Практична реальність агентського штучного інтелекту в управлінні циклом доходів охорони здоров’я

Цикл доходів продовжує зібирати обіцянки. RPA мав змінити все. Так само мав зробити NLP. Потім генеративний штучний інтелект повністю змінив розмову. Тепер це агентський штучний інтелект, і різниця цього разу полягає в тому, що частина з цього насправді працює.

Не вся частина. Не навіть більша частина. Але достатньо працює в середовищі виробництва, щоб зробити цей момент дійсно різним від того, що було раніше.

Що таке дія насправді

Є версія “агентського штучного інтелекту”, яка використовується в продукційних колодах для опису будь-якого штучного інтелекту, який робить більше однієї речі. Ця версія не варта обговорення.

Справжній штучний інтелект-агент не чекає, поки хтось інтерпретує його вивід і вирішить, що робити далі. Він читає клінічну записку, визначає відсутню авторизацію, переміщується до порталу платника, подає запит. Якщо запит повертається з відмовою, він витягує відповідну документацію, створює апеляцію, маршрутизує її належним чином. Не відкривається жоден тікет. Не відбувається жодна черга. Не відбувається жоден клік працівників через шість екранів, щоб потрапити туди.

У циклі доходів це має значення з певної причини. Робота глибоко нелінійна. Запит на попередню авторизацію може торкнутися чотирьох різних систем, перш ніж буде вирішено. Вимоги платників змінюються. Якість документації варіюється за провайдером, спеціальністю, тижнем. Система, яка тільки слідує за фіксованим сценарієм, не витримає довго в такому середовищі.

Де результати насправді з’являються

Попередня авторизація з’являється першою майже в кожній чесній розмові про це, і причиною цього є структура. Це одна з найбільш документозалежних, правилозалежних завдань у циклі. Опитування лікарів щодо попередньої авторизації 2024 року Американської медичної асоціації виявило, що 27% лікарів повідомляють, що їхні запити на попередню авторизацію часто або завжди відхиляються, і лікарі виконують в середньому 39 запитів на попередню авторизацію на тиждень, кожен з яких відбирає час безпосередньо від лікування пацієнтів. Це не клінічна невдача. Це документаційна і робоча невдача, яка є саме тим видом проблеми, для яких створені агентські системи.

Агенти підтверджують права, зіставляють клінічну документацію з критеріями платників, відстежують статус подання, висвітлюють відсутню інформацію, перш ніж до цього долучиться людина-експерт. Структура завдання підходить їм. Повторне збирання інформації, передбачувані правила зіставлення, чіткі кінцеві стани.

Активне очищення заяв також показує подібну трекцію. Замість того, щоб переслідувати відмови після відхилення, агенти виконують попередні аудити, які виявляють помилки кодування, прогалини в документації та несумісності авторизації до того, як щось потрапить до платника. За даними дослідження HFMA за вересень 2025 року серед 272 керівників охорони здоров’я, організації, які розгорнули штучний інтелект і автоматизацію в циклі доходів, повідомляють про вимірювані зниження рівня помилок у заявах і швидшу термінів оплати як два основні результати. Такого роду корекція на рівні джерела є тим місцем, де відбувається справжнє фінансове відновлення.

Чесна картина

Опитування HFMA-FinThrive у травні 2025 року виявило, що 63% організацій охорони здоров’я вже використовують штучний інтелект і автоматизацію в якійсь частині свого циклу доходів. Це виглядає як справжній імпульс. І це так, з астериском.

“Деяка форма штучного інтелекту” може охоплювати багато території. Для багатьох організацій це означає обмеженого агента, який обробляє одне конкретне завдання, зазвичай попередню авторизацію або апеляції щодо відмов, в одному кутку циклу. Це легітимна початкова точка. Але розрив між цим і багатоцільовим робочим процесом, який охоплює права, кодування, заяви та примирення з кінця в кінець, не є малим розривом. Як розслідується в перегляді модернізації циклу доходів у добу штучного інтелекту, структурні бар’єри для трансформації всього циклу доходів заходять глибше, ніж більшість технологічних дорожніх карт визнають.

Більшість розмов вендорів швидко оминають цей розрив. Повністю бездотиковий цикл доходів є розумним напрямком, до якого варто прагнути. Це просто не те місце, де більшість організацій знаходяться зараз, і behandлення цього як досяжного в ближньому майбутньому tende створювати проблеми під час розгортання.

Чому пілоти застряють

Агентський штучний інтелект рідко виходить з ладу під час тестування. Пілоти майже завжди виглядають перспективними. Випадок використання вужчий, дані досить чисті, і хтось уважно слідкує за тим, що робить агент.

Виробництво є іншим. Правила платників змінюються без попередження. Якість документації EHR змінюється за відділом, провайдером, спеціальністю. Виникають випадки, які виходять за межі очікувань швидше, ніж очікувалося. Коли ніхто не розробив чіткого шляху ескалації для випадку, коли агент зустрічає щось поза його сферою дії, робочий процес або застряє, або продовжується з помилками, які виходять на поверхню через тижні.

Масштабування з пілота до виробництва є фундаментально іншою проблемою, ніж те, щоб зробити пілот працювати. Організації, які розглядають їх як одну й ту ж проблему, зазвичай виявляють це під час розгортання, а не до нього. Це одна з причин, чому більш широкий ландшафт прийняття штучного інтелекту бореться з провалами виробництва далеко за межами охорони здоров’я.

Проблема інфраструктури

Агентський штучний інтелект працює добре, коли має чисті, послідовні, пов’язані дані для роботи. Ця限定ка є більш значимою, ніж здається.

Більшість середніх і великих систем охорони здоров’я працюють у фрагментованому середовищі EHR з неоднаковими визначеннями полів на різних платформах, порталах платників з різними правилами доступу та якістю документації, яка варіюється за спеціальністю та окремим провайдером. Це не виняткові випадки. Це стандартна робоча середовище. Виклик тісно пов’язаний з більш широким патерном накопиченого технічного і структурного боргу, який визначає, як системи охорони здоров’я реагують на нові вимоги штучного інтелекту.

Брудні дані не завжди викликають очевидні провали. Частіше агенти починають ескалувати винятки, яких вони не повинні б флагувати, і вивід виглядає правильним на поверхні, тоді як тихо несуть помилки, які виходять на поверхню через тижні. Технологія в більшості цих випадків робить саме те, для чого вона була розроблена. Що не витримує, так це інфраструктура, на якій вона сидить.

Отримання цього шару правильного перед масштабуванням агентів є негламурною частиною цієї роботи, і саме ця частина не отримує достатньої уваги в дорожніх картах вендорів.

Що змінюється, коли це насправді працює

Опитування AMA про попередню авторизацію 2024 року розповідає частину цієї історії чітко: 93% лікарів кажуть, що попередня авторизація негативно впливає на результати лікування пацієнтів, і 94% кажуть, що вона затримує доступ до необхідної допомоги. Коли агенти поглинають цю документаційну і під час подання тягар, клінічний персонал отримує вимірюваний час. Аргумент на користь агентського штучного інтелекту в циклі доходів не тільки про вартість за заявку. Це також про те, куди йде час персоналу, і чи це є тривалим.

Куди це рухається

Звіт HFMA за березень 2026 року про маржу охорони здоров’я та інвестиції в штучний інтелект відзначив, що лідери циклу доходів переходять від дослідницьких пілотів до активних інвестицій в штучний інтелект як основний засіб захисту маржі на початку 2026 року. Це не спекулятивно. Це вже прийняті бюджетні рішення.

Що менш вирішено, так це те, що таке виробництво у масштабах, коли фрагментація EHR реальна, правила платників продовжують змінюватися, а моделі робочої сили ще не повністю пристосувалися до того, що автономні агенти змінюють у роботі. Наступні 18 місяців відповідають на більшість цих питань, ніж попередні три роки разом узяті. Варто уважно стежити за цим.