AI音声エージェント×LLMで切り拓く 医療現場のワークフォース改革
医療現場では慢性的な人手不足が深刻化しており、とりわけ事務作業や患者対応にかかるコール量が膨大な負担となっています。本記事では、AI音声エージェントと大規模言語モデル（LLM）を組み合わせ、医療現場のワークフォース課題を解決しようとするInfinitus（旧称）の取り組みを、具体例や当事者の発言を交えて解説します。
1. 音声エージェントによる業務代替の可能性
1-1. 背景と課題
医療機関や保険事業者では、給付確認や事前承認（Prior Authorization）などの電話対応が日常業務の大半を占めます。しかし、人手不足や待ち時間の長さが患者満足度を低下させ、結果的に医療コスト増につながるリスクがあります。
1-2. 初期デモから実証へ
Infinitusは、2019年創業当初、デモとして「Hi, I’m calling to check benefits for patient Bruce Willis（患者ブルース・ウィリスさんの給付確認をお願いします）」という架電を実施。最初はオペレーターに切られたものの、二度目の架電で「患者の生年月日を教えてください」と応答が返り、機械から人間への自動架電が機能することが実証されました。この成功体験が、同社が音声エージェント事業を本格化させるきっかけとなりました。
2. LLMとガードレールによる安全性担保
2-1. 大規模モデルと小規模モデルの使い分け
同社のスタックは、音声認識（Speech-to-Text）、自然言語処理、音声生成（Text-to-Speech）といった各レイヤーに、LLMと小規模言語モデルの両方を最適に配置。LLMは膨大なナレッジからの情報引き出しに、小規模モデルは安全性やコンプライアンスを徹底するためのガードレールとして機能します。
2-2. 技術的・人的ガードレール
「機械は完璧ではない。人間と比較しても大幅に優れているが、『誤答＝患者の治療遅延や金銭的損失』というリスクは現実的に存在する」（Ankit Jain氏）。そのため、技術的なエラー検出機能とともに、運用面ではスーパーバイザーやQAチームによるヒューマンチェックも並行。内部QAにより、データ品質と迅速な応答速度が担保されています。
3. 主なユースケース：バックオフィスから患者対応まで
3-1. 給付確認・事前承認ステータスチェック
慢性疾患患者のうち、薬処方後に実際に治療が開始される割合は約50％にとどまります。原因の一つが煩雑な給付確認や承認手続きによる遅延です。Infinitusは自動音声エージェントで数百万件のコールを実施し、「97％のケースで従来人手と同等以上の回答精度」を実現しました。
3-2. プロアクティブな患者通知
「ユナイテッド航空はゲート変更、ドミノピザはトッピング状況を逐次通知するが、医療は何も教えてくれない」という痛烈な指摘を基に、治療申請の進捗状況（「承認待ち」「否認後アピール中」など）を自動音声・SMSで患者へ連絡。受動的な“問い合わせ待ち”から脱却し、透明性と安心感を提供します。
4. 自律型エージェントとコーパイロットの棲み分け
4-1. Autonomous Agents vs Co-Pilot
同社プラットフォームは、「完全自律型エージェント」と「Co-Pilot（共助）エージェント」の二本柱。前者は給付確認などを端から端まで自動処理し、後者はIVR（自動音声応答）で待ち時間を機械が担い、該当オペレーターにつなぐ「FastTrack」機能などで人間の負担を軽減します。
4-2. FastTrackによる効率化
ある顧客では、オペレーターの通話待ち時間が5,000時間／月あったところをFastTrackで削減。エージェントがIVR通過後に待機し、適切なタイミングで人間が会話に参加する仕組みで、月間数百人の業務負荷を大幅に圧縮しました。
5. API連携とドキュメント自動化
5-1. 電話からAPIへのシフト
従来は電話でのみ取得可能だったデータを、自治体・保険者側と共同でAPI化。結果、30〜40％のコールを完全自動化でき、残りもデータ集約により所要時間を半減しました。
5-2. ドキュメント解析によるAPI生成
複数のPDFやポータル画面をめくる必要がある深層ドキュメントは、LLMを活用したナレッジグラフ構築機能で自動抽出。これにより、スキャフォールドされたAPIが迅速に生成され、電話依存から脱却するロードマップが具体化しています。
6. 人材戦略と組織導入プロセス
6-1. 採用基準：好奇心と医療熱意
技術力以上に重視するのは「医療問題解決への情熱」。広告やゲーム開発出身者も多数転身し、「自分や家族のために技術を活かしたい」という動機を採用バリューとしています。
6-2. 段階的導入：パイロット → 本番展開
まずは100～2,000件の限定コールで比較テストを実施。QAチーム同士で人間とエージェントの結果を比較し、誤差率25％の多くがシステム由来であることを確認した上で、スケール展開に踏み切ります。
7. 今後の展望と課題
7-1. データ統合の深化
ソーシャル決定要因（SDOH）など、現在80％が未整備のデータ領域を収集・統合することで、患者中心の文脈を踏まえたコミュニケーションが可能に。
7-2. プラットフォーム競争の行方
エージェント基盤を軸に、臨床／事務領域のあらゆるAIツールが連携する“スーパーアプリ化”が進行中。今後は誰が最終的なオーケストレーションレイヤーを握るかが業界の肝となるでしょう。
医療現場の「Reactive（受動的）」から「Proactive（能動的）」への転換は、AI音声エージェントとLLMの組み合わせによって一歩ずつ実現されています。Infinitusの挑戦は、患者体験と現場運用を同時に最適化する新たな標準を提示しており、今後の普及・進化に大きな注目が集まります。
オススメ記事
Next Big Wave（成長株・アイデアの種）
シードスタートアップからレジェンド企業まで、成長の秘密をひも解く
次世代テクノロジー
上場前の大型スタートアップ
Next Ten-Bagger（次なる10倍株）
Post Ten-Bagger（過去の10倍株）
永続成長の巨人
逆境からの飛躍した企業
