Havedev
AI Tidak Otomatis Membuat Healthcare Lebih Efisien
Banyak organisasi melihat AI sebagai jalan pintas menuju efisiensi. Di healthcare, janji itu terdengar sangat masuk akal. Dokumentasi medis bisa dirapikan lebih cepat. Klaim asuransi bisa disusun lebih lengkap. Administrasi yang selama ini berat bisa dibantu mesin.
Namun berita terbaru dari Blue Cross Blue Shield Association menunjukkan sisi lain yang perlu dibaca lebih hati-hati.
Menurut analisis mereka, penggunaan tool AI oleh rumah sakit saat mengirim klaim asuransi berkaitan dengan tambahan belanja kesehatan sebesar $942 juta dalam periode dua tahun. Analisis itu juga menemukan kenaikan tajam pada dokumentasi pasien dengan kondisi kompleks, tetapi tidak melihat bukti bahwa perawatan yang diberikan ikut berubah secara sepadan.
Dengan kata lain, masalahnya bukan sekadar apakah AI bisa membaca catatan medis atau membantu coding klaim. Pertanyaannya lebih dalam: apakah AI sedang memperjelas pekerjaan, atau hanya membuat sistem lama menjadi lebih agresif?
The Core Update
Blue Cross Blue Shield Association menilai penggunaan AI dalam proses medical coding dan klaim asuransi telah mendorong peningkatan biaya kesehatan. Rumah sakit memakai tool AI untuk membantu mendokumentasikan kondisi pasien dan menyusun klaim yang diajukan ke insurer.
Secara teknis, ini terdengar seperti automation yang wajar. Jika ada diagnosis yang sebelumnya tidak tercatat lengkap, AI bisa membantu menemukannya. Jika catatan medis terlalu panjang, AI bisa merapikan informasi. Jika tim administrasi kewalahan, AI bisa mempercepat proses.
Masalahnya muncul ketika peningkatan dokumentasi tidak diikuti perubahan perawatan yang nyata.
BCBSA menyebut ada disconnect antara coding dan treatment. Pasien lebih sering didokumentasikan memiliki kondisi kompleks, tetapi tidak ada bukti bahwa care yang diberikan ikut berubah. Dari sudut pandang insurer, ini berarti biaya naik bukan karena pasien mendapat layanan yang lebih banyak atau lebih baik, tetapi karena klaim menjadi lebih mahal.
The New York Times membingkai isu ini sebagai bagian dari tren yang lebih besar: AI mulai ikut menaikkan biaya healthcare. Konflik antara rumah sakit dan insurer memang bukan hal baru. Selama bertahun-tahun, dua pihak ini sudah berdebat soal treatment, approval, coding, dan pembayaran.
Tetapi AI membuat konflik itu bergerak lebih cepat.
Rumah sakit bisa memakai AI untuk memperkuat klaim. Insurer bisa memakai AI untuk menolak, memeriksa, atau menunda klaim. Akhirnya, bukan tidak mungkin sistem berubah menjadi adu automation: bot melawan bot, agent melawan agent, dan manusia hanya datang ketika eskalasi sudah terlalu mahal.
Dr. Shiv Rao dari Abridge menyebut kemungkinan itu sebagai masa depan distopia yang tidak diinginkan siapa pun. Namun ia juga membuka kemungkinan lain: AI bisa mengurangi ketegangan dan menekan biaya jika dipakai dengan benar.
Di sinilah persoalan sebenarnya berada. AI bukan otomatis baik atau buruk. AI mengikuti desain insentif, aturan kerja, dan batasan sistem yang dipasang di sekitarnya.
The Reality Check
Narasi umum tentang AI sering terlalu rapi: pekerjaan manual berkurang, keputusan lebih cepat, biaya turun.
Dalam praktik bisnis, hasilnya tidak selalu begitu.
AI bisa mempercepat proses yang sehat. Tetapi AI juga bisa memperbesar proses yang belum sehat. Jika sistem sudah punya konflik insentif, AI dapat membuat konflik itu lebih cepat, lebih luas, dan lebih sulit diaudit.
Dalam kasus klaim kesehatan, rumah sakit punya insentif untuk mendokumentasikan kondisi pasien secara lengkap karena itu memengaruhi reimbursement. Insurer punya insentif untuk memastikan klaim tidak dibayar lebih dari yang dianggap wajar. Di tengahnya ada pasien, dokter, admin, auditor, dan sistem coding yang kompleks.
Ketika AI masuk ke alur seperti ini, pertanyaan pentingnya bukan hanya: apakah modelnya akurat?
Pertanyaan yang lebih penting adalah:
- siapa yang diuntungkan jika output AI diterima?
- siapa yang menanggung biaya jika output AI salah?
- apakah perubahan data mencerminkan perubahan realitas?
- apakah ada manusia yang benar-benar memahami alasan keputusan?
- apakah sistem punya mekanisme audit yang cukup jelas?
Tanpa pertanyaan itu, automation bisa terlihat produktif di satu sisi tetapi mahal di sisi lain.
Ini bukan masalah healthcare saja. Banyak bisnis menghadapi versi yang lebih kecil dari pola yang sama.
Sales memakai AI untuk menghasilkan lead scoring, tetapi definisi lead berkualitas belum disepakati. Customer support memakai AI untuk memberi label tiket, tetapi kategori masalah masih tumpang tindih. Finance memakai AI untuk membaca invoice, tetapi aturan pengecualian masih banyak diselesaikan lewat chat. HR memakai AI untuk screening kandidat, tetapi kriteria seleksi belum cukup eksplisit.
Di permukaan, semua terlihat lebih cepat.
Namun jika dasar proses belum jelas, AI hanya membuat ketidakjelasan bergerak lebih cepat.
Efisiensi yang sehat biasanya mengurangi friksi tanpa menghilangkan akuntabilitas. Efisiensi yang berbahaya mengurangi pekerjaan manusia di awal, tetapi menambah sengketa, koreksi, audit, dan biaya tersembunyi di akhir.
Karena itu, klaim bahwa AI akan memangkas biaya perlu diuji secara operasional, bukan hanya secara teknis.
AI bisa membuat dokumen lebih lengkap. Tetapi apakah dokumen itu lebih benar?
AI bisa membuat proses lebih cepat. Tetapi apakah keputusan menjadi lebih tepat?
AI bisa meningkatkan revenue capture. Tetapi apakah itu berasal dari nilai yang benar-benar diberikan?
Pertanyaan seperti ini sering terdengar tidak seagresif demo produk AI. Namun bagi bisnis, pertanyaan inilah yang menentukan apakah automation menjadi aset atau sumber risiko baru.
The Havedev Way
Dari sudut pandang Havedev, pelajaran utamanya sederhana: jangan mulai dari AI. Mulai dari alur kerja, status, dan akuntabilitas.
AI seharusnya masuk setelah bisnis tahu proses mana yang ingin diperbaiki, data mana yang bisa dipercaya, keputusan mana yang boleh dibantu mesin, dan titik mana yang tetap butuh review manusia.
Untuk alur yang sensitif seperti klaim, billing, approval, finance, legal, atau healthcare, AI tidak boleh hanya dinilai dari kecepatan output. Ia perlu dinilai dari dampak akhirnya:
- apakah biaya turun atau hanya pindah tempat?
- apakah sengketa berkurang atau justru bertambah?
- apakah manusia lebih mudah mengecek keputusan?
- apakah pelanggan atau pasien mendapat hasil yang lebih baik?
- apakah sistem bisa diaudit saat terjadi masalah?
Banyak implementasi AI gagal bukan karena modelnya buruk, tetapi karena bisnis tidak mendefinisikan batas pakainya.
Misalnya, AI boleh membantu merangkum catatan, tetapi tidak boleh otomatis mengubah status risiko tanpa validasi. AI boleh memberi rekomendasi kategori, tetapi harus mencatat alasan dan sumber data. AI boleh mempercepat pengecekan awal, tetapi keputusan finansial besar tetap perlu approval yang jelas.
Ini bukan sikap anti-AI. Justru sebaliknya, ini cara agar AI bisa dipakai lebih lama tanpa menciptakan kekacauan baru.
Untuk bisnis di luar healthcare, berita ini sebaiknya dibaca sebagai peringatan awal. AI yang terlihat hemat di satu departemen bisa menambah beban di departemen lain. AI yang menaikkan angka output bisa menurunkan kualitas keputusan. AI yang mempercepat klaim, tiket, proposal, atau laporan bisa membuat organisasi kehilangan konteks jika tidak ada aturan review.
Sebelum memasang AI di proses penting, bisnis sebaiknya mengecek tiga hal.
Pertama, apakah status kerja sudah jelas?
Jika tim belum sepakat arti qualified, pending, approved, rejected, urgent, selesai, atau butuh review, AI akan ikut memakai bahasa kerja yang kabur.
Kedua, apakah data yang dipakai cukup bisa dipercaya?
AI tidak memperbaiki data yang berantakan secara ajaib. Ia bisa membantu merapikan, tetapi tetap membutuhkan aturan mana data yang valid, mana yang kurang, dan mana yang harus ditandai sebagai tidak pasti.
Ketiga, apakah ada jalur audit?
Saat output AI berdampak pada uang, layanan, hak pelanggan, atau keputusan penting, bisnis perlu tahu siapa yang menyetujui, berdasarkan data apa, dan bagaimana koreksi dilakukan jika salah.
Tanpa tiga hal itu, AI mudah berubah dari alat bantu menjadi mesin pembesar masalah.
Penutup
Berita tentang AI yang diduga menaikkan biaya healthcare bukan alasan untuk menolak AI. Tetapi ini alasan kuat untuk berhenti memperlakukan AI sebagai jawaban otomatis untuk semua masalah operasional.
AI bisa membantu bisnis bekerja lebih cepat. Namun kecepatan hanya bernilai jika arah, aturan, dan tanggung jawabnya jelas.
Jika alur kerja masih kabur, AI akan mempercepat kekaburan. Jika insentifnya tidak sehat, AI akan memperbesar insentif itu. Jika auditnya lemah, AI akan membuat masalah lebih sulit dibaca ketika volume naik.
Bisnis yang ingin memakai AI dengan sehat perlu mulai dari pertanyaan yang lebih membumi: proses mana yang sering macet, keputusan mana yang sering diulang, data mana yang sering diperdebatkan, dan risiko apa yang muncul jika automation salah?
Setelah itu jelas, AI bisa menjadi alat yang berguna. Bukan karena ia terlihat canggih, tetapi karena ia dipasang di tempat yang tepat, dengan batas yang tepat, dan tujuan yang bisa diukur.
Dapatkan Audit Teknis Gratis untuk meninjau alur kerja, data, dan peluang AI automation yang benar-benar layak dipakai tanpa menambah risiko operasional baru.
Sumber referensi berita: TechCrunch