9月18日、PYMNTSが「St. Luke's Turns 400,000 Patient Interactions Into an Agentic AI Use Case」と題した記事を公開した。米カンザスシティのセントルークス病院が月40万件の患者対応をアジェンティックAIで自動化するシナリオについて、AIソリューションプロバイダーのNextGen Codingがホワイトペーパーベースで試算した内容を詳しく紹介している。以下の数字・予測値はすべてNextGen Codingによる試算であり、実際の導入実績ではない点をあらかじめ断っておく。
月40万件、労働時間にして10万時間の壁
ミズーリ州カンザスシティにあるSt. Luke's Hospitalは、処方箋の申請、予約スケジューリング、臨床相談を合わせて月約40万件の患者インタラクションを処理していた。1件あたりの平均対応時間は15分。単純計算で月10万時間の労働が発生し、直接人件費は月350万ドル超（年間約4,300万ドル）に達していた。
問題はコストだけではない。コールセンターのエージェントや管理スタッフは、医療的判断を必要としない事務処理（資格確認、処方ルーティング、予約入力、ドキュメント作成）に大量の時間を費やしていた。トリアージ看護師でさえ事務作業に追われ、医療アセスメントに充てられる時間が圧迫されていた。頻繁な部門間の転送は対応時間を延ばし、待ち時間増加と従業員の疲弊につながっていた。
アジェンティックAIの設計：「答える」から「動く」へ
この課題に対してソリューションを提案したのが、NextGen Codingだ。同社は医療機関向けのAI自動化ソリューションを専門とするプロバイダーであり、コールセンター業務の自動化を中心に複数の医療施設向け製品を展開している。今回のホワイトペーパーは、同社がセントルークス病院の業務データをもとに作成した試算・提案資料と位置づけられる。
同社が提案するのが「アジェンティックAIコールセンター」だ。「アジェンティックAI（Agentic AI）」とは、単に質問に答えるだけでなく、ルールや状況に応じて自律的にタスクを実行するAIシステムを指す。従来のチャットボットとは異なり、複数ステップの処理を連鎖的に行う点が特徴だ。
このシステムの基本的な動作は以下の通りだ：
- 着信通話を自動で文字起こしし、意図を分類する
- 定義済みのエスカレーションポリシーに従い、自律エージェントか人間オペレーターにルーティングする
- 人間対応が必要なケースでは、AIが事前に情報収集を行い、ハンドオフの際の平均対応時間を約1.5分短縮する
- 医師や看護師に渡す前に、症状・病歴・重症度指標を収集し、構造化サマリーを自動生成する
- 自動化率、対応時間、放棄リスク、エスカレーション頻度を追跡するダッシュボードを備え、臨床監視チームが問題のある対話をレビューする体制も持つ
導入は段階的に設計されており、保守的な自動化閾値と段階的なスタッフ研修からスタートし、その後スケジューリングや処方ワークフローへ拡張。インテント認識の精度向上や重複リクエストの検出、エスカレーション判断の最適化も継続的にチューニングできる構造になっている。
試算された数字：月2.6百万ドルの削減
安定稼働状態での予測値は以下の通りだ（NextGen Codingホワイトペーパーによる試算）：
| 指標 | 導入前 | 導入後（試算） |
|---|---|---|
| 月間人間対応件数 | 約40万件 | 約12万件 |
| 月間労働時間 | 約10万時間 | 約2.7万時間 |
| 必要スタッフ数 | 約781名 | 約211名 |
| 月間人件費 | 約357万ドル | 約96.6万ドル |
AIインフラコストとして月約21.2万ドルを差し引いた後の純削減額は、年間2,800万ドル超という試算だ。これは1ドル＝143円換算で約40億円相当にのぼる。スタッフ数の試算値（781人→211人）は削減人数の絶対値が大きく目を引くが、これは段階的な自動化の進展に伴う必要人員の変化を示したシナリオであり、即時のリストラを意味するものではない。むしろ自動化によって事務負荷が低減された結果、残るスタッフが医療判断やエスカレーション対応に集中できる体制へ移行するという設計思想が前提にある。人件費削減の試算額が大きい分、前提条件（自動化率・平均時給・稼働時間等）への感度も高く、実際の導入では条件によって数字が大きく変わりうる点には注意が必要だ。
医療現場でのAI導入が抱える現実
この事例が興味深いのは、AIが「医療判断を代替する」のではなく、「人間が医療判断に集中できる環境を作る」という設計思想にある点だ。トリアージ看護師が事務作業から解放され、医師への情報引き継ぎが構造化サマリーで行われるというモデルは、AIを医療の補完ポジションに明確に配置している。
一方で、医療分野でのAI導入には数字には現れない複雑な要件が伴う。代表的なのが患者データのプライバシー保護だ。米国ではHIPAA（Health Insurance Portability and Accountability Act）と呼ばれる連邦法が医療情報の取り扱いを厳格に規定しており、AIシステムが患者の音声・テキストデータを処理する場合、データの保存・転送・アクセス制御すべてにわたってHIPAAへの準拠が求められる。また、エスカレーション判断の精度（緊急度の高い患者を見逃さないか）や、臨床監視体制の設計なども、試算値には含まれないコストと運用負荷を生む。今回の提案はホワイトペーパーベースの試算であるため、こうした実装上の課題がどこまで織り込まれているかは、実際の導入フェーズで精査が必要になるだろう。
詳細はSt. Luke's Turns 400,000 Patient Interactions Into an Agentic AI Use Caseを参照していただきたい。
