Fawad Butt, VD och medgrundare av Penguin Ai – Intervju-serie

Fawad Butt, VD och medgrundare av Penguin Ai, är en erfaren chef inom hälso- och sjukvårdsdata och AI som grundade företaget efter ledande roller på Kaiser Permanente, UnitedHealthcare och Optum, där han ansvarade för storskaliga datastyrning, analys, AI och företagsplattform-initiativ. Hans erfarenhet av att leda datastrategi inom några av de största betalnings- och vårdgivareorganisationerna formade Penguin Ais fokus på att lösa hälso- och sjukvårdens administrativa ineffektiviteter med specialbyggd AI, snarare än att tvinga generiska plattformar in i komplexa hälso- och sjukvårdsflöden. Under hans ledning är Penguin Ai positionerat kring en praktisk tes: hälso- och sjukvården behöver AI-system som är särskilt utformade för betalare och vårdgivares verksamhet, med möjlighet att minska manuellt arbete, förbättra noggrannheten och hjälpa team att lägga mer tid på högvärdiga kliniska och operativa beslut.

Penguin Ai är ett hälso- och sjukvårdsinriktat AI-företag som fokuserar på att automatisera administrativa och kliniska operationer för betalare, vårdgivare, intäktscykelhanteringsföretag och hälso- och sjukvårdstekniska partners. Dess plattform kombinerar hälso- och sjukvårds-specifika språkmodeller, digitala arbetare, AI-agenter, styrning, efterlevnadskapacitet och arbetsflödesautomatisering för användningsfall som till exempel förhandsgodkännande, anspråksbehandling, medicinsk kodning, överklagande, riskjustering, betalningsintegritet, medicinsk journalsammanfattning, klinisk dokumentationssammanfattning och behörighetsverifiering. Företaget säkrade 29,7 miljoner dollar i riskkapital, inklusive en serie A på 25 miljoner dollar ledd av Greycroft, för att utöka anställningar, produktutveckling och distributioner med betalare och vårdgivare, och de har också lanserat Gwen, en bygg-din-eget-AI-plattform som hjälper hälso- och sjukvårdsteam att skapa styrda digitala arbetare för administrativa flöden.

Efter att ha lett data- och analytikorganisationer på Kaiser Permanente, UnitedHealthcare och Optum, vad var det specifika som övertygade dig om att hälso- och sjukvården behövde en specialbyggd AI-plattform, och hur formade dessa lärdomar grundningsvisionen för Penguin Ai?

Jag ger dig exakt ögonblicket då det klickade. Jag satt i en översyn på en av de stora betalarna, stirrade på en kö av förhandsgodkännanden som alla hade studsats tre gånger, och inte en enda av dem hade en riktig klinisk fråga kopplad till sig. De studsade för att ett fält inte matchade eller dokumentationen visade sig i fel format. Några av de bästa operatörerna i landet tillbringade sin dag med att mata en maskin som inte producerade någonting för patienten som väntade på andra sidan. Jag såg samma slöseri på Kaiser, på UnitedHealthcare, på Optum, bara med olika kostymer. Det var då jag slutade köpa branschens linje att friktion är priset för skala. Visionen för Penguin Ai kom rakt ut ur den frustrationen: bygg en plattform som talar betalare och vårdgivare, lägg hälso- och sjukvårds-sammanhanget inuti systemet så att en AI-arbetare tillämpar dina egna kriterier och visar sin resonemang, håll en person ansvarig för den kliniska bedömningen och ta bort det tunga arbetet från alla andra. Det är hela spelet.

Penguin Ai fokuserar på att tackla det som du beskriver som hälso- och sjukvårdens triljondollars-administrativa börda. Vilka flöden prioriterade du först, och varför framkom förhandsgodkännande, anspråksbehandling, medicinsk kodning och överklagande som de största möjligheterna för AI-driven transformation?

Vi gick dit smärtan skriker högst. Förhandsgodkännande, anspråksbehandling, medicinsk kodning och överklagande steg till toppen för en anledning: de är enorma högar av repetitivt arbete där de flesta fallen följer ett mönster, och undantagen är så sällsynta att en människa bara borde se undantagen. Förhandsgodkännande ledde listan för att du kan bokstavligen se en patient lida medan papper sitter i en kö, och ingen försvarar det med raka besked. När våra AI-arbetare bär det rutinmässiga volymen och dirigerar de äkta undantagen till en person, är resultaten inte subtila. Översyner körs upp till 97 procent snabbare, avslag minskar med mer än hälften, och cirka 92 procent av fallen löses utan manuell beröring. Jag valde dessa fyra för att jag kunde bevisa tesen snabbt: ta bort den administrativa bördan och du gör hälso- och sjukvården bättre för patienten, kliniken och personen som gör arbetet. Alla vinner i samma drag, och det är exakt varför vi började där.

Som en erfaren hälso- och sjukvårdschef för data och analytik, vad är de vanligaste anledningarna till att AI-startups misslyckas med att få fäste inom stora hälso- och sjukvårdssystem och betalare?

Jag satt på inköpsidan tillräckligt länge för att se startups bränna sin chans på samma tre sätt. En, de behandlar hälso- och sjukvården som vilken annan företagskonto som helst och blir överraskade av integrationsröran, legacy-systemen och den regulatoriska vikten som ingen varnade dem för. Två, de översäljer autonomi och kan sedan inte svara på den första hårda frågan, som alltid är någon version av “visa mig hur det kom dit”. Inga spår, ingen resonemang som en efterlevnadsteam kommer att acceptera, och piloten dör rakt där i rummet. Tre, de fixar ena sidan av betalare-vårdgivare-relationen och förstår aldrig att friktionen lever på sömmen mellan dem. Och ärligt, varje köpare jag känner är uttråkad. De har en låda full av AI-aktiverade verktyg som lade till en instrumentpanel och flyttade inte ett enda arbete från någons tallrik. Ribban är hög och tålamodet är tunt, och vem som helst som inte kan visa en riktig väg från pilot till produktion visas dörren.

Många hälso- och sjukvårdsorganisationer förblir försiktiga med att distribuera AI i uppdragskritiska operationer. Vad ser en lyckad AI-antagning ut som inom en stor betalare eller vårdgivare-organisation, och vilka misstag gör ledare när de försöker skala det?

Verklig antagning börjar smått och tjänar sig upp. Välj ett arbetsflöde som verkligen skadar, håll dina människor i slingan så att de kan se arbetet bli gjort och lita på det, och låt bevisen köpa dig utvidgningen. När ett team ser en AI-arbetare rensa de rutinmässiga fallen korrekt och lämna dem fallen som faktiskt behöver bedömning, slutar de att motstå och börjar fråga efter mer. Misstagen är smärtsamt förutsägbara. Ledare försöker koka havet och distribuera överallt på en gång. De köper teknologi och aldrig omformar arbetsflödet runt den, så bördan bara flyttar till en annan kö. Eller de rycker ut människor för fort, bränner förtroendet och undrar sedan varför ingen rör vid saken. Att skala AI i ett hälso- och sjukvårdssystem är ett förändringsledningsjobb som bär en teknologikostym. Teamen som vinner behandlar det på det sättet, och de åtar sig ett hårt mått på dag ett så att alla vet vad framgång verkligen ser ut som.

Penguin Ai betonar hälso- och sjukvårds-nativa AI-modeller och arbetsflöden snarare än generiska företagslösningar. Vilka unika utmaningar inom hälso- och sjukvården kräver en specialiserad approach, och var faller generiska AI-plattformar kort?

Hälso- och sjukvården är inte en generisk företagsanvändning, och att låtsas som om den vore det bränner dig. Den har sitt eget språk, sina egna regler, sina egna konsekvenser, och ingen av dem är valfri. En generisk modell kommer att ge dig ett självsäkert, trovärdigt svar som är tyst fel, eftersom den inte bär dina medicinska nödvändighetskriterier och inte kan visa sitt arbete på ett sätt som en revisor eller en kliniker kommer att underteckna. Inget start. Vi byggde Penguin Ai i lager för exakt den här anledningen: en datalager som drar ihop informationen, en Context-lager som håller hälso- och sjukvårds-specifikt resonemang och styrning, och AI-arbetaren som faktiskt gör arbetet, inklusive våra förbyggda AI-arbetarlösningar och Gwen, byggaren som låter ditt eget team stå upp nya AI-arbetare. Generiska plattformar faller kort för att de behandlar hälso- och sjukvårdsexpertis som något du kan prompta dig in i. Du kan inte. Du måste bygga det in i systemet, och det är hela poängen med vad vi gjorde.

Förhandsgodkännande förblir en av de mest frustrerande processerna för vårdgivare och patienter. Hur ser du AI omformar förhandsgodkännande under de kommande fem åren, och vilka skyddsanordningar är nödvändiga för att säkerställa att automatisering förbättrar resultaten utan att skapa nya hinder?

Fem år framåt kommer de enkla godkännandena tillbaka på några minuter, tillämpade konsekvent mot dina egna riktlinjer, med klinikern inkopplad på allt som kräver medicinsk bedömning. Det är den goda versionen. Här är delen som människor hoppar över: automatisering kan lika gärna industrialisera hindren om du bygger det lat. En snabbare väg att neka vård är vanvård med bättre genomströmning. Så skyddsanordningarna är hela spelet. Varje rekommendation som en AI-arbetare gör måste bära sitt resonemang och en fullständig revisionslogg, vad vi kallar en glasbox, så att vem som helst kan se exakt hur det kom dit. Hastighet kan aldrig bli täckning för en tyst vägg av automatiserade avslag. Och en kvalificerad människa förblir ansvarig för den kliniska bedömningen, alltid. Få det rätt och förhandsgodkännande slutar vara det som patienter och läkare fruktar. Få det fel och du har byggt en snabbare version av problemet. Jag är bara intresserad av den första.

Branschen pratar alltmer om AI-agenter och autonoma arbetsflöden. Vilka är de största tekniska och operativa hindren för att distribuera AI som kan hantera komplexa hälso- och sjukvårdsadministrativa uppgifter med minimal mänsklig inblandning?

Det hårda är inte demon. Det är kanterna. Undantagshantering, smutsig och inkonsekvent data och legacy-system som aldrig byggdes för att prata med någonting. Det är där den riktiga ingenjörskonsten bor. Det operativa hindret är förtroende, som ingen hälso- och sjukvårdssystem ger dig för gratis. Om dina människor inte kan granska det eller förklara det, kommer de inte att skala det, full stop. Nu vill jag pusha tillbaka på premissen lite. “Minimal mänsklig inblandning” är det felaktiga målet, och det oroar mig när jag hör det. Poängen är att frigöra dina människor för de komplexa fallen och bedömningarna, där deras expertis faktiskt tjänar sin lön. Våra AI-arbetare bär det repetitiva volymen och vet när de ska dra in en person. Att nagla den överföringen, tillförlitligt och transparent, i riktiga hälso- och sjukvårdsskalor, är det hårda problemet som är värt att lösa. Allt annat är ett vetenskapsprojekt.

Hälso- och sjukvården är en av de mest reglerade branscherna i världen. Hur balanserar du innovationshastighet med efterlevnad, sekretesskrav, granskning och behovet av mänskligt ansvar i AI-drivna system?

Du tjänar rätten att flytta fort genom att bygga saker som håller. I hälso- och sjukvården är styrning grunden, och vi hällde den först. När du hanterar patientdata är företagsdatastyrning ett moraliskt krav, och jag menar det bokstavligen. Så varje rekommendation springer till en glasbox-standard, resonemang plus en fullständig revisionslogg, vilket är vad som låter en efterlevnadsteam faktiskt lita på hastigheten. Mänskligt ansvar är inbyggt i designen, eftersom en kvalificerad person äger allt som rör klinisk bedömning medan AI-arbetaren hanterar monteringen och det rutinmässiga arbetet. Det är hur du får fort och pålitligt i samma system, och i den här branschen får du inte välja ett och hoppa över det andra. De flesta människor rammar in efterlevnad och granskning som bromsarna. Jag ser dem som det som låter dig sätta ner foten över huvud taget, eftersom utan dem når du aldrig produktion från början.

Du gjorde övergången från att övervaka storskaliga företagsdata och analytikorganisationer till att bygga ett startup från grunden. Vilka aspekter av operatören-till-grundare-resan har varit de mest givande, och vilka utmaningar har varit de mest överraskande?

Det mest givande är att du äntligen får bygga det rätt från början. Inom ett stort företag flyttar förändringen i företagets takt. Varje fix måste routas genom legacy-system, konkurrerande prioriteringar och lager av godkännande, så en förändring du vet är korrekt kan ta arton månader att landa, om den landar alls. Den takten kommer att slita ner dig när du kan se exakt vad som behöver hända. I grundarens utrymme försvinner taket. Vi får bygga från scratch, designa plattformen runt problemet istället för runt trettio års ackumulerade lösningar, och leverera rätt svaret medan det fortfarande är viktigt. När jag hör att en sjuksköterska fick tillbaka sin kväll, eller att en patient fick ett svar på timmar där det tidigare tog dagar, landar det på ett sätt som ingen vägkarta någonsin gjorde.

Det mest överraskande, och det som verkligen ödmjukade mig, är hur mycket av det här jobbet är berättande. Jag kom upp genom data och system, och jag antog att teknologin skulle bära argumentet. Den gör det inte. Du ber om att människor ska tro på ett annorlunda sätt att arbeta på, och du tjänar den tron en bevispunkt i taget. Takten är brutal, du bär fyrtio hattar före lunch, och det är fortfarande det mest meningsfulla arbetet jag någonsin gjort.

Om du tittar framåt, om AI lyckas ta bort mycket av den administrativa bördan från hälso- och sjukvården, hur tror du att betalare, vårdgivare och patienter kommer att uppleva hälso- och sjukvårdssystemet annorlunda under de kommande tio åren?

Tio år framåt, om vi gör det rätt, känns systemet äntligen som vård igen. Patienter får riktiga svar när de är rädda och sårbara, och de slutar att behöva tjäna en mindre examen i försäkringsbyråkrati bara för att få vad deras läkare redan beställt. Kliniker tillbringar sina timmar på konsten att medicin och på människorna framför dem, istället för att malande gå igenom det åttio sjunde rutinmässiga fallet före lunch. De operativa och administrativa personalen, några av de mest underapprecierade människorna i hela branschen, gör slutligen arbete som använder deras riktiga expertis. Och betalare och vårdgivare samordnar istället för att kasta papper fram och tillbaka över en söm som ingen äger. Det är den hälso- och sjukvården jag bygger mot. Poänglistan jag bryr mig om är tråkig och specifik: tid given tillbaka till patientvård, och fördröjning dragen ut ur patientupplevelsen. Allt annat vi gör är i tjänst till de två siffrorna.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Penguin Ai.