의료 청구 AI, 생산성보다 비용 전가가 먼저 보인다

AI가 기록을 더 잘하면 의료비도 줄어들까

9월 26일 TechCrunch 보도는 미국 Blue Cross Blue Shield Association, 즉 BCBSA가 의료 청구 코딩과 비용 증가를 연결한 분석을 내놨다고 전했다. 여기서 코딩은 소프트웨어 작성이 아니라 진단과 처치를 보험 청구용 분류에 대응시키는 업무다.

BCBSA 원문은 2023~2025년 BCBS 계열 보험사에 발생한 추가 지출을 약 9억 4,200만 달러로 추정했다. 약 70%, 대략 6억 5천만 달러는 부진단에 따른 고액 청구 범주 이동과 연결됐다고 설명한다. 이 수치는 미국 전체 의료비 증가액도, 모든 AI 도구가 일으킨 손실의 확정치도 아니다.

분석의 출발점은 보험사 측 청구 자료다. 비용을 지급하는 조직이 제시한 주장이라는 이해관계를 함께 읽어야 한다. 병원이 기록을 더 완전하게 남겨 이전에 빠졌던 정당한 보상을 받았을 가능성과, 치료 변화 없이 청구 수준만 올라갔을 가능성을 분리할 필요가 있다.

기록된 중증도와 실제 치료 사이의 간격

BCBSA는 AI 도구가 검사 결과와 의무기록에서 부진단을 찾아 더 높은 중증도·보상 범주로 옮길 수 있다고 설명한다. 이번 발표에서는 주요 장 수술 뒤의 빈혈 같은 사례를 언급하며, 진단 증가에 대응하는 수혈 증가가 관찰되지 않았다는 점을 문제 삼는다.

하지만 특정 치료가 늘지 않았다는 사실만으로 모든 추가 진단이 부적절하다고 결론 낼 수는 없다. 환자 상태, 치료 기준, 기록 개선, 코딩 규칙 변화가 모두 영향을 줄 수 있기 때문이다. 공개 발표는 비용 상승 우려를 뒷받침하지만, AI 사용이 추가 비용 전부를 직접 일으켰다는 인과관계를 독립적으로 확정한 자료로 보기 어렵다.

CMS의 ICD-10 안내는 진단·처치 코드가 정해진 기준과 적용 시점을 가진 체계라는 배경을 제공한다. 자연어 요약을 잘하는 모델과 정확한 청구 판단을 하는 시스템은 같은 제품이 아니다. 어떤 문장을 코드로 바꾸었는지, 어떤 근거로 중증도를 높였는지 추적할 수 있어야 한다.

한쪽의 생산성이 다른 쪽의 비용이 되는 구조

의료 AI의 가치 제안은 종종 문서 작성 시간 절감이다. 그러나 문서가 지급액을 결정하는 업무에서는 시간 단축과 경제적 효과가 다른 방향으로 움직일 수 있다. 병원의 청구 누락을 줄이는 도구는 수익을 늘릴 수 있지만 보험사에는 지출 증가로 보인다. 보험사의 심사 자동화는 비용을 줄일 수 있지만 병원과 환자에게 이의제기 부담을 옮길 수 있다.

TechCrunch가 소개한 뉴욕타임스의 관련 보도 역시 병원과 보험사 양쪽의 AI 활용을 다룬다. 이 기사에서 분석하는 위험은 단순히 “AI가 비싸다”가 아니다. 서로의 자동화에 대응하는 자동화가 늘면서 절감된 노동이 분쟁 처리에 다시 들어갈 수 있다는 것이다.

에이전트 경쟁은 정확도만으로 평가할 수 없다

청구를 만드는 에이전트와 심사하는 에이전트가 각각 자기 조직의 목표를 극대화하면, 둘 다 내부 성과 지표를 개선하면서 전체 비용은 늘 수 있다. 청구액 극대화나 거절률 상승이 곧 환자 가치 향상이라는 뜻은 아니다.

이는 에이전트 행동규범을 계약으로 연결하는 문제와 통한다. 시스템에 기대하는 행동을 업무 규칙과 책임 경계로 정의해야 한다. 모델의 문장 품질보다 진단 근거, 수정 기록, 사람이 재검토할 수 있는 경로가 중요하다.

또한 기업 AI의 데이터 거버넌스처럼 동일한 환자와 처치에 대해 어떤 버전의 데이터와 규칙을 사용했는지 설명 가능해야 한다. 모델이 달라질 때 코드 분포와 청구액이 바뀌는지도 관찰할 필요가 있다.

한국 의료 AI 도입에서 달리 봐야 할 것

미국의 보험·수가 구조와 한국 제도는 다르므로 금액이나 청구 행태를 그대로 옮길 수 없다. 국내 사업자는 먼저 자동화 대상이 기록 보조인지, 코드 추천인지, 최종 청구인지 구분해야 한다. 각 단계의 책임자와 수정 권한도 달라야 한다.

파일럿에서는 처리 시간, 사람의 수정률, 심사 반려, 청구 금액 변화, 환자 부담을 함께 비교하는 것이 유용하다. AI 도입 뒤 금액만 증가했다면 환자군 변화나 실제 처치 변화가 있었는지 먼저 확인해야 한다. 반대로 청구가 감소했어도 정당한 보상을 놓치거나 환자 접근성이 나빠졌다면 성공이라고 보기 어렵다.

업무당 비용으로 보는 AI 경쟁도 여기서는 한 단계 확장돼야 한다. 문서 한 장의 생성비가 아니라 청구부터 정산과 분쟁 종료까지의 총비용을 보아야 한다. 이번 발표는 의료 AI 전체를 부정하는 결론보다, 누구의 비용을 줄이고 누구에게 비용을 옮겼는지 묻는 평가 틀의 필요성을 보여준다.

자주 묻는 질문

9억 4,200만 달러는 미국 전체의 추가 의료비인가?

아니다. BCBSA가 BCBS 보험사 자료를 바탕으로 추정한 범위의 수치다.

AI가 비용 증가를 모두 일으켰다는 뜻인가?

그렇게 단정할 수 없다. 발표는 코딩 변화와 비용의 연결을 제시하며 독립적인 인과 확정과는 구분해야 한다.

의료 코딩은 프로그래밍인가?

아니다. 이 기사에서는 진단과 처치를 보험 청구용 코드로 분류하는 업무를 뜻한다.

병원의 추가 청구는 전부 부당한가?

아니다. 기록 개선으로 정당한 청구가 늘었을 수도 있다. 임상 근거와 청구 기준에 따라 따져야 한다.

한국에서도 같은 비용이 발생할까?

금액이나 효과를 직접 적용할 수 없다. 국내 제도와 환자군에 맞춰 처리 시간·정산 결과·환자 영향을 함께 검증해야 한다.