IA na Gestão de Receitas em Saúde: Da Automação aos Resultados Reais no Ciclo de RCM
A Inteligência Artificial está mudando o jogo na gestão de receitas em saúde, e não estamos falando de pequenos ajustes.
Por muito tempo, a automação no setor já fazia parte da rotina de equipes de RCM, com sistemas de auto-adjudicação e fluxos padronizados que ajudavam a organizar o caos do dia a dia. Essas ferramentas tinham seu valor, claro, mas operavam dentro de limites bem definidos: seguiam regras, executavam etapas repetitivas e liberavam as equipes para focar em tarefas que exigiam mais julgamento humano. Era um avanço real, mas ainda bastante linear.
Mas o que está acontecendo agora é diferente. A nova onda de Inteligência Artificial não chegou apenas para fazer as mesmas coisas mais rápido. Ela chegou para raciocinar sobre os dados, antecipar problemas e mudar a forma como as equipes tomam decisões antes mesmo de agir. Isso muda completamente a dinâmica de trabalho dentro das organizações de saúde, especialmente quando o assunto é Gestão de Ciclo de Receitas, um processo que sempre foi complexo, demorado e cheio de pontos de falha.
Foi exatamente sobre isso que três especialistas do setor conversaram durante a BHB VALUE Conference, realizada em março de 2026. No painel, Becky Carlson, Head de RCM na Joyful Health, Emma Sugerman, Co-fundadora e COO da Mavida Health, e Arnav Simha, Lead PM na Nirvana, trouxeram perspectivas complementares e, às vezes, bem honestas sobre onde a IA está entregando resultado de verdade e onde as expectativas ainda estão desalinhadas com a realidade. A conversa foi rica, prática e sem aquele verniz excessivo de otimismo que normalmente acompanha discussões sobre tecnologia no setor de saúde.
O que fica claro logo de cara é que existe uma diferença enorme entre automatizar tarefas e usar IA para pensar junto com o time. Essa distinção, aparentemente simples, é o que separa organizações que estão colhendo resultados daquelas que ainda estão esperando a mágica acontecer. 🎯
Quando a IA Deixa de Ser Ferramenta e Passa a Ser Parceira
Durante o painel, um dos pontos mais marcantes foi justamente essa virada de chave conceitual: parar de enxergar a Inteligência Artificial como um conjunto de ferramentas que executam comandos e começar a tratá-la como uma camada de inteligência que processa contexto, identifica padrões e sugere caminhos com base em dados reais. Becky Carlson foi direta ao falar sobre a experiência na Joyful Health, destacando que o verdadeiro diferencial da IA atual está na capacidade de raciocinar sobre os dados, não apenas processá-los. Segundo ela, agora é possível prever se uma reivindicação será paga antes mesmo de tomar qualquer ação sobre ela. Isso permite que as equipes ajustem a ordem de prioridade, a abordagem e até as ações que tomam em cada caso. Não se trata mais de simplesmente executar atividades, mas de mudar o framework inteiro de trabalho.
Emma Sugerman, pela perspectiva da Mavida Health, trouxe um olhar igualmente relevante sobre como a automação inteligente impacta equipes menores. Em organizações com recursos mais enxutos, cada decisão errada no ciclo de receitas tem um custo alto. Ela destacou que as ferramentas atuais são não apenas mais inteligentes, mas também mais fáceis de usar, o que é fundamental porque ainda existe um componente humano essencial nesse trabalho. Antes da parceria com a Nirvana, a Mavida já tinha ferramentas e informações disponíveis, mas esses dados não eram acionáveis nem fáceis de interpretar. Com a mesma equipe operacional, a Mavida conseguiu fazer significativamente mais depois da implementação, e isso se traduziu diretamente em melhoria de margem e eficiência operacional.
Arnav Simha completou essa visão com um ângulo mais técnico, explicando que existem duas frentes de avanço tecnológico importantes. A primeira é que empresas focadas em IA, como a Nirvana, conseguem se manter ágeis e adotar as tecnologias mais recentes com rapidez. A segunda, frequentemente ignorada, é que os próprios sistemas de prontuário eletrônico e gestão de práticas também evoluíram. Cinco anos atrás, esses sistemas eram extremamente difíceis de integrar. Mesmo que existisse um produto de IA fenomenal no mercado, era praticamente impossível conectá-lo de forma funcional ao ambiente do provedor. Agora, ele descreveu o cenário como uma maré crescente que levanta todos os barcos. A melhoria na tecnologia dos EHRs permite que empresas como a Nirvana integrem agentes de IA de formas realmente úteis, tanto para coletar informações com mais eficiência quanto para devolvê-las ao lugar certo, no momento certo.
IA Não É Varinha Mágica: O Que Precisa Existir Antes do ROI
Um dos temas mais relevantes do painel foi a discussão sobre onde as organizações estão superestimando o impacto da IA no ciclo de receitas e o que precisa estar no lugar antes que ela realmente entregue retorno sobre o investimento.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Emma Sugerman foi a primeira a levantar a questão da gestão de mudanças. Segundo ela, não adianta ter a ferramenta mais avançada se a equipe resiste a usá-la. Existe frequentemente uma resistência natural a novas tecnologias, e isso significa que é preciso investir em treinamento e em ajudar as pessoas a entenderem como a ferramenta funciona e por que ela importa. Se essa resistência persiste, os impactos e melhorias esperados simplesmente não se materializam.
Becky Carlson foi ainda mais direta ao abordar o que talvez seja o erro mais comum do setor. Segundo ela, algumas pessoas enxergam a IA como uma varinha mágica que vai salvar o RCM. A realidade, porém, é bem diferente: se os processos de RCM estão quebrados e você introduz IA, o que acontece é que você vai gerar caos mais rápido. O essencial é corrigir os problemas fundamentais primeiro. A IA deve ser usada como um habilitador da força de trabalho, um multiplicador de força que aumenta a quantidade de trabalho que cada membro da equipe consegue realizar. Mas ela ainda requer que os processos estejam limpos e que as operações de RCM sejam sólidas antes de ser introduzida.
Simha reforçou essa visão com uma abordagem prática em fases. Para ele, o caminho certo é engatinhar, depois andar e só então correr. Na fase inicial, a organização deve olhar para o volume de informação que já processa, como reivindicações, cheques e interações com portais, e identificar as maiores áreas problemáticas. No setor de saúde, a informação geralmente existe. O problema é que leva tempo demais para acessá-la ou exige trabalho manual excessivo. Então, o ideal é começar pelos processos que consomem mais tempo, exigem ligações telefônicas ou produzem informações pouco confiáveis. Isso pode representar apenas cinco a dez por cento do volume total, mas são os processos que mais sobrecarregam a equipe. Se a IA resolve esses problemas de forma confiável, aí sim é possível expandir a partir dali.
Priorização de Reivindicações: O Ponto Onde a IA Mais Entrega
Se existe uma área dentro da Gestão de Ciclo de Receitas onde a Inteligência Artificial está gerando impacto mensurável de forma consistente, é na priorização de reivindicações. Becky Carlson explicou que, tradicionalmente, o RCM sempre priorizou reivindicações com base em faixas de envelhecimento: zero a 30 dias, 31 a 60, 61 a 90 e assim por diante. Todo mundo em conferências fala sobre isso. O problema é que a probabilidade de cobrança em cada faixa é diferente, e o nível de esforço exigido também varia enormemente.
O RCM produz quantidades enormes de dados, mas poucas organizações usam esses dados como um mecanismo de retroalimentação para decisões futuras. Ao aproveitar a IA, é possível identificar padrões dentro das reivindicações: quais têm alta probabilidade de resolução bem-sucedida e quais, infelizmente, provavelmente não serão pagas. Isso permite que as organizações tomem decisões mais rápidas sobre onde concentrar seu tempo. Quando se lida com tantas reivindicações e tantos dados, esse tipo de priorização se torna incrivelmente valioso.
Carlson também alertou sobre os riscos de manter a priorização exclusivamente por envelhecimento. Se, por exemplo, existe um problema de credenciamento com um pagador afetando a organização, a equipe pode gastar muito tempo navegando pelo ruído em vez de resolver o problema raiz. Uma vez que a questão de credenciamento é corrigida, muitas dessas reivindicações podem ser retrabalhadas automaticamente. Mas quando o foco é exclusivamente no envelhecimento, a equipe pode acabar trabalhando em reivindicações mais fáceis primeiro, enquanto questões mais complexas continuam envelhecendo ou se perdendo nas brechas. Considerar o mix de pagadores e priorizar aqueles que representam a maior parcela da receita pode ser uma abordagem muito mais estratégica.
Elegibilidade e Escala: O Caso da Mavida Health com a Nirvana
Emma Sugerman trouxe detalhes sobre como a implementação de IA focada em elegibilidade na Mavida Health transformou as operações da empresa. Antes de trabalhar com a Nirvana, a Mavida já tinha uma ferramenta, mas ela não estava levando a equipe aonde precisava chegar. Um dos maiores problemas era que as informações que voltavam das verificações de elegibilidade não eram digeríveis. Não eram acionáveis para a equipe nem para a própria Emma.
O resultado era que a equipe tentava traduzir informações para os pacientes, mas os dados não eram claros o suficiente para que qualquer pessoa agisse com confiança. Uma vez que ferramentas mais inteligentes foram implementadas, a diferença foi imediata. As informações ficaram mais fáceis de entender, mais fáceis de comunicar e mais fáceis de usar. Isso permite que cada operador da equipe consiga realizar muito mais.
Mas nem tudo melhorou da noite para o dia. Sugerman foi transparente ao falar sobre os desafios persistentes. Ela trouxe o conceito que muitos no setor chamam de entrada ruim, saída ruim. Se as informações subjacentes não são completas ou padronizadas, as ferramentas só conseguem ir até certo ponto. Por exemplo, era possível verificar que o plano de um paciente estava válido e ativo, mas responder perguntas maiores, como se o atendimento está na rede e qual será a responsabilidade financeira do paciente, ainda é desafiador. A pior experiência para um paciente é receber atendimento e depois ser surpreendido com uma conta inesperada. Então, ainda há muito trabalho a ser feito em toda a indústria para melhorar a precisão e a clareza dessas informações.
Automação Inteligente e Melhoria Operacional na Prática
Uma coisa é falar sobre automação em termos abstratos. Outra é entender como ela se traduz em rotinas reais dentro de equipes de RCM. O painel deixou claro que as organizações que estão tendo mais sucesso são aquelas que implementaram a IA de forma incremental, mapeando primeiro os gargalos mais críticos do seu ciclo de receitas e aplicando soluções específicas para cada ponto de dor. Isso é diferente de adotar uma plataforma genérica e esperar que ela resolva tudo ao mesmo tempo. A abordagem cirúrgica, combinada com métricas claras de acompanhamento, é o que transforma a IA de um experimento caro em uma alavanca real de melhoria operacional.
Becky Carlson foi especialmente enfática ao destacar que a automação bem aplicada libera os profissionais de RCM para funções que exigem habilidades que nenhuma IA substitui: negociação com pagadores, resolução de casos complexos, gestão de relacionamentos e tomada de decisões em situações ambíguas. Quando as tarefas repetitivas e de baixo valor são absorvidas pelo sistema, o time humano ganha espaço para trabalhar em problemas que realmente precisam de julgamento contextual. Esse reposicionamento das equipes é, na visão dela, um dos benefícios mais subestimados da adoção de IA no ciclo de receitas.
Emma Sugerman acrescentou que esse ganho operacional também tem reflexo direto na satisfação das equipes. Profissionais de RCM que passam menos tempo em tarefas mecânicas e mais tempo em atividades de maior impacto tendem a se engajar mais com o trabalho. Em um setor com alto índice de rotatividade, esse fator não é secundário. A melhoria operacional promovida pela IA não é apenas uma questão de eficiência financeira. Ela toca em aspectos de cultura organizacional, retenção de talentos e qualidade do serviço entregue, criando um ciclo positivo que vai muito além dos números do ciclo de receitas. 🚀
Quando a IA Não Performa: Problema de Produto ou de Ambiente?
Arnav Simha abordou uma questão que muitas organizações evitam discutir: quando a IA tem desempenho abaixo do esperado no ciclo de receitas, o problema é do produto ou do ambiente? A resposta dele foi direta. Geralmente é ambos.
Ele explicou que ferramentas de IA devem ser tratadas da mesma forma como se treinaria um funcionário júnior. Você testa, a pessoa comete erros e você fornece feedback. Parte desse feedback pode envolver melhorias na forma como os dados são estruturados dentro do EHR ou do sistema de gestão de práticas. Outras vezes, o próprio modelo de IA precisa de refinamento. Ao identificar casos de falha e categorizá-los, as organizações podem melhorar tanto o ambiente quanto o produto até que o sistema se torne um contribuidor altamente eficaz.
Esse ponto é essencial para a essência do conceito de entrada ruim, saída ruim, como Simha reforçou. Os dados que alimentam a IA precisam ser coerentes. A IA não será muito eficaz se precisar interpretar informações espalhadas entre anotações, campos e documentos de forma caótica. As organizações precisam normalizar seus dados para que os sistemas de IA consigam entender claramente a tarefa que estão executando e o resultado que precisam fornecer. Idealmente, os fornecedores de IA devem ajudar a padronizar essas informações, desde os dados nos sistemas até os resultados escritos de volta neles. Quanto mais limpos e estruturados forem os dados, mais eficaz será a IA.
O Que Perguntar Antes de Comprar Uma Solução de IA
Os três especialistas também compartilharam orientações práticas para organizações que estão avaliando soluções de IA para seus ciclos de receitas.
Para Becky Carlson, a pergunta mais importante é: qual trabalho essa solução de IA vai realmente fazer? E qual métrica vai medir seu sucesso? A organização está tentando melhorar verificações de elegibilidade, gestão de negações ou codificação? Uma vez definido isso, é preciso ter uma métrica clara, como reduzir negações relacionadas a elegibilidade, melhorar taxas de reversão de negações ou garantir que a documentação passe por revisão de conformidade. Ser intencional sobre o trabalho específico e a métrica de sucesso é crítico.
Emma Sugerman trouxe uma perspectiva voltada para o impacto organizacional. Para ela, a pergunta central é: como isso vai potencializar minha empresa e minha equipe? Ela pensa em melhoria de margem, eficiência operacional e como fazer os mesmos recursos renderem mais. A ferramenta não funciona sozinha. Ela precisa amplificar as capacidades da equipe.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Arnav Simha sugeriu duas perguntas. Primeira: como isso ajuda minha organização a escalar? É preciso entender onde as métricas atuais estão e onde precisam chegar para atingir os objetivos. Segunda: qual trabalho a ferramenta está realmente resolvendo? Toda ferramenta de IA essencialmente executa uma tarefa específica, seja fazer uma ligação, ler um portal ou interpretar anotações. É necessário determinar se essa tarefa representa um ponto de dor significativo para a equipe.
O Futuro: Acesso, Simplicidade e Democratização
Olhando para o futuro, os três especialistas compartilharam visões que combinam otimismo com pragmatismo.
Becky Carlson, depois de uma década no RCM observando equipes gastarem quantidades enormes de tempo apenas tentando identificar problemas, disse estar entusiasmada com a capacidade de analisar grandes volumes de dados e identificar padrões mais cedo. Em vez de reagir constantemente a problemas, as organizações podem antecipá-los e abordá-los de forma proativa.
Arnav Simha descreveu o futuro que a Nirvana almeja como um cenário em que transações de saúde sejam tão simples quanto comprar uma garrafa de água em uma loja. Você entra sabendo o preço, paga com um método confiável e recebe o serviço. Hoje, informações ruins ou incompletas tornam isso difícil. Mas a IA pode identificar tendências em dados de reivindicações e descobrir padrões, como identificar quando reivindicações são consistentemente redirecionadas para um pagador diferente. Isso permite que as organizações tomem decisões mais rápidas e confiantes e reduzam drasticamente o tempo necessário para resolver transações.
Emma Sugerman trouxe o tema de volta ao acesso ao cuidado, que é a missão central da Mavida Health. A empresa fornece atendimento profundamente especializado, e os pacientes querem saber que seu tratamento está na rede, é acessível financeiramente e previsível. Ela também se mostrou entusiasmada com a possibilidade de nivelar o campo de jogo para provedores menores. Essas ferramentas não deveriam ser acessíveis apenas para organizações muito grandes. Se for possível democratizar o acesso a essas tecnologias, mais provedores poderão aceitar seguros, o que em última instância expande o acesso ao cuidado para mais pessoas. 💡
O Que Ainda Não Está Funcionando Como Deveria
Um dos momentos mais valiosos do painel foi quando os especialistas abriram espaço para falar sobre o que ainda não está funcionando. E aqui, a honestidade foi um diferencial. Arnav Simha foi direto ao reconhecer que muitas promessas de Inteligência Artificial no setor ainda esbarram em problemas de qualidade de dados. Sistemas de IA são tão bons quanto os dados que consomem, e boa parte das organizações de saúde ainda opera com estruturas de dados fragmentadas, inconsistentes ou simplesmente incompletas. Treinar um modelo com dados ruins é uma receita para resultados ruins, independentemente de quão sofisticada seja a tecnologia por baixo.
Outro ponto levantado foi o desalinhamento entre expectativas e realidade no processo de adoção. Muitas organizações entram em projetos de IA esperando resultados imediatos e saem frustradas quando o retorno demora mais do que o previsto. Esse gap entre o discurso do mercado e a experiência prática de implementação é real, e os três especialistas foram unânimes em dizer que a transparência sobre o tempo necessário para colher resultados é fundamental para que as equipes permaneçam comprometidas com o processo durante a curva de aprendizado.
Por fim, houve um alerta importante sobre a tentação de automatizar processos que ainda estão quebrados. A automação de um processo ineficiente não o torna eficiente. Ela apenas acelera o problema. Antes de aplicar qualquer solução de Inteligência Artificial ao ciclo de receitas, é essencial entender onde estão as falhas estruturais do processo atual. A tecnologia amplifica o que já existe, para o bem e para o mal. E isso, mais do que qualquer funcionalidade específica, é a lição mais importante que os especialistas deixaram para as organizações que ainda estão no começo dessa jornada.
