Jak může automatizace s umělou inteligencí vyřešit úzké místo při zaúčtování plateb

Zdravotnictví se už desítky let snaží převést platby z papírové podoby do elektronické. Plátci nyní elektronicky zasílají informace o platbách a zamítnutích prostřednictvím standardního souboru Electronic Data Interchange (EDI) 835, který odstranil papírování a poskytl všem společný formát. Standardizace dat sice omezila část ruční práce, ale nezajistila její automatizaci. To, že soubor dorazí elektronicky, ještě neznamená, že se platba sama zaúčtuje. Soubor EDI 835 dorazí, ale lidé ho stále musejí otevřít, přečíst kódy jednotlivých plátců, zaúčtovat platby řádek po řádku a ručně řešit zamítnuté nároky.

Tato ruční práce je nákladná a její cena stále roste. V průzkumu Experian Health’s 2025 State of Claims uvedlo 41 procent poskytovatelů, že je zamítnut alespoň jeden z deseti jejich nároků. Společnost Kodiak Solutions odhadla, že poskytovatelé v roce 2025 přišli kvůli zamítnutým nárokům a nedobytným pohledávkám o více než 48 miliard dolarů, tedy přibližně o čtvrtinu více než v předchozím roce. Zaměstnanci musejí před uzavřením účtu zaúčtovat a odsouhlasit každou platbu a vyřešit každé zamítnutí; většinu této práce stále dělají ručně.

Proč se platby stále zaúčtovávají ručně

Důvod, proč se platby stále zaúčtovávají ručně, souvisí méně s technologií než se samotnými pravidly. Každý plátce zpracovává soubory jinak a pravidla se mění podle konkrétní situace a výjimky. Hraničních případů tak přibývá rychleji, než je kdokoli dokáže zaznamenat. Mnohá z těchto pravidel nejsou zaznamenána vůbec. Zůstávají v hlavách několika zkušených specialistů na zdravotnickou fakturaci, takže je organizace nemůže uplatňovat jednotně ani je snadno předat systému. Pokud pravidla nejsou zachycena, vyřízení nároků trvá déle, některým zamítnutím, kterým se dalo předejít, se nepodaří zabránit a při prvním podání se často vybere méně, než by se mělo.

Co zde velké jazykové modely skutečně dělají

Tradiční automatizace zvládá bezproblémové a předvídatelné nároky, ale u všeho ostatního se zastaví. Pravidlový engine dokáže dělat pouze to, co do něj někdo předem naprogramoval. Když plátce poprvé zašle dosud neznámý kód úpravy, nárok předá k posouzení člověku. Plátci se natolik liší, že do této fronty končí velká část nároků.

Velký jazykový model tuto mezeru překonává, protože čte nárok podobně jako zkušený specialista na zdravotnickou fakturaci. Zohlední kontext, určí, o jaký nárok jde, které pravidlo plátce se na něj vztahuje a jak naložit s výjimkami, a poté ho předá systému, který platbu zaúčtuje. Model zajistí posouzení a systém pokaždé zaúčtuje platbu stejným způsobem.

Co jsme vytvořili

Společnost Marlabs vytvořila systém, který přesně toto zajišťuje pro společnost zabývající se zdravotnickou fakturací a zpracovávající platby pro poskytovatele urgentní zdravotní péče v Severní Americe. Společnost zpracovává přibližně 85 000 plateb měsíčně a objem práce i složitost pravidel jednotlivých plátců rostly rychleji, než je její tým dokázal zvládat pomocí náboru dalších zaměstnanců.

Nejdůležitější bylo, jak systém pracoval s pravidly, která společnost neměla zaznamenána. Místo abychom ho vybavili souborem pravidel jednotlivých plátců, který společnost ve skutečnosti neměla, nechali jsme umělou inteligenci učit se z toho, jak pracovali specialisté na fakturaci, a z toho, co plátci skutečně hradili. Navrhovala pravidla, ověřovala je na skutečných výsledcích a průběžně je upravovala tak, aby odpovídala tomu, na čem firmě záleží nejvíc: získat při prvním podání více z částky, kterou pojišťovna uhradí, namísto toho, aby k tomu došlo až po několika odvoláních. Znalosti, které dříve zůstávaly v hlavách několika lidí, se změnily v pravidla, která společnost konečně může vidět a zlepšovat.

Každý nárok posuzuje člověk

Každý nárok před konečným vyřízením stále posuzuje člověk. Systém nárok zpracuje a ukáže, jak postupoval, takže kontrolující může u bezproblémového nároku zkontrolovat, co umělá inteligence udělala, a během několika sekund ho schválit. Pokud si umělá inteligence není jistá nebo musel zasáhnout specialista na fakturaci, nárok obsahuje srozumitelné vysvětlení, co se zdálo být v nepořádku a co systém doporučuje. V těchto případech umělá inteligence urychluje kontrolu, zatímco odpovědnost za každý nárok zůstává tam, kam patří: na lidech a společnosti.

Výsledky

Výsledky přinesla především tato rozhodnutí při návrhu systému, nikoli samotná technologie. Společnost nyní automaticky zaúčtuje přibližně 85 procent plateb, takže její tým může věnovat čas nárokům, které skutečně vyžadují lidské posouzení. Počet chyb při zaúčtování klesl o 95 procent a odsouhlasování údajů napříč systémy je přesnější. Tým rychleji řeší zamítnutí specifická pro jednotlivé plátce a poprvé může v reálném čase sledovat výjimky i jejich řešení. Protože jsme systém navrhli tak, aby jej bylo možné rozšiřovat v rámci požadavků na dodržování předpisů jednotlivých plátců, vyšší objem práce už nevyžaduje další zaměstnance.

Co to znamená pro řízení cyklu výnosů

• Začněte u práce s velkým objemem a jasně stanovenými pravidly, například u zaúčtování plateb. Pokud už máte pravidla zdokumentovaná, využijte je. Pokud ne, berte to jako příležitost a nechte umělou inteligenci pravidla odhalit a ověřit podle toho, co plátci skutečně hradí.
• Zajistěte, aby každý nárok posuzoval člověk, nejen výjimky, a nechte umělou inteligenci ukázat, jak postupovala, aby schválení bezproblémového nároku zabralo jen několik sekund.
• Požadujte, aby umělá inteligence vysvětlila každou výjimku. Upozornění bez uvedení důvodu pouze přesune úzké místo od zaúčtování ke kontrole.
• Zajistěte přehled o fungování systému v reálném čase už od prvního dne, aby vedoucí pracovníci viděli, jak si systém vede, a mohli na základě čísel jednat s jistotou.

Zaúčtování plateb je jedním z nejlepších míst, kde začít, protože jde o vysoké částky a přínos se přímo projeví v inkasovaných platbách. Když proces poctivě zmapujete, naučíte systém pravidlům, která organizace nikdy nezapsala, a ponecháte lidem kontrolu nad každou žádostí o úhradu, můžete dosáhnout měřitelných a hmatatelných výsledků. Takto se ze zaúčtování plateb stane namísto úporného manuálního úzkého hrdla proces, který lze ve firmě rozšiřovat.