Wie KI-gestützte Automatisierung den Engpass bei der Zahlungsverbuchung lösen kann

Das Gesundheitswesen arbeitet seit Jahrzehnten daran, Zahlungen nicht mehr auf Papier abzuwickeln. Kostenträger übermitteln Angaben zu Zahlungen und Ablehnungen inzwischen elektronisch in einer standardisierten Datei, dem Standard für den elektronischen Datenaustausch (EDI) 835. Damit entfiel der Papieraufwand, und alle Beteiligten erhielten ein gemeinsames Format für die weitere Bearbeitung. Die Standardisierung der Daten verringerte zwar den manuellen Aufwand, automatisierte die Arbeit jedoch nicht. Eine elektronisch eingehende Datei bedeutet nicht, dass eine Zahlung automatisch verbucht wird. Die EDI-835-Datei geht ein, und Mitarbeitende müssen sie weiterhin öffnen, die Codes der einzelnen Kostenträger lesen, die Zahlungen Zeile für Zeile verbuchen und die Ablehnungen manuell bearbeiten.

Diese manuelle Arbeit ist teuer, und die Kosten steigen weiter. In der Umfrage zum Stand der Abrechnungen 2025 von Experian Health berichteten 41 Prozent der Leistungserbringer, dass mindestens jede zehnte ihrer Abrechnungen abgelehnt wird. Kodiak Solutions schätzte, dass Leistungserbringer 2025 durch Ablehnungen und uneinbringliche Forderungen mehr als 48 Milliarden US-Dollar verloren – etwa ein Viertel mehr als im Vorjahr. Mitarbeitende müssen jede Zahlung und jede Ablehnung verbuchen, abstimmen und bearbeiten, bevor ein Konto ausgeglichen ist. Das meiste davon geschieht nach wie vor manuell.

Warum die Zahlungen weiterhin manuell verbucht werden

Dass die Zahlungen weiterhin manuell verbucht werden, liegt weniger an der Technologie als an den Regeln selbst. Jeder Kostenträger verarbeitet seine Dateien anders, und die Regeln ändern sich je nach Situation und Ausnahmefall. Dadurch häufen sich Sonderfälle schneller, als sie dokumentiert werden können. Viele dieser Regeln sind überhaupt nicht schriftlich festgehalten. Sie stecken in den Köpfen einiger weniger erfahrener Abrechnungsfachkräfte. Deshalb kann das Unternehmen sie weder einheitlich anwenden noch ohne Weiteres an ein System weitergeben. Wenn die Regeln nicht erfasst sind, dauert es länger, Abrechnungsfälle zu klären, vermeidbare Ablehnungen bleiben unentdeckt, und bei der ersten Einreichung wird häufig weniger erstattet, als möglich gewesen wäre.

Was große Sprachmodelle hier tatsächlich leisten

Herkömmliche Automatisierung bewältigt einfache, vorhersehbare Abrechnungsfälle, kommt bei allem anderen aber ins Stocken. Eine regelbasierte Engine kann nur ausführen, was zuvor in sie einprogrammiert wurde. Sobald ein Kostenträger erstmals einen Anpassungscode übermittelt, den das System noch nicht kennt, wird der Abrechnungsfall zur Prüfung an eine Person weitergeleitet. Da sich die Kostenträger stark unterscheiden, landet ein großer Teil der Abrechnungsfälle in dieser Warteschlange.

Ein großes Sprachmodell schließt diese Lücke, weil es einen Abrechnungsfall so liest wie eine erfahrene Abrechnungsfachkraft. Es erfasst den Kontext, ermittelt, worum es bei dem Abrechnungsfall geht, welche Regeln des Kostenträgers gelten und wie mit Ausnahmen umzugehen ist, und übergibt ihn anschließend an das System, das die Zahlung verbucht. Das Modell liefert die Einschätzung, und das System verbucht die Zahlung jedes Mal auf dieselbe Weise.

Was wir entwickelt haben

Marlabs entwickelte ein System, das genau das für ein Unternehmen im Gesundheitsabrechnungswesen leistet, das Zahlungen für Anbieter von Rettungsdiensten in ganz Nordamerika abwickelt. Das Unternehmen verarbeitet etwa 85.000 Zahlungen pro Monat. Sowohl das Volumen als auch die Komplexität der Kostenträger überstiegen zunehmend, was das Team durch Neueinstellungen bewältigen konnte.

Entscheidend war, wie das System mit den Regeln umging, die das Unternehmen nicht dokumentiert hatte. Statt es mit einem Regelwerk der Kostenträger auszustatten, das dem Unternehmen gar nicht vorlag, ließen wir die KI aus der Arbeitsweise der Abrechnungsfachkräfte und den tatsächlichen Zahlungen der Kostenträger lernen. Sie schlug Regeln vor, prüfte sie anhand realer Ergebnisse und optimierte sie auf das für das Unternehmen wichtigste Ziel hin: bei der ersten Einreichung mehr von dem einzunehmen, was die Versicherung erstattet, statt erst nach mehreren Widerspruchsrunden. Wissen, das zuvor in den Köpfen einiger weniger Personen steckte, wurde so zu Regeln, die das Unternehmen endlich einsehen und verbessern konnte.

Jeder Abrechnungsfall wird von einer Person geprüft

Jeder Abrechnungsfall wird weiterhin von einer Person geprüft, bevor er endgültig abgeschlossen wird. Das System verbucht den Abrechnungsfall und legt seine Arbeitsschritte offen, sodass eine prüfende Person sehen kann, was die KI bei einem unkomplizierten Fall getan hat, und ihn innerhalb weniger Sekunden freigeben kann. Ist sich die KI nicht sicher oder musste eine Abrechnungsfachkraft eingreifen, enthält der Abrechnungsfall eine verständliche Erklärung dazu, was nicht stimmte und was das System empfiehlt. In solchen Fällen beschleunigt KI die Prüfung, während die Verantwortung für jeden Abrechnungsfall dort bleibt, wo sie hingehört: bei den Menschen und dem Unternehmen.

Die Ergebnisse

Diese Gestaltungsentscheidungen – und nicht die Technologie allein – führten zu den Ergebnissen. Das Unternehmen verbucht inzwischen etwa 85 Prozent seiner Zahlungen automatisch. Dadurch kann das Team seine Zeit den Abrechnungsfällen widmen, bei denen tatsächlich eine Einschätzung erforderlich ist. Die Zahl der Buchungsfehler sank um 95 Prozent, und der Abgleich zwischen den Systemen funktioniert reibungsloser. Das Team bearbeitet kostenträgerspezifische Ablehnungen schneller und kann nun erstmals Ausnahmen und deren Klärung in Echtzeit verfolgen. Da wir den Rahmen so gestaltet haben, dass er sich innerhalb der Compliance-Anforderungen jedes Kostenträgers skalieren lässt, erfordert ein höheres Volumen keinen größeren Personalbestand mehr.

Was das für Sie bedeutet, wenn Sie den Abrechnungs- und Erlöszyklus verantworten

• Beginnen Sie mit Aufgaben, bei denen ein hohes Volumen nach festen Regeln bearbeitet wird, etwa der Zahlungsverrechnung. Wenn Ihre Regeln bereits dokumentiert sind, nutzen Sie sie. Sind sie es nicht, sehen Sie darin eine Chance: Lassen Sie die KI die Regeln ermitteln und anhand der tatsächlichen Zahlungen der Kostenträger überprüfen.
• Lassen Sie jeden Abrechnungsfall von einer Person prüfen, nicht nur die Ausnahmefälle, und sorgen Sie dafür, dass die KI ihre Arbeitsschritte offenlegt. So dauert es nur wenige Sekunden, einen unkomplizierten Fall freizugeben.
• Verlangen Sie von der KI eine Erklärung für jede Ausnahme. Eine Kennzeichnung ohne Begründung verlagert den Engpass lediglich von der Verbuchung zur Prüfung.
• Sorgen Sie von Anfang an für Einblick in die Abläufe in Echtzeit, damit Führungskräfte sehen können, wie das System funktioniert, und auf Grundlage der Zahlen fundierte Entscheidungen treffen können.

Die Zahlungsverbuchung ist einer der naheliegendsten Bereiche für den Einstieg, denn es geht um hohe Summen, und die Wirkung zeigt sich unmittelbar bei den vereinnahmten Zahlungen. Wenn Sie den Prozess realistisch abbilden, einem System die Regeln beibringen, die in einer Organisation nie schriftlich festgehalten wurden, und dafür sorgen, dass Menschen bei jedem einzelnen Abrechnungsfall die Kontrolle behalten, können Sie messbare, greifbare Ergebnisse erzielen. So wird die Zahlungsverbuchung von einem hartnäckigen manuellen Engpass zu einem Prozess, den das Unternehmen skalieren kann.