에이전틱 AI (Agentic AI)가 의료 빌링(Healthcare Billing)에서 실제로 비용을 회수할 수 있을까? 실제 수치 분석

모든 의료 재무 리더는 새로운 소프트웨어를 통해 혁신적인 ROI(투자 대비 수익)를 약속하는 벤더의 피칭을 들어본 적이 있습니다. 하지만 그러한 약속의 대부분은 현실과 마주했을 때 살아남지 못합니다. 따라서 에이전틱 AI (Agentic AI) 벤더들이 거절률 (denial rates)을 낮추고, 현금 흐름 (cash flow)을 가속화하며, 수익 사이클 (revenue cycle) 운영 비용을 줄이겠다는 유사하게 대담한 주장을 하기 시작할 때, 적절한 수준의 회의론을 갖는 것은 올바른 시작점입니다.

그러한 회의론은 타당하지만, 그것이 대화의 끝이 되어서는 안 됩니다. 특정 벤더의 마케팅과는 별개로, 의료 수익 사이클 관리 (revenue cycle management)에서 에이전틱 AI (Agentic AI)의 재무적 타당성이 일반적인 하이프 사이클 (hype cycle)보다 더 실질적임을 시사하는 의미 있는 양의 독립적인 분석이 존재합니다. 실제 증거가 강력한 곳이 어디인지, 아직 미흡한 곳은 어디인지, 그리고 벤더의 구체적인 주장을 어떻게 평가해야 하는지를 이해하는 것이 현명한 투자와 값비싼 실망 사이의 차이를 만듭니다.

문제의 규모가 기회의 상한선을 결정한다

에이전틱 AI (Agentic AI)가 무엇을 절감할 수 있는지에 앞서, 실제로 얼마나 많은 돈이 걸려 있는지 이해할 가치가 있습니다. 수익 사이클 관리 (revenue cycle management)는 거대하고 비용이 많이 드는 기능입니다. 독립적인 분석에 따르면, 수익 사이클을 운영하는 비용은 대규모 의료 시스템 총 매출의 약 3~4%로 책정되었으며, 의료 시스템들은 수동 프로세스 (manual processes), 파편화된 벤더 환경 (fragmented vendor landscapes), 그리고 구식 기술로 인해 이 기능에만 연간 총 1,400억 달러 이상을 지출하고 있습니다.

더 넓게 시야를 넓혀보면, 광범위한 행정적 부담은 훨씬 더 커집니다. 미 의회예산처(Congressional Budget Office)의 국가 의료 지출 트렌드에 대한 장기 분석(source)에 따르면, 전체 의료 지출은 미국 경제의 거의 5분의 1을 차지하고 있으며, 이는 GDP 대비 비중 측면에서 다른 부유한 국가들보다 수년 동안 지속적으로 높은 수준을 유지해 왔습니다. 행정 비용은 이러한 격차의 상당 부분을 차지하며, 수익 사이클(Revenue Cycle)의 비효율성 — 지급 거절(denials), 과소 지급(underpayment), 회수 지연(delayed collections), 중복 작업(duplicate work) — 은 이를 해결할 수 있는 가장 유망한 영역 중 하나입니다. 이는 의료 서비스 제공 방식을 바꿀 필요 없이, 청구(billing) 방식만 바꾸면 되기 때문입니다.

신뢰할 수 있는 추정치가 실제로 말하는 것

수익 사이클(Revenue Cycle) 내 에이전틱 AI (Agentic AI)에 대한 McKinsey의 분석에 따르면, 이 분야에 AI를 도입할 경우 회수 비용(cost to collect)을 30~60%까지 절감할 수 있을 것으로 예상됩니다. 이와 동시에 더 빠른 현금 실현(cash realization)이 가능해지며, 인력은 행정 업무 대신 더 높은 가치를 창출하는 업무에 다시 집중할 수 있게 됩니다. 이는 상당히 넓은 범위의 수치이며, 이 범위의 폭은 중요한 의미를 갖습니다. 즉, 이 기술의 약속이 서로 다른 조직, 지불자 구성(payer mixes), 그리고 시작점(starting points)에 걸쳐 얼마나 신뢰할 수 있고 반복 가능한 절감 효과로 전환될지에 대한 실질적인 불확실성을 반영하기 때문입니다.

또한, 벤더(vendor)가 보고한 수치와 독립적으로 검증된 수치를 구분할 필요가 있습니다. 수많은 개별 사례 연구(case studies)들이 놀라운 결과들 — 검토 시간의 극적인 단축, 거절률(denial rates)의 급격한 하락, 직원 1인당 배수 단위로 증가한 후속 조치 역량 등 — 을 보고하고 있으며, 이러한 수치 중 일부는 해당 결과를 보고한 특정 조직에 대해서는 정확할 가능성이 높습니다. 하지만 벤더 자체의 마케팅 자료에 포함된 단일 사례 연구는 통제된 환경에서의 피어 리뷰(peer-reviewed) 또는 독립적인 감사(independently audited)를 거친 결과와는 다른 범주의 증거입니다. 정직한 입장은 비용 절감에 대한 방향성(directional case)은 강력하며 점점 더 잘 뒷받침되고 있지만, 특정 벤더의 구체적인 퍼센트 수치 주장은 여타 영업 제안(sales pitch)에 적용하는 것과 동일한 수준의 면밀한 검토가 필요하다는 것입니다.

비용 절감이 실제로 발생하는 지점

"AI가 돈을 아껴준다"는 식의 블랙박스(black box)로 취급하기보다는, 이러한 수치를 이끄는 메커니즘을 구체화하는 것이 도움이 됩니다.

거절(denials)이 줄어들면 재작업(rework)이 감소합니다. 거절된 청구 건 하나를 재작업하는 데는 직원의 시간이라는 실제 비용이 소요되며, 업계 추산에 따르면 청구 건당 재작업 비용은 복잡성에 따라 수십 달러에서 수백 달러 초반에 이릅니다. 제출 전 거절의 아주 적은 부분이라도 방지할 수 있다면, 이는 매달 수천 건의 청구 건에 걸쳐 빠르게 복리 효과를 일으킵니다.

현금 실현(cash realization) 속도가 빨라지면 화폐의 시간 가치가 개선됩니다. 60일 대신 30일 만에 회수된 청구 건은 단순한 회계적 호기심의 대상이 아닙니다. 이는 병원의 실제 현금 포지션(cash position)을 변화시키며, 이는 박리다매식의 낮은 마진(thin margins)으로 운영되는 조직들에게 엄청나게 중요한 요소입니다.

인력의 비례적 증가 없는 높은 직원 처리량(throughput). 직원 한 명이 더 많은 양의 업무 중 예외 케이스(exception cases)를 관리할 수 있게 해주는 에이전틱 시스템(Agentic systems)은 부서의 인력 산정 방식(staffing math)을 변화시키며, 바로 이 지점에서 보고된 비용 절감액의 의미 있는 상당 부분이 실제로 발생합니다.

컴플라이언스 노출(compliance exposure) 감소. 스프레드시트로 수치화하기는 더 어렵지만, 근거 없는 코드(unsupported codes)의 감소와 더 잘 문서화된 이의 제기(appeals)는 향후 발생할 수 있는 비용이 많이 드는 사후 지급 감사(post-payment audits) 및 환수 요구(recoupment demands)의 위험을 줄여줍니다.

이러한 메커니즘이 서로 다른 수익 사이클(revenue cycle) 기능 전반에 걸쳐 어떻게 연결되는지에 대한 더 자세한 분석은 의료 수익 사이클 관리에서의 에이전틱 AI 워크플로우(agentic AI workflows in healthcare revenue cycle management) 개요에서 확인할 수 있으며, 여기에서는 조직이 이러한 가치를 포착하기 위해 자동화 투자를 어떻게 순차적으로 진행하는지 설명합니다.

인력 문제에는 명확한 답변이 필요합니다

ROI(투자 대비 수익)에 대한 어떠한 정직한 논의도 현재 이 업무를 수행하고 있는 사람들에게 어떤 일이 일어나는지를 다루어야 하며, 여기서 나타나는 데이터는 "AI가 모든 사람을 대체한다" 또는 "아무것도 변하지 않는다"라는 프레임워크가 시사하는 것보다 훨씬 더 미묘합니다.

최근의 연방 노동 시장 분석은 AI가 의료 행정 직종에 구체적으로 어떤 영향을 미칠 것으로 예상되는지를 조사했으며, 의료 코딩(medical coding) 프로세스를 더 효율적으로 만드는 AI 기반 도구들이 의료 기록 전문가(medical records specialists)에 대한 수요 증가를 완화할 것으로 예상되는 반면, 빌링(billing) 및 청구 관리(claims management) 업무를 처리하는 행정 역할은 완전한 대체보다는 생산성 향상 효과를 보일 것으로 예상된다는 결과를 도출했습니다 (출처). 특히, 동일한 분석에 따르면 개별 작업이 자동화되더라도 의료 서비스에 대한 근본적인 수요가 계속 성장하기 때문에, 이러한 역할 대부분에 대해 전반적으로 고용 성장이 지속될 것으로 여전히 전망하고 있습니다. 예외적인 경우는 의료 전사(medical transcription)와 같이 범위가 좁고 기계적으로 자동화하기 쉬운 역할로, 이 경우 연방 전망치는 AI 기반 음성 인식과 직접적으로 연관된 실제 고용 감소를 보여줍니다.

그러한 구분은 ROI (투자 대비 수익) 논의에서 매우 중요합니다. RCM (수익 사이클 관리) 분야에서 에이전틱 AI (Agentic AI)에 대한 가장 신뢰할 수 있는 비즈니스 케이스는 "청구 부서를 없애는 것"이 아닙니다. 그것은 "동일한 인력이 인원수의 비례적 증가 없이 더 크고 복잡한 청구 건수를 처리할 수 있도록 하는 것"이며, 이는 재무적으로 대규모 해고보다는 비용 회피 (cost avoidance)로 나타납니다. 기술을 대체가 아닌 증강 (augmentation)의 관점에서 구성하는 조직은 또한 더 원활한 도입을 보이는 경향이 있는데, 이는 직원들이 시스템을 실존적 위협으로 인식할 경우 저항하거나 우회하려는 경향이 적기 때문입니다.

주의 깊게 살펴봐야 할 위험 신호 (Red Flags)

모든 벤더의 제안이 동일한 신뢰를 받을 가치가 있는 것은 아니며, 몇 가지 패턴은 회의적으로 접근할 가치가 있습니다.

"완전 자율형, 엔드 투 엔드 (end-to-end)" 주장. 의료 RCM 분야 내 에이전틱 AI의 현재 상태에 대한 여러 독립적인 분석은 동일한 결론으로 수렴합니다. 즉, 업무에 여전히 많은 보험사 변동성 (payer variability)과 임상적 판단이 요구된다는 점을 고려할 때, 전체 수익 사이클에 걸친 완전한 자율성은 아직 현실적이지 않다는 것입니다. 인간의 개입을 완전히 없애겠다고 약속하는 벤더는 과장 광고를 하고 있는 것입니다.

기준점 (baseline) 없는 ROI 추정치. 무엇을 기준으로 측정하고 있는지에 대한 명확한 진술 없이는 백분율 개선 수치는 의미가 없습니다. 배포 전의 기준 거절률 (denial rate), AR 일수 (days-in-AR), 또는 수금 비용 (cost-to-collect)이 구체적으로 무엇이었는지, 그리고 개선 사항이 어느 기간 동안 측정되었는지 구체적으로 질문하십시오.

예외 처리 (exception handling)에 대한 언급 부재. 만약 벤더의 제안이 시스템이 확신을 가지고 해결할 수 없는 상황에 직면했을 때 어떤 일이 발생하는지를 간과한다면, 이는 데모 수치가 실제 청구의 복잡성을 반영하지 못할 수 있다는 신호입니다.

실제 전달된 가치와 비례하여 확장되지 않는 가격 모델. 일부 벤더는 청구 건수와 예상되는 에이전틱 작업 (agentic actions)을 기반으로 가격을 책정하며, 이는 그들의 인센티브를 실제 결과와 일치시킵니다. 성과와 상관없이 고정된 라이선스 비용을 부과하는 것은 제품의 실제 영향력에 대한 자신감이 부족하다는 약한 신호입니다.

현실적인 비즈니스 케이스 구축하기

이 투자를 실제로 검토 중인 조직의 경우, 몇 가지 실질적인 단계가 성공적인 도입과 실망스러운 도입을 가르는 기준이 됩니다.

측정 가능한 기준점(Baseline)부터 시작하세요. 배포 전, 현재의 거절률(Denial rates), 미수금 회수 기간(Days in AR), 수금 비용(Cost-to-collect), 그리고 기능별 직원 시간 할당량을 기록하십시오. 이것 없이는 나중에 개선 사항을 정직하게 측정할 방법이 없습니다.

리스크는 가장 낮고 볼륨은 가장 높은 영역에서 먼저 파일럿(Pilot)을 실시하세요. 미수금(AR) 후속 조치 및 현금 포스팅(Cash posting)과 같은 백엔드(Back-end) 기능은 업무가 반복적이고 규칙 기반(Rules-based)이며, 해당 영역에서의 실수는 환자와 직접 맞닥뜨리는 것이 아니라 수정 가능하다는 점에서 가장 안전한 시작점이 되는 경향이 있습니다.

현실적인 타임라인을 설정하세요. 도입 곡선을 추적하는 업계 분석가들에 따르면, 현재 진지하게 투자하고 통합 데이터 플랫폼(Unified data platform)을 구축하는 조직은 약 2~3년 이내에 더 발전된 시스템적 자동화에 도달할 수 있다고 합니다. 이는 과거의 의료 기술 도입 주기보다는 빠른 곡선이지만, 여럼 하룻밤 사이에 일어나는 변화가 아닌 여전히 수년에 걸친 여정입니다.

정량적 지표(Hard metrics)와 정성적 지표(Soft metrics)를 모두 추적하세요. 수금 비용(Cost-to-collect)과 거절률(Denial rates)은 명백한 재무적 지표이지만, 직원 만족도, 고부가가치 업무로 재할당된 시간, 그리고 환자 경험 개선 또한 중요합니다. 비록 이들이 이사회 발표에서 달러 수치로 환산하기는 더 어려울지라도 말입니다.

솔직한 결론

의료 수익 사이클 관리(Revenue cycle management)에서 에이전틱 AI (Agentic AI)의 재무적 타당성은 실재하지만, 마법도 아니고 즉각적인 것도 아닙니다. 가장 강력한 증거는 기술이 오늘날 가장 성숙한 단계에 있는 백엔드, 고볼륨, 규칙 기반(Rules-based) 기능에 집중된, 수금 비용(Cost-to-collect) 및 거절로 인한 수익 누수(Revenue leakage)의 의미 있는 다년간의 감소를 가리키고 있습니다. 가장 근거가 빈약한 부분은 완전한 엔드 투 엔드(End-to-end) 자율성에 대한 모든 주장이며, 이는 생산 현장의 현실이라기보다는 마케팅적 열망에 가깝습니다.

투자를 결정해야 하는 재무 책임자(Finance leader)에게 적절한 질문은 에이전틱 AI (Agentic AI)가 작동하느냐가 아닙니다. 적절한 장소에 적절한 방식으로 배포된다면, 그것이 작동한다는 증거는 점점 더 늘어나고 있습니다. 더 나은 질문은 귀하의 조직이 기초 데이터(Baseline data), 현실적인 타임라인, 그리고 이를 인력 대체가 아닌 인력 증강 (Workforce augmentation)으로 취급할 의지가 있는지 여부입니다. 왜냐하면 어떤 벤더의 기능 목록보다도 이러한 요소들이, ROI (투자 대비 수익)가 내년 예산에 나타날지 아니면 향후 3년 동안 파일럿 프로그램 (Pilot program)에 갇혀 있을지를 실제로 결정하기 때문입니다.