Anil Prasad花3年造11个AI代理

美国医疗系统每年漏收2620亿美元。这笔钱够建4条高铁，或者给每个美国人发800美元红包。没人想碰这个烂摊子，直到Anil Prasad带着11个AI代理进场。

这位前杜克能源工程产品负责人、2024年美国AI百强领袖，在财富100强医疗公司摸爬滚打多年后，决定自己造一套系统。不是副驾驶，不是仪表盘，是能感知、规划、执行、自我修正的自主代理。他给这个平台取名ARIA——代理式收入智能架构。

医疗收入周期（Revenue Cycle）是个什么概念？患者看完病，医院要把账单发给保险公司，保险公司审核、砍价、打回重改，医院再修再发。平均一张账单要经手12个系统、27个审批节点，周期45到120天。漏收、错收、拒付，每天都在发生。

Prasad在文中算了一笔账：一家年收入10亿美元的中型医院系统，收入泄漏率通常在8%到15%。按10%算，就是1亿美元凭空蒸发。传统解决方案是堆人——招聘更多账单专员、买更多软件仪表盘。但人越多，交接越多，错误越多。

为什么是11个代理，不是1个

Prasad的设计哲学很直接：单一代理会累垮，就像让一个人同时当客服、会计、律师和侦探。他把收入周期拆成11个连续环节，每个环节部署专用代理。

第一个代理叫Intake Agent，守在入口。患者预约时，它从电子病历系统抓取保险信息，实时验证资格，发现保单过期或网络外 provider 立即标记。Prasad提到一个真实场景：某医院系统上线后，前置拒付率从23%降到4%，因为问题在患者进门时就解决了。

第二个是Coding Agent，盯着病历转代码。医生写的"急性心肌梗死"要变成ICD-10编码I21.9，稍有偏差，保险公司拒付。这个代理用检索增强生成（RAG）比对历史编码库，发现医生习惯用语与标准编码的映射偏差，自动建议修正。

第三个Claim Scrubber在账单发出前做最后检查。它模拟保险公司审核规则，预判哪些项目会被挑战。Prasad的数据： scrubbing 通过率从行业平均的72%提升到94%，意味着更少的"账单乒乓球"。

中间还有Eligibility Verification Agent、Prior Authorization Agent、Charge Capture Agent、Payment Posting Agent、Denial Management Agent、Appeals Agent、Patient Responsibility Agent、Reporting Agent。每个都有明确边界，通过共享状态库协作。

关键设计是"自我修正"机制。Appeals Agent处理拒付申诉时，如果连续三次同类型申诉失败，会自动触发根因分析，把模式反馈给上游的Coding Agent或Claim Scrubber，调整策略。这不是预设规则，是代理自己总结规律。

从" copilot 陷阱"里爬出来

Prasad对当前AI医疗应用有个尖锐判断：大部分所谓的"AI助手"本质是高级搜索。医生问，AI答，决策权在人。这种模式下，AI不承担责任，也不真正改变流程。

他见过太多 copilot 项目死在试点阶段。原因是增量效率提升无法覆盖变革成本——医生要学新界面，IT要维护两套系统，合规部门要重新审计。最后 copilot 变成"锦上添花"的演示工具。

ARIA的路径完全不同。代理直接嵌入现有工作流，替代而非辅助。Prior Authorization Agent不需要医生学习新界面，它自动读取医嘱，生成申请，提交给保险公司，跟踪状态，异常时升级给人类。医生收到的只有结果通知。

Prasad坦承这个设计有政治风险。医疗IT采购决策链极长，从CIO到CMO到合规官，每个环节都怕"黑箱"。他的应对是"可审计的自主"——每个代理的决策都有完整日志，用自然语言解释为什么这样编码、为什么这样申诉，供人工抽查。

「我们不是要消除人类监督，而是把监督从'每个决策盯一遍'变成'抽查异常模式'。」Prasad在文中这样写。

2620亿市场的入场券

ARIA目前聚焦医疗，但Prasad的野心明显更大。他在能源、金融科技、生命科学都有履历，这些行业的收入周期问题同样严重。能源公司的需求响应计费、金融科技的交易对账、临床试验的站点付款，逻辑相通：多系统、多参与方、长周期、高差错率。

技术栈上，ARIA基于多代理框架，底层用大语言模型做推理引擎，但用规则引擎做硬约束。医疗编码有明确法规，不能由模型随意发挥。Prasad强调"确定性层"——关键决策必须可追溯、可复现、符合HIPAA和CMS规范。

部署模式是私有化。医院数据不出本地，代理在客户环境运行。这与当前主流的SaaS AI形成对比，也是医疗行业的硬性要求。

Prasad没有披露具体客户名单，但提到"财富100强医疗系统正在试点"。他给出的效率数字：收入周期天数从平均45天压缩到28天，人力成本下降30%到50%，收入回收率提升6到12个百分点。

这些数字如果属实，意味着ARIA的ROI极短。按10亿美元收入规模的医院计算，6个百分点的回收就是6000万美元年收益，而系统部署成本通常在数百万美元级别。

但挑战同样具体。医疗系统的技术债务深重，很多医院还在用90年代的主机系统。代理要对接这些遗产系统，靠API往往行不通，需要屏幕抓取、PDF解析等"脏活"。Prasad的团队花了大量精力做连接器层，这是护城河，也是重资产。

另一个隐患是保险公司端的对抗。如果太多医院用AI优化申诉，保险公司也会部署AI优化拒付。这场军备竞赛的终点是什么？Prasad的回应是转向"预测性合规"——在账单生成前就按保险公司最可能接受的格式组织，减少对抗空间。

医疗AI的融资环境正在变化。2024年的热潮退去后，投资者更关心落地案例和付费意愿，而非技术演示。Prasad的ARIA选择在这个时点从 stealth 模式走出，时机耐人寻味。

他最后提到一个细节：某试点医院的CFO在季度会上说，以前看收入周期报告像看天气预报，知道大概趋势但帮不上忙。现在ARIA的代理每天凌晨3点自动跑完前日账单，早上8点CFO收到的是"已处理、已预测、已优化"的结果。

「我终于能睡整觉了。」这位CFO的原话。

如果11个代理真能让医院财务负责人睡个好觉，2620亿的市场会不会重新洗牌？那些还在卖仪表盘和 copilot 的厂商，准备好应对这场"代理替代"了吗？