La inteligencia artificial ha demostrado su valor en los programas piloto de aseguradores, pero el mayor desafío es escalar estas soluciones a lo largo de toda la empresa sanitaria. A medida que aumenta la utilización, crece la complejidad administrativa y se estrechan los márgenes, presionando cada vez más a los planes de salud, muchas organizaciones están yendo más allá de casos de uso aislados para implementar IA en reclamaciones, gestión de utilización, determinación de beneficios y servicios a los miembros.
Physician’s Weekly habló con Sanjay Subramanian, vicepresidente senior y jefe de la Unidad de Negocios de Aseguradores de Salud (Healthcare Payer) en Cognizant, sobre cómo los aseguradores líderes están realizando la transición hacia una IA a nivel empresarial, el impacto medible en denegaciones y apelaciones, y qué pueden esperar los médicos a medida que la IA reconfigura la autorización previa, las decisiones de cobertura y las interacciones diarias con los planes de salud.
Physician’s Weekly: Cuando los aseguradores pasan de pilotos a IA a nivel empresarial, ¿qué cambios tangibles deberían esperar realmente los médicos en el punto de atención?
Sr. Subramanian: Lo más inmediato que notarán los médicos es que las autorizaciones previas pasan de días a horas y, en muchos casos, a decisiones en tiempo real. Ese es el titular.
Pero más allá de la rapidez, cae el volumen de llamadas administrativas. Las consultas de la práctica para obtener actualizaciones de estado, aclarar las razones de denegación o volver a presentar solicitudes con una redacción ligeramente diferente para obtener una respuesta consistente ya no llevan tanto tiempo.
Las solicitudes de documentación también se vuelven más precisas. En lugar de un genérico “se requiere información adicional”, la IA señala exactamente qué evidencia clínica se necesita, y a menudo pré-carga lo que ya está en el expediente. Las cartas de denegación se vuelven menos frecuentes y, cuando llegan, son legibles. La razón es específica de la situación clínica, no un lenguaje de plantilla que requiera que un codificador lo interprete.
Sin embargo, el cambio más grande es más difícil de cuantificar. La interacción con la aseguradora empieza a sentirse como si respondiera al paciente real, no solo a encaminar una transacción.
Una de las mayores fuentes de fricción para los médicos es la incertidumbre sobre beneficios y cobertura. ¿Cómo están utilizando las principales aseguradoras una capa única de IA gobernada para mejorar la interpretación de beneficios y contratos, y cómo reduce ese flujo de idas y vueltas durante la realización de órdenes, derivaciones y autorizaciones?
El problema central es que el lenguaje de beneficios, los términos de los contratos y la política clínica históricamente han convivido en múltiples sistemas que no se comunican entre sí. Y la interpretación variaba dependiendo de a quién se preguntara y de qué sistema estaban extrayendo la información.
Una capa de IA gobernada significa un único motor de interpretación autorizado del que se nutren todas las funciones de la organización aseguradora—gestión de utilización, reclamaciones, servicios al miembro, relaciones con proveedores—todas resolviendo las preguntas de cobertura con la misma lógica.
Para el médico, esto se manifiesta de una manera muy específica: la respuesta que obtiene durante la autorización previa es la misma que rige la reclamación. Ya no hay que enviar una autorización limpia, obtener la aprobación y luego recibir una denegación porque las reclamaciones interpretaron el beneficio de forma diferente.
Los flujos de derivación mejoran porque la determinación de cobertura se realiza en el momento de hacer la orden, no después de que la derivación ya esté en manos del paciente. Además, el volumen de respuestas “pendiente de más información” cae notablemente en los casos en que la información ya estaba disponible. La IA la identifica en lugar de pedir al médico que vuelva a enviar.
Los médicos frecuentemente experimentan lo que yo llamaría “decisiones en conflicto”: las reclamaciones dicen una cosa, la Gestión de Utilización (UM) dice otra, el soporte al miembro dice una tercera. ¿Qué ocurre cuando los aseguradores eliminan esos sistemas de IA en competencia, y cómo se manifiesta esa consistencia para los clínicos y su personal?
Lo que describes no es incompetencia por parte del asegurador; es lo que sucede cuando cada función ejecuta su propio sistema desconectado. El mismo caso puede recibir tres respuestas diferentes de tres partes distintas de la misma organización.
Cuando los aseguradores unifican la capa de decisiones, el efecto más inmediato para los médicos es que la razón de denegación que reciben es la misma que regirá la apelación. Ya no hay situaciones en las que la apelación se deniega por motivos que la práctica nunca le comunicó.
Para el personal clínico, la cantidad de llamadas necesarias para resolver un único problema cae de forma significativa. En consultas de alto volumen, eso puede recuperar de 30 a 45 minutos por miembro del personal al día, tiempo que vuelve a dedicarse a la atención directa al paciente.
El cambio más sutil es la confianza. Las consultas han aprendido a desconfiar de la primera respuesta porque históricamente a menudo era incorrecta o inconsistente. Cuando la primera respuesta se vuelve fiable, el flujo de trabajo cambia. Las prácticas dejan de incorporar pasos de verificación redundantes. Y la consistencia también protege a los pacientes: cuando la explicación que recibe un miembro del plan de salud coincide con lo que se le dijo en la oficina del médico, se reduce la confusión y la ansiedad que erosionan la confianza tanto en el proveedor como en el plan.
Las denegaciones y las apelaciones no son solo dolores de cabeza administrativos: afectan el momento de la atención y la confianza del paciente. ¿Qué impacto medible has visto realmente que la IA de empresa tenga en las tasas de denegación, apelaciones y retrasos en la atención?
Las organizaciones que ven el mayor impacto no solo procesan más rápido. Están identificando las condiciones que provocan denegaciones antes de que el caso llegue a un revisor.
Completar la documentación previa es la palanca más importante. La IA aplicada en el momento de la presentación identifica la documentación clínica faltante y la solicita en tiempo real, antes de que el caso vaya a revisión. Eso elimina una proporción significativa de denegaciones que nunca tuvieron que ver con desacuerdos clínicos en primer lugar.
En los despliegues que he visto, las tasas iniciales de denegación en solicitudes clínicamente apropiadas caen significativamente cuando ese bucle de entrada se cierra. Los casos que se niegan son cada vez más aquellos que representan disputas clínicas genuinas, no fricción administrativa.
En las apelaciones: cuando las razones de denegación son específicas y precisas, las apelaciones con méritos progresan más rápido porque el conflicto está claramente definido. Y las apelaciones sin mérito son más fáciles de explicar a los pacientes de forma que tenga sentido clínico.
El impacto en el tiempo de atención es real y subestimado. Cada día que una autorización previa permanece atascada en un bucle de documentación es un día de retraso en la atención. Acelerar ese ciclo de días a horas en casos apropiados tiene significado clínico, no solo operativo.
La métrica que sigo más de cerca no es la tasa de denegaciones aisladas. Es la proporción de denegaciones administrativas respecto a las denegaciones clínicas. La IA empresarial debe conducir las denegaciones administrativas hacia cero mientras se conserva la revisión clínica adecuada.
Muchos médicos han visto pilotos de IA de aseguradoras ir y venir sin cambios reales. ¿Por qué se estancan, y qué cambia fundamentalmente cuando la IA se aplica a lo largo de todo el flujo de trabajo de la aseguradora en lugar de casos de uso aislados?
Los pilotos se estancan porque resuelven un problema local sin afectar el sistema en el que están integrados. Automatizas la entrada de autorizaciones, pero alimenta una cola de revisión clínica manual. Mejoras la generación de cartas de denegación, pero la lógica de denegación sigue siendo inconsistente entre las líneas de productos. El piloto funciona en su carril y se bloquea en cada transferencia.
La diferencia técnica fundamental a escala empresarial es que la IA tiene que operar sobre un modelo de datos unificado—un único registro de miembro, un único motor de políticas, un único registro de decisiones—para cada función que toque. La mayoría de los pilotos se construyeron sobre una copia de los datos, no sobre el sistema operativo en tiempo real. Por eso no pudieron escalar.
Existe también una brecha de gobernanza. Los pilotos suelen estar gestionados por una única unidad de negocio. El despliegue a nivel empresarial exige que el Director de Marketing (CMO), el Director Financiero (CFO), cumplimiento y tecnología acuerden una única fuente de verdad. Las organizaciones que no han realizado ese trabajo no pueden escalar.
¿Cuál es la señal para los médicos de que un asegurador ha superado el piloto? Reciben respuestas diferentes, no solo más rápidas. Razones de denegación más específicas. Decisiones de autorización que reflejan la situación clínica real. Eso es la señal de que la IA está gobernando las decisiones, no solo decorándolas.
Con el aumento de la utilización y la reducción de márgenes, los aseguradores están bajo presión real. ¿Cómo pueden los médicos distinguir entre iniciativas de IA que realmente están diseñadas para mejorar la atención y aquellas que siguen pareciendo una demostración más que una solución duradera?
Hay cuatro pruebas que aplicaría.
La primera es la consistencia entre canales. Si la IA de un asegurador es real, la respuesta que obtienes a través del portal del proveedor coincide con la respuesta que obtienes al llamar. Si aún divergen, la IA no gobierna las decisiones, sino que se ha superpuesto a sistemas desconectados.
Lo segundo es qué ocurre en casos complejos. Las demostraciones siempre funcionan con casos limpios y estándar. La IA duradera se manifiesta en los casos atípicos: el paciente con múltiples comorbilidades, la solicitud que no encaja perfectamente en una política clínica. Pregunta cómo maneja la aseguradora esos casos. La calidad de la explicación, la velocidad de escalamiento apropiado y la precisión de la revisión de apelaciones dicen más que cualquier comunicado de prensa.
El tercero es la transparencia. Las aseguradoras con IA duradera publican compromisos de tiempo de respuesta para autorizaciones previas. Comparten tasas de denegación por categoría clínica. Hacen accesible la lógica de sus políticas clínicas a los proveedores. Las organizaciones cuya IA realmente funciona están volviéndose más transparentes sobre resultados, no menos.
El cuarto—y tal vez el más revelador— es si la aseguradora mide lo que realmente importa para el médico. Si sus métricas de IA son todas internas—costo por reclamación, tiempo de procesamiento, eficiencia del personal—eso indica que el sistema se diseñó para optimizar las operaciones del asegurador. Si miden el tiempo del ciclo de autorizaciones desde la perspectiva del proveedor, la reducción de retrasos en la atención y la carga de documentación por consulta, eso indica que están construyendo para la relación de atención.
Contribuyente
Sanjay Subramanian
Vicepresidente Senior
Jefe de la Unidad de Negocios—Aseguradores de Salud
Cognizant