随着医疗行业的不断演变，运营领导者面临着一系列复杂的挑战，包括高昂的管理成本和员工流失率。管理费用占美国每年超过4万亿美元医疗支出的约25%。同时，为了应对不断提高的期望，组织面临持续的压力，需要在整个医疗旅程中改善消费者的体验。
在此背景下，包括生成式AI（Gen AI）在内的AI技术的进步有可能彻底改变医疗行业，提升支付方、医疗服务提供机构和政府实体（如医疗保险和医疗补助服务中心及公共医院）内部和面向客户的运营效率。2023年的一项调查显示，45%的客户服务职能运营领导者将部署最新技术（包括AI）列为首要任务，比2021年增加了17个百分点。
QuantumBlack，麦肯锡的AI部门，帮助公司通过技术的力量、技术专长和行业专家进行转型。QuantumBlack拥有数千名从业者（数据工程师、数据科学家、产品经理、设计师和软件工程师）和麦肯锡（行业和领域专家），致力于解决最重要的AI挑战。QuantumBlack Labs是我们的技术创新中心，通过全球各地的分支机构推动AI的前沿发展和创新。
在本文中，我们探讨了医疗领导者如何利用AI来重塑其服务运营，并概述了关键考虑因素，以帮助他们成功。服务运营包括财务交易（如理赔处理）、通用功能（如财务和人力资源）、行业特定功能（如核保、注册、质量报告和认证）、客户和患者服务（提供服务给客户的活动和流程集合）以及行政临床支持功能（如护理管理和个案管理）。
医疗领导者为何难以实现数字投资的全部价值潜力
尽管数字和AI解决方案具有显著的优化运营（例如，通过自动化）和增强消费者体验的潜力，但医疗领导者致力于投资AI解决方案，如聊天机器人、对话AI和虚拟助手，以保持相关性和竞争力。然而，跨行业的技术转型项目，包括医疗行业，历史上未能迅速产生价值，从而实现预期的投资回报；它们通常只能实现不到三分之一的预期价值。此外，大约只有30%的大规模数字转型努力取得成功。
具体而言，运营领导者报告称，从试点到生产的AI和自动化用例扩展存在困难；25%的受访领导者表示这是他们面临的最大挑战。例如，只有10%的受访者与医疗组织的互动中，通过对话AI和聊天机器人完全解决了他们的查询，而无需后续与真人代理互动。
使命导向的道路图。领导者往往缺乏与业务目标相关的潜在价值的清晰视图以及捕捉这些价值的道路图。价值的感知可能过于乐观，领导者认为AI可以解决所有问题或提供“快速胜利”，相比之下，多年的转型计划显得缓慢。相反，领导者可能低估了AI的变革潜力。定量和定性地衡量价值（例如，使用质量、安全、体验和可访问性的指标）可能不足，或者组织可能不知道哪些领域应优先考虑。详细分析运营可能会发现理赔审批时间的巨大延迟等运营低效的根本原因，表明理赔处理可能是AI转型的高优先级领域。
人才。采用AI需要一套独特的技能和能力。组织可能缺乏技术技能和招聘计划来弥补差距，其培训和发展计划可能缺乏投资和正确的设计。然而，许多非技术员工在医疗和其他行业中已经在日常工作中使用生成式AI，可能对其价值有更清晰的理解。
敏捷交付。要成功实施AI，组织可能需要加快决策和交付过程，这可能涉及资金转移和克服历史上的文化规范和态度。
技术和工具。大多数医疗组织拥有难以扩展以支持AI解决方案的遗留技术基础设施、架构和工具。例如，基于麦肯锡对医疗公司的基准分析，呼叫中心工具经常缺乏标记通话原因所需细节的能力，以支持AI并获得细致的客户洞察，多达60%的通话未被标记。劳动力管理工具通常缺乏先进的预测和调度功能，导致人员配置与需求不匹配。增强技术基础设施对于解决这些限制、提高整体效率、响应性和服务质量至关重要。
数据管理。AI解决方案所需的医疗数据是异构的：非结构化、分散在多个数据源中，并存储在不同的数据结构中。组织可能缺乏支持AI解决方案所需的数据成熟度——数据完整性、数据可用性、缓解偏见和风险的能力以及数据治理。在AI模型发布后，组织可能难以适应或集成新数据。此外，确保遵守严格的隐私法规（如美国的《健康保险流通与责任法案》和欧盟的《通用数据保护条例》）至关重要。这包括有效缓解处理受保护的健康信息和个人身份信息等敏感数据的风险。
假设一个计划实施AI驱动远程患者监测的医疗系统，以预测和预防潜在的健康事件。该用例依赖于从各种传感器和监测设备（如可穿戴设备）连续收集数据。该医疗系统面临的挑战是确保AI算法能够获得足够的数据以进行有效学习和预测，同时保证个人患者的匿名性。
改变运营模式。成功的领导者广泛考虑AI对运营模式以及内部和外部用户的影响。专门用于变更管理、沟通和培训的工作流可能是必要的。将AI洞察整合到运营中可能涉及工作流程的变化，领导者需要确保AI算法的输出透明且可解释。
服务运营中的AI用例
私营和公共医疗组织越来越多地采用AI来改善患者护理和降低成本（参见图表）。即便如此，为了控制与数据隐私和安全相关的风险并确保质量和效率，大多数领导者更倾向于使用AI来辅助人类决策，而不是完全替代。
超个性化客户触点。约75%的客户现在首先通过数字渠道与组织接触，随后进行全渠道体验。这使领先组织能够提供超个性化的体验。他们使用AI分析来自多个来源的客户数据，生成客户的个性化资料。这使客户可以通过他们选择的渠道进行互动，增加组织当场解决客户问题的可能性（无需真人代理的帮助）。
例如，关于理赔和寻找护理的电话占支付方组织总电话量的50%到70%，而最近的账单错误激增现在产生了额外10%到15%的电话，以澄清福利说明，根据麦肯锡的分析。使用AI和语音分析，支付方可以实时分析数百万次通话录音，发现详细的通话原因，并制定包含更多自助服务选项的遏制策略。
对话解决客户问题。对话AI机器人可用于解决或更智能地路由低至中等复杂度的问题。在适当的情况下，补充交易代理互动的有效、富有同情心的虚拟助理AI机器人，可以增强客户体验、工作质量和结果以及员工生产力。此外，使用AI工具和智能工作流进行技能分析可以帮助根据客户需求将客户路由到最合适的代理。
假设一位成员因非紧急门诊服务（如物理治疗）的理赔申请被拒而联系支付方的客户服务部门。AI机器人可以迅速分析理赔详情、患者病史和政策参数，并提出发送预授权信给治疗师的建议。这种富有同情心和高效的虚拟协助不仅提升了客户体验，还通过管理常规查询提高了员工生产力，使真人代理能够专注于确保输出质量和处理更复杂的任务。
代理赋能。代理副驾（使用大型语言模型支持代理的对话界面）有潜力帮助代理更好地了解客户并根据其先前的互动提出建议。生成式AI可以通过轻松访问知识库来提高代理的知识和对流程的遵守。成功组织使用先进的AI语音分析来实时捕获和总结客户投诉和行动。
在我们的分析中，约30%到40%的理赔电话处理时间是死机时间，因为代理在查找信息。跨行业的分析显示，经验较少的员工使用的知识资源是经验丰富的员工的两倍，突显了个人辅导的机会。AI可以用来生成关于帮助或阻碍顶级和底部四分之一员工表现的因素的可操作见解，并通过AI驱动的提示提供前线代理的个性化辅导，以提高绩效。此外，生成式AI驱动的虚拟助手可以帮助代理更快、更高效地处理查询。这些虚拟助手可以通过分析客户情绪并根据现有通话记录和档案数据提供建议或有针对性的提示来增强代理回应。虚拟助手还可以通过建议技术来改善客户体验，从而提高客户情绪。
AI驱动的自动化和规划流程。医疗组织可以追求端到端的智能流程自动化，包括后台流程和审计客户-代理互动，以及AI驱动的劳动力管理以实现敏捷预测和调度。例如，根据麦肯锡的分析，员工通常每天花费20%到30%的工作时间在非生产性活动上，如行政任务和空闲时间。嵌入现有工具的AI驱动预测和调度优化可以改进员工容量管理。进一步的分析显示，通过AI驱动的班次调度优化调度，组织可以将占用率提高10%到15%，从而提高整体效率、员工生产力和工作满意度。
实施迭代测试和学习方法
实施AI需要迭代测试和学习方法。使用A/B测试评估和改进不同AI模型和算法的性能，组织可以快速确定什么有效、什么无效，并做出必要的调整以改善客户体验。这种方法还有助于最小化风险并优化AI投资回报。例如，支付方可以使用A/B测试来评估不同配置的AI驱动欺诈检测模型在理赔处理中的表现。通过系统的测试，他们可以快速识别模型参数的变化，确定哪个算法最擅长检测欺诈行为，从而及时干预。这种迭代方法不仅加强了支付方防止欺诈活动的能力，还有助于简化理赔处理，从而优化运营效率并最小化财务风险。
建立跨职能团队
演变运营模式并建立跨职能团队（业务、产品、客户服务、数据和分析、IT）对于成功实施AI用例至关重要。这些团队合作理解并解决客户关怀挑战和机会以及业务需求。跨职能团队作为早期采用者的冠军，塑造用例的部署，证明价值以推动变革的动力，并促进整个业务的采用。例如，在政府组织中，由政策制定者、医疗专家、IT专家和社区代表组成的跨职能团队可以合作实施AI驱动的系统，以优化公共卫生倡议。这个团队将共同努力解决医疗挑战，增强患者服务，并确保AI解决方案与政府的医疗目标和公民需求一致。
设计以客户为中心的体验
设计以客户为中心的体验对于成功实施AI在服务运营中至关重要。领先的支付方组织使用客户反馈和洞察来设计能够满足客户需求和偏好的AI解决方案。通过使用自然语言处理（NLP）和情感分析，他们可以识别客户意图和情绪，并提供个性化和情境化的回应。这种方法有助于提高客户满意度、忠诚度和口碑，推动业务增长和盈利能力。例如，支付方组织可以使用客户反馈和洞察来实施AI驱动的理赔处理工具。通过使用NLP和情感分析，组织可以理解客户在其查询中表达的关切和情绪。这使得个性化回应、高效问题解决和整体客户满意度的提高，从而增加忠诚度和积极的客户情绪。
服务运营如何启动AI路线图
为了启动AI驱动的服务运营转型，组织可以考虑今天采取以下行动。
进行快速诊断评估
使用AI驱动的工具，如流程洞察和语音分析解决方案，组织可以识别流程低效并评估改进的潜在价值（例如，跨端到端客户关怀运营，包括语音和非语音流程）。这一步骤可以提供当前运营状态和客户需求及偏好的深入洞察，并帮助识别用例以解决差距和机会领域。例如，随着AI技术的发展，根据用例的复杂性，解决方案可以在几周内而不是几个月内实施，使组织能够快速从日常运营和客户互动中获得洞察。
优先关键领域并开发初始概念验证
接下来，组织可以为其优先领域的初始概念验证开发一两个用例，例如生成式AI驱动的副驾助手或呼叫中心支持理赔查询的语音分析，其中痛点尤为严重，改进潜力巨大。这样做将帮助领导者了解这些解决方案的潜力及其在客户关怀运营中的应用。
例如，医疗支付方经常难以处理高度复杂的理赔。AI驱动的理赔辅助解决方案可以通过建议适当的支付行动并减少错误，帮助理赔审查员更快、更准确地作出理赔裁决。这些解决方案可以将复杂理赔的处理效率提高30%以上，并减少支付方因未能及时支付理赔而产生的罚款。
采用敏捷迭代方法扩展其他用例
扩大努力涉及采用敏捷迭代方法扩展其他用例，并建立一个明确阐述解决方案和优先事项的路线图，与特定负责人和里程碑相关联。为了确保成功扩展，组织可以组建一个由业务、产品、客户服务和IT团队代表组成的跨职能运营模式（AI工作组），并采取措施确保其支持持续改进。
建立有效的治理框架
随着公司从用例试点转向主流采用AI和生成式AI工具，他们需要适当的治理框架和全面的风险指南，以维持质量和管理大规模风险。这些可能包括持续监控和审计机制，以评估AI系统的行为并确保其符合既定的道德准则。由AI专家、伦理学家和法律顾问组成的跨职能团队可以评估AI模型和应用的潜在偏见或伦理问题。识别、编码和定期审查AI实施的道德、法律、监管和网络安全风险至关重要。定义明确的指南和政策以管理数据，特别是受保护的健康信息和个人身份信息等敏感信息，可以防止未经授权访问和数据处理不当，包括第三方。
将人才战略与AI和生成式AI路线图对齐
成功的组织将把人才战略与用例路线图和实施方法对齐，重点关注关键领域，如会员服务、理赔处理和政策制定。他们将设立跨职能团队，整合新技术和方法，确保能力的无缝集成，包括用于风险评估的高级数据分析、用于理赔自动化的机器学习和用于个性化政策提供的精准医学。为了弥合技能差距，成功组织将实施针对性培训计划并培养持续学习和创新的文化。
AI驱动的服务运营对于医疗支付方、医疗服务提供机构和公共部门的未来充满希望。虽然许多运营活动仍需人性化，但AI可以通过简化流程和支持更便捷和个性化的患者和客户服来提升效率。随着医疗行业的不断发展，AI的使用将变得越来越重要，以重新构想并不断改进服务运营。
(全文结束)
