Sağlıkta gelir döngüsü yönetiminde ajan tabanlı yapay zekânın pratik gerçekliği

Sağlıkta gelir döngüsü yönetimi etrafında vaatler birikmeye devam ediyor. RPA her şeyi değiştirecekti. NLP de öyle. Ardından üretken yapay zekâ tartışmanın yönünü tamamen değiştirdi. Şimdi sıra ajan tabanlı yapay zekâda; bu kez fark, bazı çözümlerin gerçekten hayata geçmesi.

Hepsi değil, hatta çoğu da değil. Ancak canlı kullanım ortamlarında çalışan yeterince çözüm var ve bu da bugünü öncekilerden farklı kılıyor.

Gerçekten harekete geçmek ne demek?

Ürün sunumlarında, birden fazla iş yapan her yapay zekâya «ajan tabanlı yapay zekâ» denebiliyor. Bu tanım tartışmaya değer değil.

Gerçek bir yapay zekâ ajanı, birinin çıktısını yorumlayıp sonraki adıma karar vermesini beklemez. Klinik notu okur, eksik onayı belirler, ödeme yapan kurumun portalında gezinir ve başvuruyu gönderir. Başvuru reddedilirse ilgili belgeleri toplar, itirazı hazırlar ve doğru yere yönlendirir. İş takip kaydı açılmaz, kuyruk oluşmaz, personelin altı ekranı tıklayarak ilerlemesi gerekmez.

Gelir döngüsü yönetiminde (RCM) bunun önemli olmasının belirli bir nedeni var: iş hiç de doğrusal değil. Bir ön onay başvurusu sonuçlanana kadar dört farklı sistemden geçebilir. Ödeme yapan kurumun koşulları değişir. Belgeleme kalitesi hizmet sağlayıcıya, uzmanlık alanına ve haftaya göre farklılaşır. Yalnızca sabit bir komut dizisini izleyen sistem bu ortamda uzun süre dayanamaz.

Sonuçların gerçekten görüldüğü alanlar

Bu konudaki hemen her açık sözlü konuşmada ön onay ilk sıraya gelir. Nedeni yapısaldır: döngüde en çok belge ve kural uygulaması gerektiren işlerden biridir. Amerikan Tabipler Birliğinin 2024 Ön Onay Hekim Anketi
, hekimlerin %27’sinin ön onay başvurularının sık sık veya her zaman reddedildiğini söylediğini ortaya koydu. Hekimler haftada ortalama 39 ön onay işlemi tamamlıyor; her biri doğrudan hasta bakımından zaman alıyor. Bu klinik bir başarısızlık değil, belgeleme ve iş akışı sorunu. Tam da ajan tabanlı sistemlerin çözmek üzere tasarlandığı sorun türü.

Ajanlar kapsam hakkını doğrular, klinik belgeleri ödeme yapan kurumun ölçütleriyle karşılaştırır, başvuru durumunu izler ve insan incelemeci devreye girmeden eksik bilgiyi gösterir. Tekrarlanan bilgi toplama, öngörülebilir eşleştirme kuralları ve açık bitiş durumlarından oluşan görev yapısı onlara uygundur.

Geri ödeme taleplerinin önceden denetlenmesi de benzer bir ilerleme gösteriyor. Ajanlar, ret sonrasında uğraşmak yerine gönderim öncesi incelemelerle tıbbi kodlama hatalarını, belge eksiklerini ve onay uyuşmazlıklarını ödeme kurumuna ulaşmadan yakalıyor. HFMA’nın Eylül 2025’te 272 sağlık yöneticisiyle yaptığı ankete
göre, gelir döngüsünde yapay zekâ ve otomasyon kullanan kuruluşların bildirdiği en önemli iki sonuç, talep hata oranlarının ölçülebilir biçimde azalması ve geri ödemelerin hızlanması. Gerçek finansal iyileşmenin önemli bir kısmı, sürecin başındaki bu düzeltmelerden geliyor.

Açık sözlü bir tablo

HFMA ve FinThrive’ın Mayıs 2025 anketi
, sağlık kuruluşlarının %63’ünün gelir döngüsünün bir bölümünde zaten yapay zekâ ve otomasyon kullandığını buldu. Bu gerçek bir ivme gibi görünüyor. Öyle de, ancak bir çekinceyle.

«Bir tür yapay zekâ» çok şeyi kapsayabilir. Birçok kuruluş için bu, döngünün bir köşesinde genellikle ön onay veya ret kararına itiraz gibi tek bir işi yapan, kapsamı sınırlı bir ajan demek. Meşru bir başlangıç. Fakat buradan uygunluk kontrolü, kodlama, geri ödeme talepleri ve hesap mutabakatını baştan sona kapsayan çok ajanlı iş akışına geçişteki fark küçük değil. «Yapay Zekâ Çağında Gelir Döngüsü Modernizasyonunu Yeniden Düşünmek»
yazısında incelendiği gibi, tüm döngüyü dönüştürmenin yapısal engelleri çoğu teknoloji yol haritasının kabul ettiğinden daha derin.

Tedarikçilerle çoğu görüşme bu farkın üzerinden hızla atlıyor. Hiç elle işlem gerektirmeyen gelir döngüsü, planlama açısından makul bir yön. Ancak çoğu kuruluş bugün orada değil; bunu yakın vadede ulaşılabilir görmek uygulamaya geçişte sorun çıkarma eğiliminde.

Pilot projeler neden duraklıyor?

Ajan tabanlı yapay zekâ testte nadiren başarısız olur. Pilot projeler neredeyse her zaman umut verici görünür. Kullanım alanı dar, veri makul ölçüde temizdir ve birisi ajanın davranışlarını yakından izler.

Canlı kullanım farklıdır. Ödeme kurumlarının kuralları haber verilmeden değişir. Elektronik sağlık kaydı (EHR) belgelerinin kalitesi bölüme, hizmet sağlayıcıya ve uzmanlığa göre değişir. İstisnai durumlar beklenenden hızlı çoğalır. Ajan kapsamı dışındaki bir durumla karşılaşınca kime başvuracağına ilişkin açık bir yol tasarlanmamışsa iş akışı durur ya da ancak haftalar sonra ortaya çıkan hatalarla devam eder.

Pilot projeden canlı kullanıma ölçeklenmek, pilotu çalıştırmaktan temelden farklı bir sorundur. İkisini aynı sorun sayan kuruluşlar farkı çoğunlukla uygulama sırasında keşfeder, öncesinde değil. Genel yapay zekâ kullanımının sağlık dışındaki alanlarda da canlı kullanım başarısızlıklarıyla mücadele etmesinin nedenlerinden biri budur.

Altyapı sorunu

Ajan tabanlı yapay zekâ temiz, tutarlı ve bağlantılı verilerle iyi çalışır. Bu koşul göründüğünden önemlidir.

Orta ve büyük sağlık sistemlerinin çoğu, platformlar arasında alan tanımları tutarsız olan parçalı EHR ortamları, farklı erişim kuralları olan ödeme kurumu portalları ve uzmanlığa ve tek tek hizmet sağlayıcılara göre değişen belge kalitesiyle çalışır. Bunlar istisnai durumlar değil, olağan çalışma ortamıdır. Sorun, biriken teknik ve yapısal borçların daha geniş örüntüsüyle yakından bağlantılıdır; bu borçlar sağlık sistemlerinin yeni yapay zekâ taleplerine nasıl yanıt verdiğini şekillendirir.

Dağınık veri her zaman açık başarısızlık yaratmaz. Daha sık olarak ajanlar, bildirmeleri gerekmemesi gereken istisnaları üst sorumlulara aktarmaya başlar; çıktılar doğru görünürken ancak haftalar sonra açığa çıkan hatalar barındırır. Bu durumların çoğunda teknoloji tam tasarlandığı işi yapar. Dayanmayan, onun altındaki altyapıdır.

Ajanları ölçeklendirmeden önce bu katmanı düzeltmek, işin gösterişli olmayan ve tedarikçilerin yol haritalarında yeterince dikkat görmeyen kısmıdır.

Gerçekten çalıştığında ne değişir?

AMA’nın 2024 Ön Onay Hekim Anketi
tablonun bir bölümünü açıkça gösteriyor: hekimlerin %93’ü ön onayın hasta sonuçlarını olumsuz etkilediğini, %94’ü gerekli bakıma erişimi geciktirdiğini söylüyor. Ajanlar belge ve başvuru yükünü üstlendiğinde klinik personel ölçülebilir miktarda zaman kazanır. RCM’de ajan tabanlı yapay zekânın gerekçesi yalnızca talep başına maliyet değil, personelin zamanının gerçekte nereye gittiği ve bunun sürdürülebilir olup olmadığıdır.

En ileri giden kuruluşların teknoloji bütçeleri mutlaka en büyük olanlar değildir. Genellikle dar kapsamda başlamış, ilk günden insan denetimini dahil etmiş ve ilk canlı kullanım aylarını yalnızca başarıları kutlamak yerine ajanın yanlışlarından öğrenmeye ayırmışlardır. Satış sunumunun ima ettiğinden yavaş, ama daha kalıcı.

Gidişat nereye?

HFMA’nın Mart 2026 sağlık kâr marjları ve yapay zekâ yatırımı raporu
, gelir döngüsü liderlerinin araştırıcı pilotlardan, 2026’nın geri kalanında marjları korumanın başlıca aracı olarak yapay zekâya aktif yatırıma geçtiğini kaydetti. Bunlar tahmin değil, zaten alınmakta olan bütçe kararları.

Daha az net olan, EHR parçalanması gerçekken, ödeme kurumlarının kuralları sürekli değişirken ve iş gücü modelleri otonom ajanların işi değiştirmesine henüz tam uyum sağlayamamışken büyük ölçekte canlı kullanımın nasıl görüneceği. Önümüzdeki 18 ay, bu soruların önceki üç yılın toplamından daha fazlasına yanıt verecek. Yakından izlemeye değer.