Sas Mukherjee，Catalyst Solutions首席执行官。
在医疗保健领域，我认为人工智能在过去十年中大多处于"童年期"。医疗保健支付方曾尝试使用机器学习、机器人流程自动化和一些基础人工智能技术，但结果总体不够稳定。虽然许多尝试产生了强有力的概念验证，但其他尝试未能带来持久影响。
随着人工智能逐渐成熟，我认为实验与转型之间的差异在于解决方案的设计和部署方式。许多实施仍然零散且缺乏嵌入的领域专业知识，需要很长时间才能适应医疗保健工作流程。或者它们未能创造有意义的差异化。其他方案则需要大量前期投资、依赖单一大型语言模型或专业人才。
越来越明显的是，最有效的方法不再像单一平台，而更像是从智能构建模块组装解决方案。
通过构建模块应对复杂性
支付方在任何行业中最为复杂的环境中运营：多条业务线、多样的福利设计、遗留系统和严格法规。这解释了为什么许多人工智能部署未能成功。团队往往优先考虑模型的复杂性，而忽视了真正的障碍：运营复杂性。
挑战在于将能力转化为在现实条件下可靠运行的工作流程，因为在这些条件下，边缘情况、数据不一致性和遗留系统限制往往会降低性能。模块化人工智能组件（即构建模块）可以帮助执行特定功能，例如从文档中提取结构化数据、对传入通信进行分类、将请求路由到适当的工作流程以及在决策过程中应用监管或政策规则。
单独来看，每个组件执行特定任务。组合起来，它们能够解决复杂的运营挑战。就像乐高积木，单个积木价值有限，但有目的地组装许多积木可以为每个支付方创建出复杂且差异化的解决方案。
复用：人工智能创新的倍增器
我发现，人工智能构建模块的真正力量通过复用随时间而显现。为事前授权数据提取构建的组件也可以支持申诉处理。路由能力可以扩展到理赔、会员服务和注册，或欺诈、浪费和滥用检测。规则引擎可以应用于多种监管场景和流程。
随着每个用例的解决，组件库不断增长，加强了基础架构。这也催生了一类新的解决方案提供商：那些提供行业特定人工智能解决方案的提供商（而不是寻找问题的人工智能技术）。
在医疗保健领域，成功取决于从业务问题出发并应用行业背景。人工智能成为使能层，而非产品本身，使支付方能够组装定制化解决方案，而无需从零开始。
嵌入专业知识与实现定制化
话虽如此，领域专业知识对于有效的人工智能构建模块至关重要。通用人工智能模型虽然强大，但对支付方工作流程、监管要求和运营细节不熟悉。
但当人工智能构建模块嵌入医疗保健知识时，开发人员可以从已经理解环境的组件开始，而无需每次都重新训练模型。我发现这种方法有助于平衡标准化与定制化。虽然每个支付方的运营方式不同，但模块化架构允许将标准化组件组装成定制化解决方案。
随着人工智能部署变得更容易，组织可以将重点从基本自动化转向重新构想运营。在许多情况下，这转向了"人工智能即服务"模式，即专业合作伙伴提供预构建的、嵌入行业知识的解决方案以进行配置和部署。我发现这种模式在高容量、规则驱动的工作流程（如理赔和事前授权）中效果最佳，在这些流程中变化可以得到限制。
对于需要人类判断或涉及异常处理的更复杂流程，往往会浮现三个挑战：数据依赖性、变更管理和治理。
这些挑战并非孤立存在。支付方运营与提供商、外部合作伙伴和第三方平台相互交织，这些平台拥有自己的系统和工作方式，因此变更管理必须远远超出健康计划本身。
当与更广泛生态系统中的老旧或专有技术进行交互时，组件也可能变得不那么有效。"人工智能即服务"模式也可能引入一种微妙的供应商依赖形式。即使在技术无关的架构中，对合作伙伴的训练数据和模型调整的深度依赖也可能造成锁定。
支付方可以通过确保合同包含条款来缓解这一问题，即在需要时，人工智能解决方案可以从服务中解耦并在内部过渡。
构建能提供持久价值的人工智能
随着人工智能模型的演进，依赖单一平台的解决方案有变得过时的风险。技术无关的构建模块架构可以通过使组件集成新能力而无需系统重新设计来降低这一风险。
由于组件通过标准化接口进行通信，组织可以更换底层模型，或在现有系统上叠加人工智能并进行渐进式创新，无需"彻底替换"。
与传统自动化或打包软件不同，这种模式还降低了历史上阻碍人工智能采用的数据标准化障碍。当构建模块在相关医疗保健数据上预训练时，组织无需完全统一的数据基础设施即可开始看到成果。话虽如此，那些希望减少长期合作伙伴依赖并构建更多原生人工智能能力的组织仍然需要随着时间的推移追求数据标准化。构建模块可以作为实现这一目标的阶梯。
然而，归根结底，人工智能不应是医疗保健的最终目标。支付方追求的是更好的会员体验、改善的健康结果、更低的行政成本和更高效的运营。
就像之前的互联网一样，转型并非来自技术本身，而是来自组织用它构建的东西。灵活、面向未来的AI架构确保创新始终扎根于可衡量的业务和运营价值。
为医疗保健创造长期AI价值的架构
如果医疗保健中早期的人工智能以实验为特征，我相信下一阶段将由架构以及组织部署和实施它的效率来定义。可重用的人工智能构建模块有望成为消除传统采用障碍的重要环节。此外，"人工智能即服务"的交付方式可以帮助这些构建模块实现快速部署和可扩展性。
我认为，这些元素共同创造了转型的持久基础。但仅靠基础无法决定谁将领先。真正的差异化因素将是速度：组织从架构到采用的转变速度，以及他们如何重新构想运营而不仅仅是自动化现有流程。
【全文结束】
