Hvordan AI-drevet automatisering kan løse flaskehalsen ved registrering af betalinger

Sundhedssektoren har i årtier arbejdet på at få betalinger væk fra papir. Betalerne sender nu oplysninger om betalinger og afvisninger elektronisk i en standardfil, Electronic Data Interchange (EDI) 835, som fjernede papiret og gav alle et fælles format at arbejde ud fra. Men selvom standardisering af dataene mindskede noget af det manuelle arbejde, gjorde den ikke arbejdet automatisk. At en fil ankommer elektronisk, er ikke det samme som, at en betaling bliver registreret automatisk. EDI 835-filen lander, men medarbejderne åbner den stadig, læser hver betalers koder, registrerer betalingerne linje for linje og behandler afvisningerne manuelt.

Det manuelle arbejde er dyrt, og omkostningerne bliver ved med at stige. I Experian Healths undersøgelse af kravsituationen i 2025 svarede 41 procent af udbyderne, at mindst hvert tiende af deres krav bliver afvist, og Kodiak Solutions anslog, at udbyderne i 2025 tabte mere end 48 milliarder dollar på afvisninger og uerholdelige fordringer – omtrent en fjerdedel mere end året før. Medarbejderne skal registrere og afstemme hver betaling samt behandle hver afvisning, før en konto er gjort op, og det meste foregår stadig manuelt.

Derfor foregår registreringen stadig manuelt

At registreringen stadig foregår manuelt, skyldes mindre teknologien end selve reglerne. Hver betaler håndterer sine filer forskelligt, og reglerne ændrer sig med hver situation og undtagelse, så særtilfældene hober sig hurtigere op, end nogen kan nå at skrive dem ned. Mange af reglerne er slet ikke skrevet ned. De findes i hovedet på nogle få erfarne faktureringsmedarbejdere, hvilket betyder, at organisationen ikke kan anvende dem konsekvent eller nemt overføre dem til et system. Når reglerne ikke er dokumenteret, tager det længere tid at behandle krav, undgåelige afvisninger slipper igennem, og den første indsendelse indbringer ofte mindre, end den burde.

Hvad store sprogmodeller rent faktisk gør her

Traditionel automatisering håndterer de enkle, forudsigelige krav, men går i stå ved alt andet. En regelmotor gør kun det, nogen på forhånd har programmeret den til. Første gang en betaler sender en reguleringskode, som systemet ikke har set før, sendes kravet til manuel gennemgang. Betalerne varierer så meget, at en stor andel af kravene ender i den kø.

En stor sprogmodel lukker dette hul, fordi den læser et krav, som en erfaren faktureringsmedarbejder ville gøre. Den indarbejder konteksten, finder ud af, hvad kravet drejer sig om, hvilken betalerregel der gælder, og hvordan undtagelser skal håndteres, og sender det videre til systemet, der registrerer betalingen. Modellen foretager vurderingen, og systemet registrerer betalingen på samme måde hver gang.

Det, vi byggede

Marlabs byggede et system, der gør netop det for en virksomhed inden for sundhedsfakturering, som håndterer betalinger for udbydere af akutmedicinske tjenester i hele Nordamerika. Virksomheden behandler omkring 85.000 betalinger om måneden, og både mængden og kompleksiteten i arbejdet med betalerne voksede hurtigere, end teamet kunne følge med ved at ansætte flere medarbejdere.

Det vigtigste var, hvordan systemet håndterede de regler, virksomheden ikke havde skrevet ned. I stedet for at indlæse en regelbog for betalerne, som virksomheden faktisk ikke havde, lod vi AI’en lære af faktureringsmedarbejdernes arbejdsgange og af, hvad betalerne betalte. Den foreslog regler, afprøvede dem mod faktiske resultater og blev justeret med henblik på det resultat, virksomheden vægter højest: at få mere af det, forsikringen vil betale, ind ved første indsendelse frem for efter flere ankerunder. Viden, der havde været gemt i hovedet på nogle få personer, blev til regler, som virksomheden endelig kunne se og forbedre.

Et menneske gennemgår hvert krav

Hvert krav gennemgås stadig af et menneske, før det færdigbehandles. Systemet registrerer kravet og viser sit arbejde, så en sagsbehandler kan se, hvad AI’en gjorde ved et enkelt krav, og godkende det på få sekunder. Når AI’en er usikker, eller når en faktureringsmedarbejder har måttet gribe ind, ledsages kravet af en letforståelig forklaring på, hvad der så forkert ud, og hvad systemet anbefaler. I disse tilfælde gør AI gennemgangen hurtigere, mens ansvaret for hvert enkelt krav bliver placeret, hvor det hører hjemme: hos medarbejderne og virksomheden.

Resultaterne

Det var disse designvalg – mere end teknologien i sig selv – der skabte resultaterne. Virksomheden registrerer nu omkring 85 procent af sine betalinger automatisk, så teamet kan bruge tiden på de krav, der reelt kræver en faglig vurdering. Registreringsfejlene faldt med 95 procent, og afstemningen på tværs af systemer er blevet mere præcis. Teamet behandler betalerspecifikke afvisninger hurtigere, og for første gang kan det følge undtagelserne og løsningerne på dem, mens det hele sker. Fordi vi udformede rammeværket, så det kan skaleres inden for hver betalers krav til overholdelse, kræver større mængder ikke længere flere medarbejdere.

Hvad det betyder, hvis du har ansvar for indtægtscyklussen

• Begynd med opgaver, der har stor volumen og følger faste regler, som registrering af betalinger. Hvis reglerne allerede er dokumenteret, så brug dem. Hvis de ikke er det, så se det som en mulighed, og lad AI finde reglerne og afprøve dem mod det, betalerne faktisk betaler.
• Lad et menneske gennemgå hvert krav, ikke kun undtagelserne, og få AI til at vise sit arbejde, så det kun tager få sekunder at godkende et enkelt krav.
• Kræv, at AI forklarer hver undtagelse. En markering uden begrundelse flytter blot flaskehalsen fra registrering til gennemgang.
• Skab synlighed i realtid fra dag ét, så ledere kan se, hvordan systemet fungerer, og trygt handle på baggrund af tallene.

Registrering af betalinger er et af de mest oplagte steder at begynde, fordi beløbene er store, og afkastet ses direkte i de indbetalte beløb. Ved at kortlægge processen, som den faktisk er, lære et system de regler, en organisation aldrig har skrevet ned, og lade mennesker bevare kontrollen over hvert eneste krav kan man opnå målbare, håndgribelige resultater. Håndteres registreringen af betalinger på den måde, bliver den en stædig manuel flaskehals til en proces, virksomheden kan skalere.