Agentbaserad AI i praktiken inom vårdens intäktscykelhantering

Löftena fortsätter att samlas kring vårdens fakturerings- och betalningsprocesser. RPA skulle förändra allt. Detsamma gällde NLP. Sedan ändrade generativ AI hela diskussionen. Nu gäller det agentbaserad AI, och skillnaden den här gången är att en del faktiskt börjar fungera i praktiken.

Inte allt. Inte ens det mesta. Men tillräckligt mycket fungerar i produktionsmiljöer för att den här tidpunkten ska skilja sig från det som kom tidigare.

Vad det faktiskt innebär att agera

I produktpresentationer används ibland «agentbaserad AI» om all AI som gör mer än en sak. Den definitionen är inte värd att diskutera.

En riktig AI-agent väntar inte på att någon ska tolka dess utdata och bestämma nästa steg. Den läser en klinisk anteckning, identifierar ett saknat godkännande, går in i betalarens portal och skickar in ansökan. Om den avslås hämtar agenten relevant dokumentation, utformar ett överklagande och skickar det till rätt mottagare. Inget supportärende öppnas. Ingen kö uppstår. Ingen medarbetare behöver klicka sig igenom sex skärmbilder.

Inom hanteringen av intäktscykeln, RCM, är detta viktigt av ett särskilt skäl: arbetet är långt ifrån linjärt. En ansökan om förhandsgodkännande kan beröra fyra olika system innan den avgörs. Betalarnas krav ändras. Dokumentationens kvalitet varierar mellan vårdgivare, specialiteter och veckor. Ett system som bara följer ett fast manus håller inte länge i den miljön.

Där resultaten faktiskt märks

Förhandsgodkännanden kommer först i nästan varje uppriktig diskussion om detta, och orsaken är strukturell. Det är en av cykelns mest dokument- och regelkrävande uppgifter. American Medical Associations läkarundersökning om förhandsgodkännanden från 2024
visade att 27 % av läkarna uppger att deras ansökningar om förhandsgodkännande ofta eller alltid avslås. Läkare hanterar i genomsnitt 39 sådana godkännanden per vecka, och vart och ett tar tid direkt från patientvården. Det är inget kliniskt misslyckande, utan ett problem med dokumentation och arbetsflöden — precis den sorts problem agentbaserade system är byggda för.

Agenter kontrollerar rätten till ersättning, jämför klinisk dokumentation med betalarens kriterier, följer ansökans status och lyfter fram saknade uppgifter innan en mänsklig granskare behöver kopplas in. Uppgiftens struktur passar dem: återkommande informationsinsamling, förutsägbara matchningsregler och tydliga slutlägen.

Även förebyggande kontroll av ersättningsanspråk visar liknande framsteg. I stället för att hantera avslag i efterhand granskar agenterna underlagen före inskick och upptäcker kodningsfel, dokumentationsluckor och avvikelser i godkännanden innan något når betalaren. Enligt HFMA:s undersökning bland 272 vårdchefer i september 2025
rapporterar organisationer som infört AI och automatisering i intäktscykeln mätbara minskningar av felfrekvensen i ersättningsanspråk och snabbare utbetalningar som sina två främsta resultat. En stor del av den verkliga ekonomiska återhämtningen sker genom sådana korrigeringar tidigt i processen.

En uppriktig bild

En undersökning från HFMA och FinThrive i maj 2025
visade att 63 % av vårdorganisationerna redan använder AI och automatisering någonstans i sin intäktscykel. Det låter som ett tydligt framsteg. Det är det också, men med ett förbehåll.

«Någon form av AI» kan betyda mycket. För många organisationer handlar det om en avgränsad agent som utför en särskild uppgift, vanligen förhandsgodkännanden eller överklaganden av avslag, i en del av cykeln. Det är en rimlig början. Men steget till ett arbetsflöde med flera agenter som täcker behörighetskontroll, kodning, ersättningsanspråk och avstämning från början till slut är stort. Som diskuteras i «Att tänka om kring modernisering av intäktscykeln i AI-eran»
går de strukturella hindren för en omvandling av hela cykeln djupare än de flesta tekniska färdplaner medger.

De flesta leverantörssamtal passerar snabbt förbi det gapet. En intäktscykel helt utan manuell handläggning är en rimlig riktning att planera för. Men de flesta organisationer är inte där i dag, och att behandla det som möjligt på kort sikt brukar skapa problem vid införandet.

Varför pilotprojekt stannar av

Agentbaserad AI misslyckas sällan under tester. Pilotprojekt ser nästan alltid lovande ut. Användningsområdet är smalt, data är relativt rena och någon följer noggrant vad agenten gör.

Produktion är annorlunda. Betalarnas regler ändras utan förvarning. Kvaliteten på dokumentationen i elektroniska patientjournaler varierar mellan avdelningar, vårdgivare och specialiteter. Undantagsfallen blir fler snabbare än väntat. Om ingen har utformat en tydlig väg för att lämna vidare ärenden när agenten möter något utanför sitt uppdrag, stannar arbetsflödet eller fortsätter med fel som inte upptäcks förrän efter flera veckor.

Att skala från pilotprojekt till produktion är ett helt annat problem än att få pilotprojektet att fungera. Organisationer som behandlar dem som samma problem upptäcker oftast skillnaden under införandet, inte före. Det är ett skäl till att AI-införandet brottas med produktionsmisslyckanden långt utanför vården.

Infrastrukturproblemet

Agentbaserad AI fungerar bra när den har rena, konsekventa och sammankopplade data att arbeta med. Det villkoret är viktigare än det låter.

De flesta medelstora och stora vårdsystem har fragmenterade elektroniska journalsystem med olika fältdefinitioner mellan plattformar, betalarportaler med skilda åtkomstregler och dokumentation vars kvalitet varierar mellan specialiteter och enskilda vårdgivare. Detta är inga undantagsfall, utan den normala driftsmiljön. Utmaningen är nära knuten till ett större mönster av samlad teknisk och strukturell skuld som formar hur vårdsystem möter nya AI-krav.

Röriga data orsakar inte alltid uppenbara fel. Oftare börjar agenter lämna vidare undantag som de inte borde behöva flagga, och utdata ser riktiga ut på ytan men innehåller fel som upptäcks först efter flera veckor. I de flesta sådana fall gör tekniken exakt det den utformats för att göra. Det som inte håller är infrastrukturen den vilar på.

Att få det lagret på plats före en utökad agentdrift är den oglamorösa delen av arbetet, och den som får för lite uppmärksamhet i leverantörernas färdplaner.

Vad som förändras när det faktiskt fungerar

AMA:s läkarundersökning om förhandsgodkännanden från 2024
visar en del av detta tydligt: 93 % av läkarna säger att förhandsgodkännanden påverkar patienternas vårdresultat negativt, och 94 % säger att de försenar tillgången till nödvändig vård. När agenter tar över dokumentations- och inlämningsbördan får klinisk personal mätbar tid tillbaka. Argumentet för agentbaserad AI inom RCM handlar inte bara om kostnad per ersättningsanspråk, utan också om vad personalens tid faktiskt går till och om det är hållbart.

Organisationerna som kommit längst har inte nödvändigtvis störst teknikbudgetar. De är ofta de som började i liten skala, byggde in mänsklig tillsyn från första dagen och använde de första produktionsmånaderna till att lära av agentens fel i stället för att bara fira det den gjorde rätt. Det går långsammare än säljpresentationen antyder, men håller också längre.

Vart utvecklingen är på väg

HFMA:s rapport från mars 2026 om vårdens marginaler och AI-investeringar
noterade att ansvariga för intäktscykeln går från undersökande pilotprojekt till aktiva AI-investeringar som ett centralt sätt att skydda marginalerna under resten av 2026. Det är ingen spekulation. Det är budgetbeslut som redan fattas.

Mindre klart är hur produktion i stor skala faktiskt ser ut när journalsystemen är fragmenterade, betalarnas regler fortsätter ändras och bemanningsmodellerna ännu inte hunnit anpassas till hur autonoma agenter förändrar arbetet. De kommande 18 månaderna kommer att besvara fler av dessa frågor än de tre föregående åren tillsammans. Det är värt att följa noga.