IA en la Gestión de Ingresos en Salud: De la Automatización a los Resultados Reales en el Ciclo de RCM
La Inteligencia Artificial está cambiando las reglas del juego en la gestión de ingresos en salud, y no estamos hablando de pequeños ajustes.
Durante mucho tiempo, la automatización en el sector ya formaba parte de la rutina de los equipos de RCM, con sistemas de auto-adjudicación y flujos estandarizados que ayudaban a organizar el caos del día a día. Esas herramientas tenían su valor, claro, pero operaban dentro de límites bien definidos: seguían reglas, ejecutaban etapas repetitivas y liberaban a los equipos para enfocarse en tareas que requerían más juicio humano. Era un avance real, pero todavía bastante lineal.
Pero lo que está ocurriendo ahora es diferente. La nueva ola de Inteligencia Artificial no llegó solo para hacer las mismas cosas más rápido. Llegó para razonar sobre los datos, anticipar problemas y cambiar la forma en que los equipos toman decisiones incluso antes de actuar. Esto cambia completamente la dinámica de trabajo dentro de las organizaciones de salud, especialmente cuando el tema es la Gestión del Ciclo de Ingresos, un proceso que siempre fue complejo, lento y lleno de puntos de falla.
Fue exactamente sobre esto que tres especialistas del sector conversaron durante la BHB VALUE Conference, realizada en marzo de 2026. En el panel, Becky Carlson, Head de RCM en Joyful Health, Emma Sugerman, Cofundadora y COO de Mavida Health, y Arnav Simha, Lead PM en Nirvana, trajeron perspectivas complementarias y, a veces, bastante honestas sobre dónde la IA está entregando resultados de verdad y dónde las expectativas todavía están desalineadas con la realidad. La conversación fue rica, práctica y sin ese barniz excesivo de optimismo que normalmente acompaña las discusiones sobre tecnología en el sector salud.
Lo que queda claro desde el principio es que existe una diferencia enorme entre automatizar tareas y usar IA para pensar junto con el equipo. Esa distinción, aparentemente simple, es lo que separa a las organizaciones que están cosechando resultados de aquellas que todavía están esperando que la magia ocurra. 🎯
Cuando la IA Deja de Ser Herramienta y Pasa a Ser Aliada
Durante el panel, uno de los puntos más destacados fue justamente ese cambio de chip conceptual: dejar de ver la Inteligencia Artificial como un conjunto de herramientas que ejecutan comandos y empezar a tratarla como una capa de inteligencia que procesa contexto, identifica patrones y sugiere caminos con base en datos reales. Becky Carlson fue directa al hablar sobre la experiencia en Joyful Health, destacando que el verdadero diferencial de la IA actual está en la capacidad de razonar sobre los datos, no solo procesarlos. Según ella, ahora es posible predecir si una reclamación será pagada antes incluso de tomar cualquier acción sobre ella. Esto permite que los equipos ajusten el orden de prioridad, el enfoque e incluso las acciones que toman en cada caso. Ya no se trata simplemente de ejecutar actividades, sino de cambiar todo el marco de trabajo.
Emma Sugerman, desde la perspectiva de Mavida Health, trajo una mirada igualmente relevante sobre cómo la automatización inteligente impacta a equipos más pequeños. En organizaciones con recursos más limitados, cada decisión equivocada en el ciclo de ingresos tiene un costo alto. Ella destacó que las herramientas actuales no solo son más inteligentes, sino también más fáciles de usar, lo cual es fundamental porque todavía existe un componente humano esencial en este trabajo. Antes de la alianza con Nirvana, Mavida ya contaba con herramientas e información disponible, pero esos datos no eran accionables ni fáciles de interpretar. Con el mismo equipo operativo, Mavida logró hacer significativamente más después de la implementación, y eso se tradujo directamente en mejora de margen y eficiencia operativa.
Arnav Simha completó esta visión con un ángulo más técnico, explicando que existen dos frentes de avance tecnológico importantes. El primero es que las empresas enfocadas en IA, como Nirvana, logran mantenerse ágiles y adoptar las tecnologías más recientes con rapidez. El segundo, frecuentemente ignorado, es que los propios sistemas de historia clínica electrónica y gestión de consultorios también evolucionaron. Hace cinco años, esos sistemas eran extremadamente difíciles de integrar. Aunque existiera un producto de IA fenomenal en el mercado, era prácticamente imposible conectarlo de forma funcional al entorno del proveedor. Ahora, describió el escenario como una marea creciente que levanta todos los barcos. La mejora en la tecnología de los EHRs permite que empresas como Nirvana integren agentes de IA de formas realmente útiles, tanto para recopilar información con más eficiencia como para devolverla al lugar correcto, en el momento correcto.
La IA No Es una Varita Mágica: Lo Que Debe Existir Antes del ROI
Uno de los temas más relevantes del panel fue la discusión sobre dónde las organizaciones están sobreestimando el impacto de la IA en el ciclo de ingresos y qué necesita estar en su lugar antes de que realmente entregue retorno sobre la inversión.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Emma Sugerman fue la primera en plantear la cuestión de la gestión del cambio. Según ella, no sirve de nada tener la herramienta más avanzada si el equipo se resiste a usarla. Frecuentemente existe una resistencia natural a las nuevas tecnologías, y eso significa que es necesario invertir en capacitación y en ayudar a las personas a entender cómo funciona la herramienta y por qué importa. Si esa resistencia persiste, los impactos y mejoras esperados simplemente no se materializan.
Becky Carlson fue aún más directa al abordar lo que quizás sea el error más común del sector. Según ella, algunas personas ven la IA como una varita mágica que va a salvar el RCM. La realidad, sin embargo, es bien diferente: si los procesos de RCM están rotos y introduces IA, lo que sucede es que vas a generar caos más rápido. Lo esencial es corregir los problemas fundamentales primero. La IA debe usarse como un habilitador de la fuerza laboral, un multiplicador de fuerza que aumenta la cantidad de trabajo que cada miembro del equipo logra realizar. Pero todavía requiere que los procesos estén limpios y que las operaciones de RCM sean sólidas antes de ser introducida.
Simha reforzó esta visión con un enfoque práctico por fases. Para él, el camino correcto es gatear, después caminar y solo entonces correr. En la fase inicial, la organización debe observar el volumen de información que ya procesa, como reclamaciones, cheques e las interacciones con portales, e identificar las mayores áreas problemáticas. En el sector salud, la información generalmente existe. El problema es que toma demasiado tiempo acceder a ella o requiere trabajo manual excesivo. Entonces, lo ideal es comenzar por los procesos que consumen más tiempo, exigen llamadas telefónicas o producen información poco confiable. Esto puede representar solo entre cinco y diez por ciento del volumen total, pero son los procesos que más sobrecargan al equipo. Si la IA resuelve esos problemas de forma confiable, ahí sí es posible expandir a partir de ahí.
Priorización de Reclamaciones: El Punto Donde la IA Más Entrega
Si existe un área dentro de la Gestión del Ciclo de Ingresos donde la Inteligencia Artificial está generando impacto medible de forma consistente, es en la priorización de reclamaciones. Becky Carlson explicó que, tradicionalmente, el RCM siempre priorizó reclamaciones con base en franjas de antigüedad: cero a 30 días, 31 a 60, 61 a 90 y así sucesivamente. Todo el mundo en conferencias habla de esto. El problema es que la probabilidad de cobro en cada franja es diferente, y el nivel de esfuerzo exigido también varía enormemente.
El RCM produce cantidades enormes de datos, pero pocas organizaciones usan esos datos como un mecanismo de retroalimentación para decisiones futuras. Al aprovechar la IA, es posible identificar patrones dentro de las reclamaciones: cuáles tienen alta probabilidad de resolución exitosa y cuáles, desafortunadamente, probablemente no serán pagadas. Esto permite que las organizaciones tomen decisiones más rápidas sobre dónde concentrar su tiempo. Cuando se manejan tantas reclamaciones y tantos datos, ese tipo de priorización se vuelve increíblemente valioso.
Carlson también alertó sobre los riesgos de mantener la priorización exclusivamente por antigüedad. Si, por ejemplo, existe un problema de acreditación con un pagador que afecta a la organización, el equipo puede gastar mucho tiempo navegando por el ruido en vez de resolver el problema raíz. Una vez que la cuestión de acreditación se corrige, muchas de esas reclamaciones pueden ser retrabajadas automáticamente. Pero cuando el foco es exclusivamente la antigüedad, el equipo puede terminar trabajando en reclamaciones más fáciles primero, mientras que cuestiones más complejas siguen envejeciendo o perdiéndose entre las grietas. Considerar la mezcla de pagadores y priorizar aquellos que representan la mayor porción de los ingresos puede ser un enfoque mucho más estratégico.
Elegibilidad y Escala: El Caso de Mavida Health con Nirvana
Emma Sugerman trajo detalles sobre cómo la implementación de IA enfocada en elegibilidad en Mavida Health transformó las operaciones de la empresa. Antes de trabajar con Nirvana, Mavida ya tenía una herramienta, pero no estaba llevando al equipo adonde necesitaba llegar. Uno de los mayores problemas era que la información que regresaba de las verificaciones de elegibilidad no era digerible. No era accionable para el equipo ni para la propia Emma.
El resultado era que el equipo intentaba traducir información para los pacientes, pero los datos no eran lo suficientemente claros para que cualquier persona actuara con confianza. Una vez que se implementaron herramientas más inteligentes, la diferencia fue inmediata. La información se volvió más fácil de entender, más fácil de comunicar y más fácil de usar. Esto permite que cada operador del equipo logre realizar mucho más.
Pero no todo mejoró de la noche a la mañana. Sugerman fue transparente al hablar sobre los desafíos persistentes. Trajo el concepto que muchos en el sector llaman basura entra, basura sale. Si la información subyacente no es completa o estandarizada, las herramientas solo pueden llegar hasta cierto punto. Por ejemplo, era posible verificar que el plan de un paciente estaba válido y activo, pero responder preguntas mayores, como si la atención está dentro de la red y cuál será la responsabilidad financiera del paciente, todavía es desafiante. La peor experiencia para un paciente es recibir atención y después ser sorprendido con una cuenta inesperada. Entonces, todavía queda mucho trabajo por hacer en toda la industria para mejorar la precisión y la claridad de esa información.
Automatización Inteligente y Mejora Operativa en la Práctica
Una cosa es hablar sobre automatización en términos abstractos. Otra es entender cómo se traduce en rutinas reales dentro de equipos de RCM. El panel dejó claro que las organizaciones que están teniendo más éxito son aquellas que implementaron la IA de forma incremental, mapeando primero los cuellos de botella más críticos de su ciclo de ingresos y aplicando soluciones específicas para cada punto de dolor. Esto es diferente a adoptar una plataforma genérica y esperar que resuelva todo al mismo tiempo. El enfoque quirúrgico, combinado con métricas claras de seguimiento, es lo que transforma la IA de un experimento costoso en una palanca real de mejora operativa.
Becky Carlson fue especialmente enfática al destacar que la automatización bien aplicada libera a los profesionales de RCM para funciones que requieren habilidades que ninguna IA sustituye: negociación con pagadores, resolución de casos complejos, gestión de relaciones y toma de decisiones en situaciones ambiguas. Cuando las tareas repetitivas y de bajo valor son absorbidas por el sistema, el equipo humano gana espacio para trabajar en problemas que realmente necesitan juicio contextual. Ese reposicionamiento de los equipos es, en su visión, uno de los beneficios más subestimados de la adopción de IA en el ciclo de ingresos.
Emma Sugerman añadió que esa ganancia operativa también tiene un reflejo directo en la satisfacción de los equipos. Los profesionales de RCM que pasan menos tiempo en tareas mecánicas y más tiempo en actividades de mayor impacto tienden a comprometerse más con el trabajo. En un sector con alto índice de rotación, ese factor no es secundario. La mejora operativa promovida por la IA no es solo una cuestión de eficiencia financiera. Toca aspectos de cultura organizacional, retención de talento y calidad del servicio entregado, creando un ciclo positivo que va mucho más allá de los números del ciclo de ingresos. 🚀
Cuando la IA No Rinde: ¿Problema de Producto o de Entorno?
Arnav Simha abordó una cuestión que muchas organizaciones evitan discutir: cuando la IA tiene un desempeño por debajo de lo esperado en el ciclo de ingresos, ¿el problema es del producto o del entorno? Su respuesta fue directa. Generalmente es ambos.
Explicó que las herramientas de IA deben tratarse de la misma forma como se entrenaría a un empleado junior. Lo pruebas, la persona comete errores y le das retroalimentación. Parte de esa retroalimentación puede involucrar mejoras en la forma en que los datos están estructurados dentro del EHR o del sistema de gestión de consultorios. Otras veces, el propio modelo de IA necesita refinamiento. Al identificar casos de falla y categorizarlos, las organizaciones pueden mejorar tanto el entorno como el producto hasta que el sistema se convierta en un contribuyente altamente eficaz.
Este punto es esencial para la esencia del concepto de basura entra, basura sale, como Simha reforzó. Los datos que alimentan la IA necesitan ser coherentes. La IA no será muy eficaz si necesita interpretar información dispersa entre notas, campos y documentos de forma caótica. Las organizaciones necesitan normalizar sus datos para que los sistemas de IA puedan entender claramente la tarea que están ejecutando y el resultado que necesitan entregar. Idealmente, los proveedores de IA deben ayudar a estandarizar esa información, desde los datos en los sistemas hasta los resultados escritos de vuelta en ellos. Cuanto más limpios y estructurados sean los datos, más eficaz será la IA.
Qué Preguntar Antes de Comprar una Solución de IA
Los tres especialistas también compartieron orientaciones prácticas para organizaciones que están evaluando soluciones de IA para sus ciclos de ingresos.
Para Becky Carlson, la pregunta más importante es: ¿qué trabajo va a hacer realmente esta solución de IA? ¿Y qué métrica va a medir su éxito? ¿La organización está intentando mejorar verificaciones de elegibilidad, gestión de denegaciones o codificación? Una vez definido eso, es necesario tener una métrica clara, como reducir denegaciones relacionadas con elegibilidad, mejorar tasas de reversión de denegaciones o garantizar que la documentación pase por revisión de cumplimiento. Ser intencional sobre el trabajo específico y la métrica de éxito es crítico.
Emma Sugerman trajo una perspectiva orientada al impacto organizacional. Para ella, la pregunta central es: ¿cómo va a potenciar esto a mi empresa y a mi equipo? Ella piensa en mejora de margen, eficiencia operativa y cómo hacer que los mismos recursos rindan más. La herramienta no funciona sola. Necesita amplificar las capacidades del equipo.
Herramientas que usamos a diario
Arnav Simha sugirió dos preguntas. Primera: ¿cómo ayuda esto a mi organización a escalar? Es necesario entender dónde están las métricas actuales y adónde necesitan llegar para alcanzar los objetivos. Segunda: ¿qué trabajo está resolviendo realmente la herramienta? Toda herramienta de IA esencialmente ejecuta una tarea específica, sea hacer una llamada, leer un portal o interpretar notas. Es necesario determinar si esa tarea representa un punto de dolor significativo para el equipo.
El Futuro: Acceso, Simplicidad y Democratización
Mirando hacia el futuro, los tres especialistas compartieron visiones que combinan optimismo con pragmatismo.
Becky Carlson, después de una década en RCM observando equipos gastar cantidades enormes de tiempo solo intentando identificar problemas, dijo estar entusiasmada con la capacidad de analizar grandes volúmenes de datos e identificar patrones más temprano. En vez de reaccionar constantemente a problemas, las organizaciones pueden anticiparlos y abordarlos de forma proactiva.
Arnav Simha describió el futuro que Nirvana aspira como un escenario en el que las transacciones de salud sean tan simples como comprar una botella de agua en una tienda. Entras sabiendo el precio, pagas con un método confiable y recibes el servicio. Hoy, información mala o incompleta hace esto difícil. Pero la IA puede identificar tendencias en datos de reclamaciones y descubrir patrones, como identificar cuándo las reclamaciones son consistentemente redirigidas a un pagador diferente. Esto permite que las organizaciones tomen decisiones más rápidas y seguras y reduzcan drásticamente el tiempo necesario para resolver transacciones.
Emma Sugerman trajo el tema de vuelta al acceso a la atención, que es la misión central de Mavida Health. La empresa proporciona atención profundamente especializada, y los pacientes quieren saber que su tratamiento está dentro de la red, es accesible financieramente y predecible. También se mostró entusiasmada con la posibilidad de nivelar el campo de juego para proveedores más pequeños. Estas herramientas no deberían ser accesibles solo para organizaciones muy grandes. Si es posible democratizar el acceso a estas tecnologías, más proveedores podrán aceptar seguros, lo que en última instancia expande el acceso a la atención para más personas. 💡
Lo Que Todavía No Está Funcionando Como Debería
Uno de los momentos más valiosos del panel fue cuando los especialistas abrieron espacio para hablar sobre lo que todavía no está funcionando. Y aquí, la honestidad fue un diferencial. Arnav Simha fue directo al reconocer que muchas promesas de Inteligencia Artificial en el sector todavía chocan con problemas de calidad de datos. Los sistemas de IA son tan buenos como los datos que consumen, y buena parte de las organizaciones de salud todavía opera con estructuras de datos fragmentadas, inconsistentes o simplemente incompletas. Entrenar un modelo con datos malos es una receta para resultados malos, independientemente de cuán sofisticada sea la tecnología por debajo.
Otro punto planteado fue el desalineamiento entre expectativas y realidad en el proceso de adopción. Muchas organizaciones entran en proyectos de IA esperando resultados inmediatos y salen frustradas cuando el retorno tarda más de lo previsto. Esa brecha entre el discurso del mercado y la experiencia práctica de implementación es real, y los tres especialistas fueron unánimes al decir que la transparencia sobre el tiempo necesario para cosechar resultados es fundamental para que los equipos permanezcan comprometidos con el proceso durante la curva de aprendizaje.
Por último, hubo una alerta importante sobre la tentación de automatizar procesos que todavía están rotos. La automatización de un proceso ineficiente no lo vuelve eficiente. Solo acelera el problema. Antes de aplicar cualquier solución de Inteligencia Artificial al ciclo de ingresos, es esencial entender dónde están las fallas estructurales del proceso actual. La tecnología amplifica lo que ya existe, para bien y para mal. Y eso, más que cualquier funcionalidad específica, es la lección más importante que los especialistas dejaron para las organizaciones que todavía están al inicio de este camino.
