كيف يمكن للأتمتة المدعومة بالذكاء الاصطناعي حلّ عنق الزجاجة في ترحيل المدفوعات

أمضى قطاع الرعاية الصحية عقودًا في تحويل المدفوعات من الورق إلى الصيغ الرقمية. وأصبح جهات الدفع ترسل تفاصيل المدفوعات والرفض إلكترونيًا عبر ملف موحّد هو Electronic Data Interchange (EDI) 835، ما ألغى الحاجة إلى الورق ووفر للجميع تنسيقًا مشتركًا للعمل. لكن توحيد البيانات، رغم تقليله بعض العمل اليدوي، لم يجعل العملية آلية. فوصول ملف إلكترونيًا لا يعني أن ترحيل الدفعة قد تم. يصل ملف EDI 835، ويظل الموظفون يفتحونه ويقرؤون رموز كل جهة دفع، ثم يرحّلون المدفوعات سطرًا بسطر ويتعاملون مع حالات الرفض يدويًا.

هذا العمل اليدوي مكلف، وتزداد تكلفته باستمرار. وفي استطلاع Experian Health لعام 2025 حول حالة المطالبات، أفاد 41 بالمئة من مقدمي الرعاية الصحية بأن واحدًا على الأقل من كل عشر مطالبات لديهم يُرفض. وقدّرت Kodiak Solutions أن مقدمي الرعاية الصحية خسروا أكثر من 48 مليار دولار بسبب حالات الرفض والديون المعدومة في عام 2025، أي بزيادة تقارب الربع عن العام السابق. ويتعين على الموظفين ترحيل كل دفعة وكل حالة رفض وتسويتها ومعالجتها قبل إقفال الحساب، ولا يزال معظم ذلك يتم يدويًا.

لماذا لا يزال ترحيل المدفوعات يدويًا

لا يرجع استمرار ترحيل المدفوعات يدويًا إلى التكنولوجيا بقدر ما يرجع إلى القواعد نفسها. فكل جهة دفع تتعامل مع ملفاتها بطريقة مختلفة، وتتغير القواعد بحسب كل حالة واستثناء، فتتراكم الحالات غير الاعتيادية أسرع مما يستطيع أي شخص تدوينها. وكثير من هذه القواعد غير مكتوب أصلًا؛ إذ تبقى محفوظة في أذهان عدد قليل من موظفي الفوترة ذوي الخبرة. وهذا يعني أن المؤسسة لا تستطيع تطبيقها باستمرار ولا نقلها بسهولة إلى نظام. وعندما لا تُوثّق القواعد، يستغرق البت في المطالبات وقتًا أطول، وتمر حالات رفض كان من الممكن تفاديها، وغالبًا ما تُحصّل الدفعة الأولى أقل مما كان ينبغي.

ما الذي تفعله نماذج اللغة الكبيرة هنا فعلًا

تتعامل الأتمتة التقليدية مع المطالبات الواضحة التي يمكن التنبؤ بها، لكنها تتعثر أمام كل ما عداها. فمحرك القواعد لا يفعل سوى ما برمجه أحدهم مسبقًا. وفي المرة الأولى التي ترسل فيها جهة دفع رمز تسوية لم يسبق للنظام رؤيته، تُحال المطالبة إلى شخص لمراجعتها. ونظرًا إلى اختلاف جهات الدفع بدرجة كبيرة، ينتهي المطاف بنسبة كبيرة من المطالبات في قائمة الانتظار هذه.

يسدّ نموذج لغوي كبير هذه الفجوة، لأنه يقرأ المطالبة كما يفعل موظف فوترة متمرس. فهو يستوعب السياق، ويحدد ماهية المطالبة، وقاعدة جهة الدفع التي تنطبق عليها، وكيفية التعامل مع الاستثناءات، ثم يحيلها إلى النظام الذي يرحّل الدفعة. ويتولى النموذج إصدار الحكم، فيما يرحّل النظام الدفعة بالطريقة نفسها في كل مرة.

ما الذي بنيناه

بنت Marlabs نظامًا ينفّذ ذلك تحديدًا لصالح شركة فوترة في قطاع الرعاية الصحية تتولى معالجة المدفوعات لمقدمي خدمات الطوارئ الطبية في أنحاء أمريكا الشمالية. وتعالج الشركة نحو 85,000 دفعة شهريًا، فيما تجاوز حجم العمل وتعقيد التعامل مع جهات الدفع قدرة فريقها على مواكبته من خلال التوظيف.

كان الجانب الأهم هو طريقة تعامل النظام مع القواعد التي لم تدوّنها الشركة. فبدلًا من تزويده بدليل لقواعد جهات الدفع لم تكن الشركة تملكه أصلًا، جعلنا الذكاء الاصطناعي يتعلم من طريقة عمل موظفي الفوترة ومن المدفوعات التي سددتها جهات الدفع. واقترح قواعد، واختبرها بمقارنتها بالنتائج الفعلية، وضبطها لتحقيق النتيجة الأهم للأعمال: تحصيل قدر أكبر مما ستسدده شركات التأمين عند تقديم المطالبة للمرة الأولى، بدلًا من تحصيله بعد جولات من الاستئناف. وهكذا تحولت المعرفة التي كانت حبيسة أذهان عدد قليل من الأشخاص إلى قواعد أصبح بإمكان الشركة رؤيتها وتحسينها.

يراجع شخص كل مطالبة

لا تزال كل مطالبة تمر على شخص قبل اعتمادها نهائيًا. يرحّل النظام المطالبة ويعرض الخطوات التي اتبعها، كي يرى المراجع ما فعله الذكاء الاصطناعي في المطالبة الواضحة ويوافق عليها خلال ثوانٍ. وعندما لا يكون الذكاء الاصطناعي متأكدًا، أو عندما يضطر موظف الفوترة إلى التدخل، تُرفق بالمطالبة إفادة واضحة تشرح موضع الخلل وما يوصي به النظام. في هذه الحالات، يسرّع الذكاء الاصطناعي المراجعة، فيما تظل المساءلة عن كل مطالبة في موضعها الصحيح: لدى الأشخاص والشركة.

النتائج

كانت خيارات التصميم هذه، أكثر من التكنولوجيا بحد ذاتها، وراء تحقيق النتائج. فأصبحت الشركة ترحّل نحو 85 بالمئة من مدفوعاتها آليًا، ما يتيح لفريقها تخصيص وقته للمطالبات التي تتطلب فعلًا تقديرًا بشريًا. وانخفضت أخطاء الترحيل بنسبة 95 بالمئة، وأصبحت التسوية بين الأنظمة أكثر دقة. كما بات الفريق يحسم حالات الرفض الخاصة بكل جهة دفع بسرعة أكبر، وللمرة الأولى أصبح بإمكانه متابعة الاستثناءات وكيفية معالجتها لحظة حدوثها. ولأننا صممنا الإطار ليتوسع مع الالتزام بمتطلبات الامتثال الخاصة بكل جهة دفع، لم تعد زيادة حجم العمل تستلزم زيادة عدد الموظفين.

ما الذي يعنيه ذلك لك إذا كنت تدير دورة الإيرادات

• ابدأ بالمهام ذات الحجم الكبير والقواعد المحددة، مثل ترحيل المدفوعات. إذا كانت قواعدك موثقة بالفعل، فاستخدمها. وإن لم تكن كذلك، فاعتبر ذلك فرصة، ودع الذكاء الاصطناعي يستخلصها ويختبرها في ضوء ما تسدده جهات الدفع فعلًا.
• أبقِ شخصًا على اطلاع بكل مطالبة، لا على الاستثناءات وحدها، واجعل الذكاء الاصطناعي يعرض الخطوات التي اتبعها، حتى لا تستغرق الموافقة على المطالبة الواضحة سوى ثوانٍ.
• اشترط على الذكاء الاصطناعي تفسير كل استثناء. فالإشارة إلى مشكلة من دون توضيح سببها لا تفعل سوى نقل عنق الزجاجة من الترحيل إلى المراجعة.
• أرسِ أسس الرؤية الآنية منذ اليوم الأول، حتى يتمكن القادة من متابعة أداء النظام واتخاذ القرارات بثقة استنادًا إلى الأرقام.

يُعد ترحيل المدفوعات من أوضح المجالات التي يمكن البدء بها، لأن المبالغ المعنية كبيرة، ويظهر أثره مباشرةً في النقد المحصّل. ومن خلال رسم صورة دقيقة للعملية، وتعليم النظام القواعد التي لم توثّقها المؤسسة قط، وإبقاء كل مطالبة تحت سيطرة البشر، يمكن تحقيق نتائج ملموسة وقابلة للقياس. وعند التعامل معه بهذه الطريقة، يتحول ترحيل المدفوعات من عنق زجاجة يدوي مستعصٍ إلى عملية يمكن للشركة توسيع نطاقها.