладных решений искусственного интеллекта, включая крупные языковые модели и агенты ИИ, предназначенные для улучшения доходов и операционного принятия решений в сфере здравоохранения. Его работа сосредоточена на интеграции ИИ в сложные среды здравоохранения с упором на ответственное и практическое внедрение.