Penyelidikan pihak ketiga. Entri-entri ini adalah ringkasan laporan syarikat awam, kajian kes vendor dan penerbitan yang disemak rakan sebaya. Ini bukan rujukan pelanggan Ajentik. Setiap dakwaan berangka memaut kembali ke sumber asalnya; entri yang ditanda sebagai bersumber dari vendor mencerminkan angka yang diterbitkan oleh vendor dan belum diaudit secara bebas.
Penyelidikan Industri
Ringkasan bersumber tentang bagaimana organisasi terkemuka menggunakan AI dalam sektor penjagaan kesihatan dan industri berkaitan — sepenuhnya diambil daripada pelaporan awam.
Industri Penjagaan Kesihatan
Mayo Clinic AI Factory: AI Klinikal Berasaskan Platform
Sistem kesihatan bersepadu bukan untung terbesar di dunia menjadi pengamal AI paling agresif
Cabaran
Mayo menghadapi keperluan untuk mendemokrasikan pembangunan AI merentas organisasi mereka dengan 76,000 kakitangan, membolehkan klinisian mencipta penyelesaian AI tanpa kepakaran teknikal yang luas, menguruskan portfolio besar projek AI secara serentak dan memastikan pematuhan peraturan untuk aplikasi AI perubatan sambil mengekalkan keselamatan pesakit.
Pendekatan yang dilaporkan
Mayo membangunkan platform Kilang AI pada Vertex AI Google, membolehkan "pembangunan rakyat" alat AI. Ejen autonomi mereka termasuk pengesanan penyakit jantung daripada bacaan ECG (diluluskan FDA), sistem pengurusan kapasiti ICU dan AI berasaskan hipotesis untuk penyelidikan kanser. Platform ini menampilkan Lembaga Semakan Perisian sebagai Peranti Perubatan untuk tadbir urus.
Hasil yang dilaporkan
- ·Pengkomersialan berjaya melalui syarikat pecahan seperti Anumana
- ·Kajian ECG-AI Apple Watch untuk disfungsi ventrikel kiri melibatkan 2,454 peserta
- ·Mewujudkan program ijazah AI perubatan melatih generasi akan datang
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Mayo Clinic operates its own AI programs (Mayo Clinic Platform); no Ajentik partnership exists or is implied. Corrected against primary sources: Anumana (the Mayo/nference spinoff) has three FDA-cleared ECG-AI algorithms, not five (low ejection fraction, pulmonary hypertension, cardiac amyloidosis); the Apple Watch reference is the 2,454-participant AI-ECG study, not 'millions'; and the unsourced '10,000+ staff trained' and internal-reporting figures were removed. Last verified 2026-07-21.
Pelaksanaan Dokumentasi Klinikal dan Pengekodan Perubatan yang Disahkan
Pelaksanaan Ambience Healthcare dan AKASA yang disokong sumber awam
Cabaran
Selepas semakan sumber, hanya dokumentasi klinikal dan pengekodan perubatan dikekalkan.
Pendekatan yang dilaporkan
Sumber awam menyokong pelaksanaan Ambience dan AKASA di Cleveland Clinic. Dakwaan analitik ramalan, data sintetik, sistem telefon AI dan ekosistem bersepadu dibuang kerana belum disokong bukti.
Hasil yang dilaporkan
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Cleveland Clinic runs its own AI programs through Cleveland Clinic Innovations; no Ajentik partnership exists or is implied. Four call-automation figures previously shown here were traced to a vendor blog about an unrelated UK NHS GP surgery and have been removed. Only two verified deployments remain: Ambience Healthcare ambient documentation (Cleveland Clinic newsroom, 19 Feb 2025) and AKASA coding, ~100+ documents in 1.5 minutes (newsroom, 29 Apr 2025). The 13.7 million figure refers to annual outpatient encounters.
Pendalang AI Onkologi: Aplikasi Klinikal Lanjutan
Melayani 4,000 pesakit lembaga tumor setiap tahun dengan penjagaan kanser berkuasa AI
Cabaran
Stanford menghadapi beban maklumat dengan doktor menghabiskan 1.5-2.5 jam setiap pesakit menyemak pengimejan, patologi, genomik dan nota klinikal; kesukaran mengikuti perkembangan penyelidikan kanser yang pesat berubah (kertas baharu setiap 30 saat); persediaan lembaga tumor yang memakan masa, dan cabaran memadankan pesakit dengan percubaan klinikal yang sesuai daripada 400,000+ percubaan aktif.
Pendekatan yang dilaporkan
Stanford mengerahkan Pendalang Ejen Penjagaan Kesihatan berkuasa Microsoft yang menampilkan ejen khusus: ejen lembaga tumor yang menganalisis data pelbagai modal, ejen sokongan keputusan klinikal yang memberikan cadangan rawatan, ejen literatur penyelidikan yang memproses kemas kini perubatan, dan ejen padanan percubaan klinikal. Sistem ini menggunakan infrastruktur Azure yang selamat dengan penilaian FURM komprehensif untuk keadilan AI.
Hasil yang dilaporkan
- ·Menyokong 4,000 pesakit lembaga tumor tahunan
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:This is a research pilot, not a clinical deployment — per Microsoft's May 2025 Build announcement, Stanford is researching the Healthcare Agent Orchestrator, not running it in production. No Ajentik partnership exists or is implied. The 60% figure (which actually belongs to JM Family), plus the 25%, 300% ROI, '10,000 papers/month', and 'days to hours' claims were removed; only the ~4,000 tumor-board patients/year volume and the FURM safety framework remain. Last verified 2026-07-21.
Penemuan Ubat COVID-19: Pecutan Penyelidikan
Penemuan ubat dipacu AI mengenal pasti rawatan COVID-19 dalam masa rekod
Cabaran
Semasa pandemik COVID-19, penyelidik menghadapi keperluan mendesak untuk pilihan rawatan dengan 500,000+ kes harian, volum literatur saintifik yang luar biasa (5,000+ kertas COVID diterbitkan setiap minggu), garis masa pembangunan ubat tradisional 10-15 tahun, dan keperluan untuk mengenal pasti ubat yang selamat dan sudah diluluskan untuk penggunaan semula pantas bagi mengelakkan percubaan yang panjang.
Pendekatan yang dilaporkan
BenevolentAI mengerahkan ejen autonomi termasuk ejen perlombongan literatur bioperubatan yang memproses berjuta-juta kertas saintifik, ejen interaksi ubat-sasaran yang meramalkan hubungan novel menggunakan graf pengetahuan, ejen pengoptimuman percubaan klinikal untuk pemilihan pesakit, dan ejen ramalan ADME untuk sifat ubat. Sistem ini mengenal pasti baricitinib sebagai rawatan berpotensi dalam hanya 48 jam.
Hasil yang dilaporkan
- ·Baricitinib menerima Kebenaran Penggunaan Kecemasan FDA menjelang November 2020
- ·Berjaya mengurangkan ribut sitokin melalui perencatan AAK1
- ·Memampatkan garis masa biasa 10 tahun kepada 9 bulan
- ·Menganalisis 1J+ kertas saintifik dalam hari berbanding tahun
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:BenevolentAI identified baricitinib (used in the baricitinib + remdesivir EUA) in about 48 hours. The '71% reduced recovery time' figure was fabricated — the ACTT-2 trial showed roughly one day's improvement (median 7 vs 8 days). The '$800M Alzheimer's deal' is unrelated and misdated, and the '20+ disease areas' claim predates a 2023 pipeline cut to ~5 assets — all removed. Company status: BenevolentAI was delisted from Euronext Amsterdam in March 2025 following a wind-down.
Penjagaan Warga Emas Ramalan: Pencegahan Jatuh dan Pemantauan Kesihatan Berkuasa AI
Platform AI boleh pakai merevolusikan penjagaan warga emas dengan pemantauan tingkah laku berterusan dan analitik ramalan
Cabaran
Kemudahan penjagaan warga emas menghadapi model penjagaan reaktif di mana isu kesihatan hanya ditangani selepas insiden berlaku. Jatuh, punca utama kematian akibat kecederaan di kalangan dewasa 65+, menyebabkan kos perubatan tahunan $50 bilion. Kemudahan bergelut dengan kekurangan kakitangan, pemantauan tidak konsisten dan ketidakupayaan meramalkan penurunan kesihatan sebelum kecemasan.
Pendekatan yang dilaporkan
CarePredict membangunkan Tempo, peranti AI yang dipakai di pergelangan tangan yang memantau 18+ aktiviti harian secara berterusan termasuk makan, tidur, berjalan dan penggunaan bilik air. Sistem ini menggunakan pembelajaran mesin untuk mewujudkan garis dasar individu dan mengesan sisihan halus yang mendahului kejadian kesihatan. Algoritma AI meramalkan UTI 3.5 hari sebelum gejala, jatuh sebelum ia berlaku, dan permulaan kemurungan melalui perubahan corak aktiviti.
Hasil yang dilaporkan
- ·Pengurangan 69% dalam jatuh di kemudahan yang dilaksanakan
- ·Penurunan 39% dalam kemasukan hospital untuk penghuni yang dipantau
- ·Ramalan kemurungan 2-3 minggu sebelum diagnosis klinikal
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-authored, retrospective study (JMIR Aging 2020, 6 communities / 490 residents). The 69% lower fall rate and 39% fewer hospitalizations are retained with that caveat; the unsourced '80% UTI accuracy', '2 hrs/day', and '18+ activities' figures were removed. Not independently audited. Last verified 2026-07-21.
Teman AI untuk Warga Emas: Memerangi Kesunyian pada Skala Besar
Robot sosial dikuasakan AI empatik mengurangkan pengasingan warga emas dengan 30+ interaksi harian
Cabaran
Pengasingan sosial menjejaskan 1 daripada 4 warga emas berumur 65+, meningkatkan risiko kematian 26% dan risiko demensia 50%. Penyelesaian tradisional seperti panggilan berjadual atau program komuniti hanya mencapai sebahagian kecil warga emas yang terpencil. Pandemik COVID-19 memburukkan pengasingan, dengan ramai warga emas menjalani berhari-hari tanpa interaksi manusia yang bermakna.
Pendekatan yang dilaporkan
ElliQ ialah teman AI proaktif yang memulakan perbualan, mencadangkan aktiviti, memberikan peringatan ubat, memudahkan panggilan video dengan keluarga dan membimbing latihan kesejahteraan. Tidak seperti peranti pasif yang menunggu arahan, ElliQ menggunakan AI empatik untuk merasakan mood, mempelajari keutamaan dan melibatkan warga emas sepanjang hari. Robot ini menggabungkan AI perbualan dengan kehadiran fizikal yang mencipta hubungan emosi.
Hasil yang dilaporkan
- ·95% pengguna melaporkan pengurangan kesunyian selepas 30 hari
- ·Warga emas terlibat dalam 30+ interaksi harian dengan ElliQ
- ·Negeri New York menjangkau 800+ warga emas terpencil melalui Area Agencies on Aging
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:The 95% figure is a self-report from the New York State Office for the Aging (NYSOFA, Aug 2023), whose own headline reads '95% report reduced loneliness' — retained as a self-report, not a clinical outcome. The unsourced '90% retention', '~$10K/yr savings', and '3x video calls' figures were removed, and '800+ to Medicaid recipients' was corrected to 800+ isolated older adults reached via Area Agencies on Aging. Last verified 2026-07-21.
Discaj Hospital Berkuasa AI: Menghapuskan Kesesakan dalam Aliran Pesakit
Platform pembelajaran mesin mengurangkan hari hospital berlebihan dan menjimatkan berjuta-juta dalam kos operasi
Cabaran
Discaj hospital sangat kompleks, melibatkan penyelarasan antara doktor, jururawat, pekerja sosial, ahli farmasi dan kemudahan pasca akut. OhioHealth, melayani 1.5 juta pesakit setiap tahun merentas 14 hospital, bergelut dengan kelewatan discaj yang menelan kos $800+ setiap hari berlebihan. Pesakit sering kekal di hospital menunggu proses bukan klinikal seperti kelulusan insurans atau penempatan kejururawatan mahir.
Pendekatan yang dilaporkan
Qventus mengerahkan ejen AI yang meramalkan kesediaan discaj, mengautomasikan penjejakan pencapaian dan mendalangi aliran kerja pelbagai pasukan. Sistem ini menganalisis 100+ pemboleh ubah termasuk status klinikal, penentu sosial dan ketersediaan katil pasca akut untuk meramalkan dan mempercepatkan discaj yang selamat. AI mengenal pasti halangan awal dan menghalakan tugas secara automatik kepada ahli pasukan yang sesuai.
Hasil yang dilaporkan
- ·Menghapuskan 8,554 hari pesakit berlebihan dalam tahun pertama
- ·$1.7 juta penjimatan tahunan daripada penambahbaikan pemprosesan
- ·Pengenalpastian lebih awal keperluan penjagaan pasca akut (2+ hari lebih awal)
- ·Kepuasan kakitangan meningkat kerana pengurangan beban pentadbiran
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported (Qventus–OhioHealth case study), not independently audited. The 8,554 figure is an annualized projection and the $1.7M is cumulative to date. The '0.5-day LOS reduction', '+25% discharge efficiency', '30% ED boarding', and '14 hospitals/1.5M patients/$800 per day' figures could not be verified and were removed (OhioHealth operates 15 hospitals). Last verified 2026-07-21.
Pemantauan Pesakit Jarak Jauh Dipacu AI: Penjagaan Gred Hospital di Rumah
Platform AI diluluskan FDA mengurangkan kemasukan semula melalui pemantauan tanda vital berterusan
Cabaran
Pesakit selepas discaj menghadapi tempoh risiko tertinggi dalam perjalanan penjagaan kesihatan mereka, dengan 1 daripada 5 pesakit Medicare dimasukkan semula dalam tempoh 30 hari dengan kos $26 bilion setiap tahun. Susulan tradisional—panggilan telefon dan lawatan pejabat—mengesan masalah terlalu lewat. Pesakit dengan kegagalan jantung, COPD dan keadaan kronik lain merosot di rumah tanpa tanda amaran sampai kepada pasukan penjagaan.
Pendekatan yang dilaporkan
Biofourmis mengerahkan biosensor boleh pakai yang diluluskan FDA digabungkan dengan algoritma AI yang menganalisis secara berterusan 20+ parameter fisiologi. Platform Biovitals mengesan corak kemerosotan halus 8+ jam sebelum gejala klinikal muncul, membolehkan campur tangan proaktif. AI memperibadikan ambang amaran berdasarkan garis dasar setiap pesakit, mengurangkan amaran palsu secara dramatik sambil menangkap kemerosotan sebenar.
Hasil yang dilaporkan
- ·Pasukan klinikal menerima pandangan yang boleh diambil tindakan, bukan data mentah
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported, not independently audited. The FDA 510(k) clearance K183282 (Biovitals Analytics Engine, 2019) is verified; the unsourced '8+ hours early detection', '97%', '$12K/patient', '89% mortality reduction', and '20+ parameters' figures were removed. Company status: Biofourmis merged with CopilotIQ (Oct 2024), and its life-science arm was acquired by ActiGraph (Jan 2025). Last verified 2026-07-21.
Penjagaan Teman Dipadankan AI: Menskala Hubungan Manusia
Platform teknologi memadankan warga emas dengan teman "Papa Pals", mengurangkan kos penjagaan kesihatan 9%
Cabaran
Pelan penjagaan kesihatan bergelut menangani penentu sosial kesihatan—halangan pengangkutan, pengasingan sosial dan cabaran kehidupan harian—yang mendorong penggunaan perubatan yang mahal. Penjagaan di rumah tradisional menumpukan pada tugas klinikal, terlepas teman dan sokongan praktikal yang mencegah penurunan kesihatan. Warga emas memerlukan kedua-dua hubungan sosial dan bantuan dengan urusan, teknologi dan temu janji.
Pendekatan yang dilaporkan
Papa menggunakan AI untuk memadankan warga emas dengan "Papa Pals"—teman yang disahkan yang menyediakan pengangkutan, teman, bantuan teknologi dan kerja rumah ringan. Algoritma platform mempertimbangkan personaliti, minat, bahasa dan keperluan khusus untuk mewujudkan padanan optimum. AI memantau corak lawatan dan hasil untuk terus memperbaiki padanan dan mengenal pasti risiko kesihatan yang muncul.
Hasil yang dilaporkan
- ·Pengurangan 9% dalam jumlah kos penjagaan kesihatan untuk ahli yang terlibat
- ·18% kurang kemasukan hospital
- ·Penilaian purata kepuasan ahli 4.8/5
- ·2+ juta lawatan teman diselesaikan
- ·Kira-kira 70 rakan pelan kesihatan pada kemuncak (termasuk Humana, Aetna, Centene), menyusut sejak 2023
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported (Papa's May 2024 Medicare Advantage claims study): the 9% cost reduction and 18% fewer inpatient admissions are retained as vendor claims. '150+ health plans' was corrected to about 70 at peak, contracting since 2023. Reputational context: a May 2023 Bloomberg Businessweek investigation detailed abuse allegations, after which major insurers (Humana, Aetna, Molina) declined to renew. Last verified 2026-07-21.
Pengurusan Penyakit Kronik Berkuasa AI: Kawalan Diabetes pada Skala Besar
Platform peranti bersambung dengan bimbingan AI mencapai hasil klinikal setanding penjagaan intensif secara bersemuka
Cabaran
Diabetes menjejaskan 537 juta dewasa di seluruh dunia, dengan pengurusan memerlukan perhatian berterusan pada glukosa darah, diet, senaman dan ubat-ubatan. Penjagaan tradisional—lawatan doktor suku tahunan—meninggalkan pesakit tanpa sokongan 99% masa. Kawalan yang lemah membawa kepada komplikasi yang menelan kos $327 bilion setiap tahun di A.S. sahaja. Pesakit memerlukan panduan berterusan, bukan temu janji berkala.
Pendekatan yang dilaporkan
Livongo menyediakan meter glukosa darah bersambung yang memuat naik bacaan secara masa nyata ke platform AI. Apabila bacaan jatuh di luar parameter peribadi, AI mencetuskan campur tangan bimbingan segera—kadangkala mesej automatik, kadangkala pendidik diabetes bertauliah secara langsung. Sistem ini mempelajari corak setiap ahli, memberikan panduan proaktif sebelum masalah berlaku.
Hasil yang dilaporkan
- ·Pengurangan purata A1c 0.9% (signifikan secara klinikal)
- ·86% ahli memeriksa glukosa darah 16+ kali/bulan
- ·Penjimatan kos purata tahunan $1,908 setiap ahli
- ·Pengurangan 21% dalam perbelanjaan perubatan berkaitan diabetes
- ·30% kurang lawatan ER berkaitan diabetes
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported, not independently audited. The ~0.8–0.9% A1c reduction is Livongo's own sustained figure; the '$1,908 savings' traces to the Livongo S-1 filing; '1.2M members' is Teladoc's total, not Livongo's. The unsourced '86% engagement' was removed and '2,000+ employers' corrected toward the ~1,328 actually reported. Context: Teladoc recorded multibillion-dollar goodwill impairments after its 2020 Livongo acquisition. Last verified 2026-07-21.
Penilaian Penjaga AI: Mencegah Keletihan Sebelum Ia Berlaku
Platform berasaskan bukti menggunakan AI untuk mengenal pasti dan menangani risiko keletihan penjaga keluarga
Cabaran
Penjaga keluarga—53 juta rakyat Amerika dan semakin bertambah—menghadapi kadar keletihan melebihi 60%, membawa kepada masalah kesihatan mereka sendiri dan ketidakupayaan untuk meneruskan penjagaan. Majikan kehilangan $33 bilion setiap tahun kerana pekerja penjaga mengurangkan jam kerja, tidak hadir atau berhenti. Program sokongan tradisional melayani penjaga yang sudah dalam krisis dan bukannya mencegah keletihan.
Pendekatan yang dilaporkan
TCARE menggunakan algoritma penilaian berkuasa AI yang dibangunkan daripada 20+ tahun penyelidikan akademik untuk mengukur beban penjaga merentas pelbagai dimensi: ketidakselarasan identiti, beban penjagaan, kualiti hubungan dan kesihatan. Platform ini kemudian menjana pelan tindakan peribadi dengan campur tangan khusus yang terbukti menangani risiko yang dikenal pasti. AI terus belajar daripada hasil untuk memperbaiki cadangan.
Hasil yang dilaporkan
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported, not independently audited. The '+35% retention' is an employee-retention figure (vendor framing), and the unsourced 42%, +25%, '$200-400', and '15-min' figures were removed. The evidence base is the peer-reviewed Montgomery et al. 2011 randomized controlled trial (266 caregivers, 4 states), not a 40-state deployment. Last verified 2026-07-21.
Avatar Jururawat Maya: Mengurangkan Kemasukan Semula Melalui Penglibatan AI
Avatar AI empatik menjalankan susulan selepas discaj, mencapai kadar kemasukan semula <5%
Cabaran
Susulan pesakit selepas discaj adalah kritikal tetapi sukar untuk diskala. Hospital menghadapi kadar kemasukan semula 20% dengan penalti $26 bilion setiap tahun. Susulan panggilan telefon hanya mencapai 30-40% pesakit, dengan jururawat menghabiskan berjam-jam untuk panggilan yang tidak berjaya. Pesakit melupakan arahan, tidak mengenali tanda amaran dan menangguhkan mencari penjagaan sehingga kecemasan berlaku.
Pendekatan yang dilaporkan
Avatar jururawat maya berkuasa AI Sensely—Molly—menjalankan semakan melalui telefon pintar, bertanya tentang gejala, kepatuhan ubat dan kebimbangan dalam perbualan semula jadi. Sistem ini menggunakan pengecaman pertuturan, analisis sentimen dan protokol klinikal untuk mengenal pasti pesakit yang berisiko merosot. Pesakit berisiko tinggi dirujuk secara automatik kepada kakitangan klinikal dengan konteks perbualan penuh.
Hasil yang dilaporkan
- ·Dilaksanakan merentas NHS, Mayo Clinic dan sistem kesihatan terkemuka
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported, not independently audited. The original four tiles (<5% / 85% / 93% / 4.5) had no source and were removed; the entry is rebuilt on the real 'Ask NHS' pilot (Sensely/PRNewswire, Apr 2021). Company status: Sensely was acquired by Mediktor in June 2024. Last verified 2026-07-21.
Operasi Hospital Dioptimumkan AI: Dari Kesesakan ke Aliran
Platform pembelajaran mesin mengoptimumkan pusat infusi, bilik bedah dan pengurusan katil merentas 600+ hospital
Cabaran
Jabatan hospital menghadapi permintaan yang sangat berubah-ubah—infusi kanser, pembedahan dan kemasukan tiba tanpa dapat diramalkan sepanjang hari. Penjadualan statik mewujudkan kesibukan pagi dan kelonggaran petang, memaksa pesakit menunggu sementara kapasiti tidak digunakan. Kesesakan yang terhasil melimpah: penantian di jabatan kecemasan, kelewatan pembedahan dan kerja lebih masa kakitangan menimbun kos sementara pesakit menderita.
Pendekatan yang dilaporkan
LeanTaaS iQueue menggunakan pembelajaran mesin untuk meramalkan corak permintaan dan mengoptimumkan penjadualan merentas pusat infusi, bilik bedah dan katil pesakit dalam. Sistem ini menganalisis corak sejarah, tempoh rawatan dan data masa nyata untuk mewujudkan templat temu janji optimum. AI terus belajar daripada aliran sebenar untuk memperbaiki ramalan dan mengenal pasti peluang penjadualan secara masa nyata.
Hasil yang dilaporkan
- ·Pengurangan 50% dalam masa menunggu pesakit
- ·Dilaksanakan merentas 1,000+ hospital termasuk Stanford, UCSF, Cleveland Clinic
- ·Peningkatan 15% dalam pemprosesan pesakit
- ·Pengurangan 25% dalam kerja lebih masa kakitangan
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported, not independently audited. The '50%' utilization figure was corrected toward the ~31% in LeanTaaS's own case studies, and the unsourced +20%, $10M, and +30% figures were removed. '600+ hospitals' was updated to the published figure: LeanTaaS serves 1,000+ hospitals and centers across 185 health systems (Dec 2023). Last verified 2026-07-21.
Rekod Sejarah Platform Hospital-di-Rumah Current Health
Best Buy menyelesaikan penjualan Current Health pada Jun 2025
Cabaran
Entri ini dikekalkan hanya sebagai konteks sejarah pemilikan Current Health.
Pendekatan yang dilaporkan
Best Buy memperoleh Current Health pada 2021 dan menjualnya pada Jun 2025. Entri ini bukan pelaksanaan Best Buy Health semasa.
Hasil yang dilaporkan
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:The 38% cost-reduction and <10% readmission figures previously shown were outcomes from Levine et al. (Annals of Internal Medicine, 2020), a Brigham & Women's home-hospital RCT of 91 patients — not Best Buy Health / Current Health results — and the 95% preference, 30%-faster, 'Equal+', and reach figures were unsourced; all removed. Company status: Best Buy divested Current Health in June 2025 and cut 161 roles in July 2025; this entry is retained as history.
Merentas Industri
Revolusi Perkhidmatan Pelanggan: Pengajaran untuk Komunikasi Penjagaan Kesihatan
Gergasi fintech Sweden yang melayani 150+ juta pengguna di seluruh dunia mentransformasi perkhidmatan pelanggan dengan AI
Cabaran
Klarna bergelut dengan purata masa penyelesaian 11 minit dan memerlukan sokongan berbilang bahasa 24/7 untuk berjuta-juta transaksi harian merentas 35+ bahasa. Syarikat ini memerlukan penyelesaian yang boleh mengendalikan maklumat kewangan sensitif sambil mengekalkan kepuasan pelanggan yang tinggi dan pematuhan peraturan.
Pendekatan yang dilaporkan
Klarna mengerahkan pembantu AI autonomi berkuasa OpenAI yang mengendalikan 2.3 juta perbualan pada bulan pertamanya (Februari 2024). Sistem ini memproses pertanyaan bahasa semula jadi, membuat keputusan autonomi tentang bayaran balik dan pembayaran, dan merujuk kes kompleks kepada ejen manusia dengan lancar. Ia mengekalkan konteks merentas perbualan dan memberikan respons peribadi berdasarkan sejarah pelanggan.
Hasil yang dilaporkan
- ·Masa penyelesaian menurun dari 11 minit kepada kurang 2 minit (peningkatan 82%)
- ·AI melaksanakan kerja setara 700 ejen sepenuh masa
- ·Kepuasan pelanggan meningkat dengan 25% kurang pertanyaan berulang
- ·Jangkaan peningkatan keuntungan tahunan $40+ juta
- ·Menyokong 35+ bahasa dengan kefasihan tahap penutur asli
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Figures are Klarna's own press release (company-reported, not independent third-party research). The 2.3M conversations figure covers Klarna's first month (February 2024), not a full year. For balance: Klarna publicly rebalanced toward human support in 2025 after the initial rollout.
Erica: Pelan Tindakan untuk Pembantu Maya Penjagaan Kesihatan
Melayani 40+ juta pelanggan perbankan mudah alih dengan panduan AI peribadi
Cabaran
Bank ini menghadapi permintaan perkhidmatan pelanggan yang luar biasa dengan pertanyaan rutin mengambil masa ejen manusia yang besar. Pelanggan memerlukan akses segera kepada maklumat akaun, sejarah transaksi dan nasihat kewangan tanpa menunggu bantuan manusia. Sistem IVR tradisional mengecewakan pelanggan dan menyebabkan kadar pengabaian yang tinggi.
Pendekatan yang dilaporkan
Erica, dilancarkan pada 2018, menggunakan analitik ramalan dan pemprosesan bahasa semula jadi untuk memberikan bantuan kewangan komprehensif. Ejen AI ini secara autonomi mengendalikan pertanyaan baki, penjadualan pembayaran, analisis perbelanjaan, pengesanan penipuan dan panduan kewangan peribadi. Ia diintegrasikan dengan lancar dengan perbankan mudah alih dan belajar daripada setiap interaksi.
Hasil yang dilaporkan
- ·Memproses lebih 3 bilion interaksi sejak dilancarkan
- ·Melayani 42 juta pelanggan (50% pengguna mudah alih)
- ·Mengendalikan 1.5 juta interaksi harian
- ·>98% pelanggan mendapat jawapan dalam 44 saat (dengan eskalasi kepada manusia)
- ·Mengurangkan volum pusat panggilan 50% untuk pertanyaan rutin
- ·Mencapai penilaian kepuasan pelanggan 4.7/5
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Figures are Bank of America's own disclosures (company-reported, not independent third-party research). The '+19%' figure was a bank-wide Q2-2023 net-income headline never attributed by BofA to Erica and has been removed. '98% autonomous resolution' was a speed metric, not autonomy: BofA reports that over 98% of clients get answers within 44 seconds, with human escalation. Totals updated to the August 2025 release (3B+ interactions, ~50M users).
Pelaksanaan Devin AI: Menskala Operasi Penjagaan Kesihatan
Fintech terbesar Brazil mentransformasi sistem warisan dengan AI autonomi
Cabaran
Syarikat ini perlu memfaktorkan semula 100,000+ pelaksanaan kelas data dalam sistem ETL monolitik berusia 8 tahun dengan 6 juta baris, menguruskan kebergantungan silang yang kompleks dalam sistem warisan, mengelakkan peruntukan sumber besar migrasi tradisional (1,000+ jurutera selama 18 bulan), dan mengekalkan kestabilan sistem semasa transformasi.
Pendekatan yang dilaporkan
Nubank mengerahkan Devin AI oleh Cognition Labs, ejen kejuruteraan perisian autonomi. Devin menganalisis pangkalan kod monolitik, mencipta strategi migrasi, menjana sub-komponen modular dan melaksanakan pemfaktoran semula sistematik. AI belajar daripada setiap tugas, meningkatkan prestasi dari semasa ke semasa.
Hasil yang dilaporkan
- ·Peningkatan 12x dalam jam kejuruteraan yang dijimatkan
- ·Penjimatan kos 20x berbanding migrasi manual
- ·Pengurangan masa penyiapan tugas dari 40 kepada 10 minit
- ·Penyiapan migrasi dalam minggu berbanding bulan/tahun
- ·Sifar insiden pengeluaran semasa migrasi
- ·Membebaskan 1,000+ jurutera untuk kerja inovasi
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Outcome figures originate from Cognition AI (Devin) marketing about a Nubank engineering engagement — vendor-reported, not independently audited. Nubank is a digital bank, not a healthcare organization (the earlier 'Healthcare Operations' headline was wrong). The unsourced 'zero production incidents' claim was removed, and 'freed 1,000+ engineers' is the vendor's counterfactual, not an audited outcome. Last verified 2026-07-21.
Salesforce Agentforce: Konvergensi Insurans-Penjagaan Kesihatan
Syarikat berusia 150 tahun melayani 50 juta pelanggan di 50+ negara
Cabaran
Prudential dengan 38,000 pekerja bergelut dengan peraturan insurans yang kompleks mengikut negeri, pemprosesan tuntutan yang memakan masa merentas pelbagai unit perniagaan, data pelanggan yang berpecah-pecah menghalang perkhidmatan holistik, dan usaha manual yang besar dalam operasi perkhidmatan pelanggan yang memerlukan navigasi 50+ rangka kerja peraturan berbeza.
Pendekatan yang dilaporkan
Prudential melaksanakan Salesforce Agentforce untuk Perkhidmatan Kewangan, mengerahkan ejen autonomi untuk pengenalan pelanggan, analisis kontrak, pengambilan polisi dan pemprosesan tuntutan. Sistem ini menampilkan pengawasan manusia dalam gelung untuk operasi terkawal dan seni bina pelbagai LLM untuk fungsi khusus.
Hasil yang dilaporkan
- ·Menjimatkan sekurang-kurangnya setengah hari seminggu bagi setiap wakil perkhidmatan pelanggan
- ·Menghapuskan ratusan aliran kerja penghalaan manual
- ·Meningkatkan empati pelanggan melalui pengurangan beban pentadbiran
- ·Peningkatan produktiviti yang ketara dalam operasi pemborong
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported (Salesforce customer story), and a pilot/beta rather than a deployment — Agentforce launched in late 2024. Prudential is a financial-services firm, not healthcare. The 'half a day' saving applies to annuity wholesalers and is a projected figure ('up to half a day per week'), not a realized CSR outcome; the unsourced 'hundreds of workflows', '100% compliance', and '$12M' figures were removed. Last verified 2026-07-21.
Automasi Perusahaan UiPath: Bukti PACE yang Disahkan
Manfaat kecekapan bersumber vendor dalam portfolio PACE
Cabaran
Entri ini dihadkan kepada bukti diterbitkan tentang portfolio PACE Barclays.
Pendekatan yang dilaporkan
Barclays menggunakan UiPath dan sedang meneroka aliran kerja ejen. Bukti vendor yang dikekalkan ialah manfaat kecekapan melebihi 30% dalam portfolio PACE.
Hasil yang dilaporkan
- ·Manfaat kecekapan melebihi 30% dalam pelaksanaan PACE menurut vendor
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:The 98% straight-through and 12,000-hours figures shown in earlier versions were Fiserv's numbers from the same UiPath On Tour London coverage, not Barclays'; the days-to-minutes figure was a UiPath product demo and the £25M figure was unsourced — all removed. Barclays is exploring agentic workflows; the only correctly scoped figure retained is the 30%+ efficiency benefit across its PACE automation portfolio (vendor-reported, not independently audited).
Microsoft Copilot Studio: Kecerdasan Rantaian Bekalan
Syarikat bahan global mentransformasi rantaian bekalan dengan automasi AI
Cabaran
Dow bergelut dengan pemprosesan manual 100,000+ invois PDF setiap tahun daripada 5,000+ pembekal, kesukaran mengesan ketidaktepatan dan anomali pengebilan yang menelan kos $3-5J setiap tahun, siasatan kadar pengangkutan yang memakan masa berminggu-minggu atau berbulan-bulan setiap pertikaian, dan kekurangan keterlihatan peluang pengoptimuman kos merentas rantaian bekalan global.
Pendekatan yang dilaporkan
Menggunakan Microsoft Copilot Studio, Dow mengerahkan ejen pengimbasan invois autonomi untuk analisis pengebilan dan "Ejen Pengangkutan" bahasa semula jadi untuk siasatan. Sistem ini menampilkan pengesanan anomali automatik, pengecaman corak untuk pengoptimuman kos, integrasi papan pemuka untuk semakan pekerja, dan antara muka perbualan untuk analisis mendalam.
Hasil yang dilaporkan
- ·Jangkaan penjimatan $5+ juta dalam tahun pertama
- ·Masa siasatan dikurangkan dari minggu/bulan kepada minit
- ·Dikembangkan untuk mengendalikan 100,000+ invois tanpa kakitangan tambahan
- ·Mengenal pasti $2J dalam caj berlebihan pada suku pertama
- ·Membolehkan kakitangan bukan teknikal melaksanakan analisis kompleks
- ·Pengurangan 95% dalam kemasukan data manual
Apa isyarat ini bagi sektor
Entri ini disertakan sebagai nota penyelidikan tentang landskap AI penjagaan kesihatan yang lebih luas. Ia tidak menggambarkan produk, pelanggan atau perkongsian Ajentik. Pembaca boleh menggunakan pautan sumber di bawah untuk memeriksa pelaporan asal.
Nota editorial:Vendor-reported (Microsoft WorkLab 'AI impact at Dow'), not independently audited. The '$5M+ first year' figure was softened to 'millions (anticipated, once scaled)' to match the source, and the unsourced '99.5% accuracy' and '$2M first quarter' figures were removed. Last verified 2026-07-21.
Ingin bincang penggunaan anda sendiri?
Nota penyelidikan ini menggambarkan kerja organisasi lain. Jika anda ingin bercakap dengan kami tentang rancangan AI penjagaan kesihatan anda sendiri, hubungi pasukan kami.