Благодаря внедрению ИИ-инструментов в процесс подготовки страховых претензий американские больницы заработали дополнительные $942 млн в течение двух лет — по данным анализа Blue Cross Blue Shield Association. Казалось бы, медицинское учреждение повысило свой доход, но страховщики и регуляторы видят в этом совсем иное явление: систематическую переклассификацию диагнозов в сторону более сложных и дорогостоящих условий без фактических изменений в оказываемой помощи.

Суть проблемы в том, что ИИ, обучаемый на исторических данных страховых претензий, становится чемпионом по поиску условий, при которых можно обосновать более высокие выплаты. Анализ BCBSA зафиксировал резкий скачок в документировании сложных диагнозов, но одновременно отметил «явное рассогласование между кодированием и фактическим лечением» — другими словами, пациентам начало приписываться больше болезней в бумаге, но их реальное обслуживание при этом не изменилось. Это классический случай, когда технология совершенствует не медицину, а взаимодействие с платёжной системой.

Конечно, спор между больницами и страховщиками — далеко не новость. Но здесь ИИ действует как катализатор масштабирования: если раньше такие маневры требовали кропотливого ручного кодирования и были рискованны, то теперь алгоритм может одновременно обработать тысячи файлов, найдя для каждого потенциальные лазейки. Страховщики оказались в реактивной позиции, пытаясь парировать удары новой технологии на стороне больниц.

Интересно отметить позицию основателя AI-стартапа Abridge Шива Рао, который признаёт риск превращения сферы в «ужасающую антиутопию, где боты сражаются с ботами, агенты с агентами». При этом Рао видит потенциал ИИ в снижении напряжённости и реальном сокращении затрат — если, конечно, технология будет применяться честно. Это реалистичный взгляд: проблема не в ИИ как таковом, а в его использовании в системе, где у каждой стороны есть финансовый стимул манипулировать данными. Руководитель BCBSA Люк Чалкер отреагировал с чёрным юмором, назвав ситуацию «не войной, а полностью односторонней бойней», где страховщики в роли проигравших.

Для российского здравоохранения и страховщиков эта ситуация особенно поучительна. По мере внедрения ИИ в системы учёта и кодирования диагнозов (а такие проекты уже есть, особенно в крупных сетях и ОМС-организациях) нужно заранее продумать механизмы проверки: алгоритм должен не просто оптимизировать коды по максимуму возмещения, но проходить валидацию на соответствие реальной клинической практике. В России это особенно важно, так как система ОМС уже чувствительна к скачкам в учёте затрат, и бесконтрольное внедрение ИИ может привести либо к краху доверия к системе, либо к масштабному перерасчёту. Платформы для медицинского документирования должны включать встроенные аудиты несоответствия между диагнозом и лечением, иначе экономия на внедрении обойдётся намного дороже.

История с Blue Cross Blue Shield — это не технический отказ ИИ, а социально-экономический. Система стимулов в страховом рынке США создаёт давление, которое ИИ просто усиливает. Если не менять саму структуру, то за $942 млн за два года последуют многомиллиардные проблемы в будущем. И то же касается любой страны, которая начнёт внедрять такие инструменты без продуманных сдержек.