ความเป็นจริงเชิงปฏิบัติของ Agentic AI ในการบริหารจัดการรายได้ของระบบการดูแลสุขภาพ

วงจรรายได้ได้รับการสัญญาไว้มากมาย RPA จะเปลี่ยนแปลงทุกอย่าง NLP ก็เช่นกัน จากนั้น AI ที่สร้างขึ้นเปลี่ยนการอภิปรายทั้งหมด ตอนนี้เป็น Agentic AI และความแตกต่างในครั้งนี้คือบางส่วนของมันทำงานจริงแล้ว

ไม่ใช่ทั้งหมด ไม่ใช่แม้แต่ส่วนใหญ่ แต่สิ่งที่เพียงพอทำงานใน環境การผลิตเพื่อให้โอกาสนี้แตกต่างอย่างแท้จริงจากสิ่งที่เกิดขึ้นก่อนหน้านี้

สิ่งที่หมายถึงการกระทำจริงๆ

มีเวอร์ชันของ “Agentic AI” ที่ใช้ในเด็คผลิตภัณฑ์เพื่ออธิบาย AI ใดๆ ที่ทำมากกว่าสิ่งหนึ่ง เวอร์ชันนั้นไม่คุ้มค่าที่จะพูดถึง

ตัวแทน AI ที่แท้จริงไม่จำเป็นต้องรอใครสักคนในการตีความเอาต์พุตและตัดสินใจว่าจะทำอะไรต่อไป มันจะอ่านบันทึกทางคลินิก ระบุการอนุมัติที่หายไป นำทางไปที่พอร์ทัลของผู้จ่ายเงิน และส่งคำขอ หากคำขอถูกปฏิเสธ มันจะดึงเอกสารที่เกี่ยวข้อง สร้างคำอุทธรณ์ และส่งไปตามที่เหมาะสม ไม่มีการเปิดตั๋ว ไม่มีคิว ไม่มีสมาชิกในพนักงานคลิกผ่านหกหน้าจานเพื่อไปที่นั่น

ใน RCM สิ่งนี้มีความสำคัญเนื่องจากเหตุผลเฉพาะ งานมีลักษณะที่ไม่เป็นเส้นตรง การขออนุมัติล่วงหน้าอาจสัมผัสกับระบบสี่ระบบที่แตกต่างกันก่อนที่จะแก้ไข ปัญหาในการจ่ายเงินเปลี่ยนแปลง คุณภาพของเอกสารแตกต่างกันไปตามผู้ให้บริการ สาขา และสัปดาห์ ระบบที่ติดตามสคริปต์ที่กำหนดไว้ไม่จะทนต่อการเปลี่ยนแปลงในระยะเวลานาน

ที่ไหนที่ผลลัพธ์แสดงออกมา

การอนุมัติล่วงหน้าเป็นเรื่องแรกในเกือบทุกๆ การสนทนาที่ซื่อสัตย์เกี่ยวกับเรื่องนี้ และเหตุผลคือโครงสร้าง มันเป็นหนึ่งในงานที่หนักเกี่ยวกับเอกสารและกฎที่เข้มงวดที่สุดในวงจร การสำรวจแพทย์ของ American Medical Association ในปี 2024 เกี่ยวกับการอนุมัติล่วงหน้า พบว่า 27% ของแพทย์รายงานว่าการขออนุมัติล่วงหน้าของพวกเขามักจะถูกปฏิเสธหรือปฏิเสธเสมอ และแพทย์เสร็จสิ้นการอนุมัติล่วงหน้าโดยเฉลี่ย 39 ครั้งต่อสัปดาห์ ซึ่งแต่ละครั้งจะดึงเวลาออกจากการดูแลผู้ป่วย นั่นไม่ใช่ความล้มเหลวทางคลินิก นั่นคือความล้มเหลวในการจัดทำเอกสารและกระบวนการทำงาน ซึ่งเป็นปัญหาที่ระบบตัวแทนสร้างขึ้นเพื่อแก้ไข

ตัวแทนตรวจสอบความถูกต้อง ตรวจสอบเอกสารทางคลินิกกับเกณฑ์ของผู้จ่ายเงิน ติดตามสถานะการยื่นคำขอ และแสดงข้อมูลที่หายไปก่อนที่ผู้ตรวจสอบมนุษย์จะต้องเข้ามาเกี่ยวข้อง โครงสร้างงานเหมาะสมกับพวกเขา การรวบรวมข้อมูลซ้ำๆ กฎการแมทช์ที่คาดการณ์ได้ และสถานะสิ้นสุดที่ชัดเจน

การทำความสะอาดการอ้างสิทธิ์ล่วงหน้าแสดงให้เห็นถึงแรงดึงดูดในลักษณะเดียวกัน แทนที่จะไล่ตามการปฏิเสธหลังจากการปฏิเสธ ตัวแทนจะวิ่งการตรวจสอบก่อนการยื่นคำขอที่จับข้อผิดพลาดในการเข้ารหัส ข้อผิดพลาดในการจัดทำเอกสาร และการไม่ตรงกันของการอนุมัติ ก่อนที่จะถึงผู้จ่ายเงิน ตาม การสำรวจของ HFMA ในเดือนกันยายน 2025 ของผู้บริหารด้านการดูแลสุขภาพ 272 คน องค์กรที่ได้ติดตั้ง AI และการทำงานอัตโนมัติในวงจรรายได้รายงานการลดลงของอัตราความผิดพลาดในการอ้างสิทธิ์และการชำระเงินที่เร็วขึ้นเป็นสองผลลัพธ์ที่สำคัญที่สุด การแก้ไขข้อผิดพลาดดังกล่าวในขั้นตอนต้นๆ คือที่ที่การกู้คืนการเงินจริงๆ กำลังเกิดขึ้น

ภาพที่ซื่อสัตย์

การสำรวจของ HFMA-FinThrive ในเดือนพฤษภาคม 2025 พบว่า 63% ขององค์กรด้านการดูแลสุขภาพกำลังใช้ AI และการทำงานอัตโนมัติในวงจรรายได้ของพวกเขาแล้ว ซึ่งดูเหมือนจะสร้างแรงผลักดันจริงๆ และมันก็เป็นเช่นนั้น แต่มีเครื่องหมายดอกจัน

“รูปแบบใดรูปแบบหนึ่งของ AI” สามารถครอบคลุมพื้นที่มากมาย สำหรับหลายองค์กร สิ่งนี้หมายถึงตัวแทนแบบกำหนดขอบเขตที่จัดการงานเฉพาะในมุมหนึ่งของวงจร นั่นคือจุดเริ่มต้นที่ถูกต้อง แต่ช่องว่างระหว่างสิ่งนั้นกับกระบวนการทำงานแบบหลายตัวแทนซึ่งครอบคลุมความเหมาะสม การเข้ารหัส การอ้างสิทธิ์ และการปรองดองตั้งแต่ต้นจนจบไม่ใช่ช่องว่างเล็กๆ ตามที่ การปรับปรุงวงจรรายได้ในยุค AI อธิบายไว้ บารьерทางโครงสร้างที่ขัดขวางการเปลี่ยนแปลงวงจรรายได้ทั้งหมดมีความลึกมากกว่าแผนการทางเทคโนโลยีส่วนใหญ่ที่ยอมรับ

การอภิปรายของซัพพลายเออร์ส่วนใหญ่ข้ามช่องว่างนั้นได้อย่างรวดเร็ว วงจรรายได้ที่ไม่ต้องสัมผัสเป็นแนวทางที่สมเหตุสมผลที่จะวางแผน แต่มันไม่ใช่ที่ที่องค์กรส่วนใหญ่อยู่ในขณะนี้

ทำไมการบินจึงหยุดชะงัก

Agentic AI มักจะไม่ล้มเหลวระหว่างการทดสอบ การบินเกือบจะดูสัญญาเชิงบวกเสมอ การใช้งานแคบ ข้อมูลมีความสะอาดสมเหตุสมผล และมีใครบางคนจ่ายความสนใจอย่างใกล้ชิดกับสิ่งที่ตัวแทนทำ

การผลิตเป็นเรื่องอื่น กฎของผู้จ่ายเงินเปลี่ยนแปลงโดยไม่มีการแจ้งให้ทราบ คุณภาพเอกสาร EHR มีการเปลี่ยนแปลงตามแผนก ผู้ให้บริการ และสาขา กรณีชายขอบเพิ่มขึ้นเร็วกว่าที่คาดไว้ เมื่อไม่มีใครออกแบบเส้นทางการเพิ่มขึ้นที่ชัดเจนสำหรับเมื่อตัวแทนเจอกับบางสิ่งที่อยู่นอกขอบเขตของมัน กระบวนการทำงานจะหยุดชะงักหรือดำเนินการต่อไปด้วยข้อผิดพลาดที่ใช้เวลาหลายสัปดาห์ในการปรากฏขึ้น

การขยายตัวจากการทดสอบไปสู่การผลิตเป็นปัญหาที่แตกต่างจากการที่ทำให้การทดสอบทำงาน องค์กรที่ปฏิบัติต่อพวกมันเหมือนกันปกตจะค้นพบว่าระหว่างการนำไปใช้ ไม่ใช่ก่อนที่จะเกิดขึ้น นั่นคือเหตุผลหนึ่งที่ภูมิทัศน์การนำ AI ไปใช้กว้างขวางได้กำลังดิ้นรนกับการล้มเหลวในการผลิตนอกเหนือจากสาขาการดูแลสุขภาพ

ปัญหาด้านโครงสร้างพื้นฐาน

Agentic AI ทำงานได้ดีเมื่อมีข้อมูลที่สะอาด สม่ำเสมอ และเชื่อมต่อกันเพื่อทำงาน นั่นคือคุณสมบัติที่สำคัญกว่าที่ดูเหมือน

ระบบสุขภาพขนาดกลางถึงใหญ่ส่วนใหญ่ทำงานในสภาพแวดล้อม EHR ที่กระจัดกระจาย โดยมีนิยามฟิลด์ที่ไม่สอดคล้องกันบนแพลตฟอร์มต่างๆ พอร์ทัลของผู้จ่ายเงินที่มีกฎการเข้าถึงที่แตกต่างกัน และคุณภาพเอกสารที่แตกต่างกันไปตามสาขาและผู้ให้บริการแต่ละคน สิ่งเหล่านี้ไม่ใช่กรณีชายขอบ มันเป็นสภาพแวดล้อมการทำงานมาตรฐาน ความท้าทายนี้เกี่ยวข้องกับลักษณะที่สะสมของหนี้ทางเทคนิคและโครงสร้างที่ กำหนดวิธีการที่ระบบสุขภาพตอบสนองต่อความต้องการ AI ใหม่ๆ

ข้อมูลที่ไม่เรียบร้อยไม่ได้ทำให้เกิดความล้มเหลวที่ชัดเจนเสมอไป มักจะทำให้ตัวแทนเริ่มเพิ่มข้อยกเว้นที่ไม่ควรต้องยกเว้น และเอาต์พุตดูเหมือนถูกต้องบนพื้นผิวในขณะที่นำข้อผิดพลาดที่ใช้เวลาหลายสัปดาห์ในการปรากฏขึ้น เทคโนโลยีในกรณีเหล่านั้นส่วนใหญ่กำลังทำสิ่งที่ได้รับการออกแบบมาให้ทำ สิ่งที่ไม่คงไว้ได้คือโครงสร้างพื้นฐานที่ตัวแทนกำลังอยู่

การทำให้ระดับนั้นถูกต้องก่อนที่จะขยายตัวแทนเป็นส่วนสำคัญของงานนี้ และเป็นส่วนที่ไม่ได้รับความสนใจเพียงพอในแผนการของซัพพลายเออร์

สิ่งที่เปลี่ยนแปลงเมื่อมันทำงานจริงๆ

การสำรวจของ AMA ในปี 2024 เกี่ยวกับการอนุมัติล่วงหน้า บอกเล่าเรื่องราวนี้อย่างชัดเจน: 93% ของแพทย์กล่าวว่าการอนุมัติล่วงหน้ากระทบต่อผลลัพธ์ของผู้ป่วยในทางลบ และ 94% กล่าวว่ามันทำให้การเข้าถึงการดูแลที่จำเป็นล่าช้า เมื่อตัวแทนดูดซับภาระของเอกสารและการยื่นคำขอ บุคลากรทางคลินิกได้รับเวลาคืนมาอย่างมีประสิทธิภาพ การให้เหตุผลสำหรับ Agentic AI ใน RCM ไม่เพียงแต่เกี่ยวกับต้นทุนต่อการอ้างสิทธิ์เท่านั้น แต่ยังเกี่ยวกับที่ที่เวลาของพนักงานไปอยู่ และว่ามันสามารถรักษาได้หรือไม่

องค์กรที่ก้าวหน้าที่สุดด้วยสิ่งนี้ไม่จำเป็นต้องเป็นองค์กรที่มีงบประมาณเทคโนโลยีที่ใหญ่ที่สุด พวกเขามักจะเป็นองค์กรที่เริ่มต้นด้วยการแคบๆ สร้างการกำกับดูแลของมนุษย์เข้าไปในกระบวนการทำงานตั้งแต่วันแรก และใช้เวลาหลายเดือนแรกในการผลิตเพื่อเรียนรู้จากสิ่งที่ตัวแทนผิดพลาดมากกว่าการเฉลิมฉลองสิ่งที่ตัวแทนถูกต้อง ช้ากว่าที่การขายเสนอแนะ แต่ก็ทนทานกว่า

ที่ไหนที่สิ่งนี้กำลังจะไป

รายงานของ HFMA ในเดือนมีนาคม 2026 เกี่ยวกับการดูแลสุขภาพและ AI ระบุว่าผู้นำด้านวงจรรายได้กำลังเปลี่ยนจากการบินแบบสำรวจไปสู่การลงทุนอย่างแข็งขันใน AI เป็นเครื่องมือหลักสำหรับการปกป้องมาร์จินในระยะเวลาที่เหลือของปี 2026 นั่นไม่ใช่สิ่งที่คาดเดาได้ นั่นคือการตัดสินใจด้านงบประมาณที่ได้ทำไปแล้ว

สิ่งที่ไม่ได้ถูกตัดสินใจคือการผลิตที่มีมาตราส่วนจริงๆ ดูเหมือนอย่างไรเมื่อการแบ่งกระจาย EHR เป็นเรื่องจริง กฎของผู้จ่ายเงินเปลี่ยนแปลงอย่างต่อเนื่อง และแบบจำลองของกำลังคนยังไม่ตามทันสิ่งที่ตัวแทนอัตโนมัติเปลี่ยนแปลงเกี่ยวกับงานในระยะเวลาที่ผ่านมา 18 เดือนข้างหน้าจะตอบคำถามเหล่านั้นมากกว่าสามปีที่ผ่านมารวมกัน มันคุ้มค่าที่จะให้ความสนใจอย่างใกล้ชิด