Πώς ο αυτοματισμός με τεχνητή νοημοσύνη μπορεί να λύσει το σημείο συμφόρησης στην καταχώριση πληρωμών

Ο κλάδος της υγειονομικής περίθαλψης έχει περάσει δεκαετίες μεταφέροντας τις πληρωμές του από το χαρτί σε ψηφιακή μορφή. Οι φορείς πληρωμών στέλνουν πλέον ηλεκτρονικά τα στοιχεία πληρωμών και απορρίψεών τους μέσω ενός τυποποιημένου αρχείου, του Ηλεκτρονική ανταλλαγή δεδομένων (EDI) 835, το οποίο εξάλειψε το χαρτί και καθιέρωσε μια κοινή μορφή για όλους. Ωστόσο, παρότι η τυποποίηση των δεδομένων περιόρισε μέρος της χειρωνακτικής εργασίας, δεν αυτοματοποίησε τη διαδικασία. Η ηλεκτρονική παραλαβή ενός αρχείου δεν σημαίνει ότι καταχωρίζεται αυτόματα και η πληρωμή. Το αρχείο EDI 835 φτάνει, αλλά οι εργαζόμενοι εξακολουθούν να το ανοίγουν, να διαβάζουν τους κωδικούς κάθε φορέα πληρωμών, να καταχωρίζουν τις πληρωμές μία προς μία και να διεκπεραιώνουν χειροκίνητα τις απορρίψεις.

Αυτή η χειρωνακτική εργασία κοστίζει ακριβά και το κόστος συνεχίζει να αυξάνεται. Στην έρευνα State of Claims 2025 της Experian Health, το 41 τοις εκατό των παρόχων ανέφερε ότι απορρίπτεται τουλάχιστον μία στις δέκα απαιτήσεις του, ενώ η Kodiak Solutions εκτίμησε ότι το 2025 οι πάροχοι έχασαν περισσότερα από 48 δισεκατομμύρια δολάρια λόγω απορρίψεων και επισφαλών οφειλών — περίπου ένα τέταρτο περισσότερα από ό,τι το προηγούμενο έτος. Το προσωπικό πρέπει να καταχωρίζει και να συμφωνεί κάθε πληρωμή, καθώς και να διεκπεραιώνει κάθε πληρωμή και απόρριψη, προτού τακτοποιηθεί ένας λογαριασμός· το μεγαλύτερο μέρος αυτής της εργασίας εξακολουθεί να γίνεται χειροκίνητα.

Γιατί η καταχώριση εξακολουθεί να γίνεται χειροκίνητα

Ο λόγος που η καταχώριση εξακολουθεί να γίνεται χειροκίνητα έχει λιγότερη σχέση με την τεχνολογία και περισσότερη με τους ίδιους τους κανόνες. Κάθε φορέας πληρωμών χειρίζεται τα αρχεία του διαφορετικά, ενώ οι κανόνες αλλάζουν ανάλογα με την κάθε περίπτωση και εξαίρεση, με αποτέλεσμα οι οριακές περιπτώσεις να συσσωρεύονται ταχύτερα απ’ όσο μπορεί κανείς να τις καταγράψει. Πολλοί από αυτούς τους κανόνες δεν έχουν καταγραφεί καθόλου. Παραμένουν στη μνήμη λίγων έμπειρων υπαλλήλων τιμολόγησης, πράγμα που σημαίνει ότι ο οργανισμός δεν μπορεί να τους εφαρμόζει με συνέπεια ούτε να τους μεταφέρει εύκολα σε ένα σύστημα. Όταν οι κανόνες δεν καταγράφονται, η διεκπεραίωση των απαιτήσεων καθυστερεί, αποτρέψιμες απορρίψεις περνούν απαρατήρητες και συχνά η πρώτη υποβολή αποφέρει λιγότερα από όσα θα έπρεπε.

Τι κάνουν στην πράξη τα μεγάλα γλωσσικά μοντέλα

Ο παραδοσιακός αυτοματισμός διαχειρίζεται τις απλές, προβλέψιμες απαιτήσεις, αλλά κολλάει σε όλες τις υπόλοιπες. Μια μηχανή κανόνων κάνει μόνο όσα έχει προγραμματίσει εκ των προτέρων κάποιος. Την πρώτη φορά που ένας φορέας πληρωμών στέλνει έναν κωδικό προσαρμογής τον οποίο το σύστημα δεν έχει ξαναδεί, η απαίτηση παραπέμπεται σε άνθρωπο για έλεγχο. Οι διαφορές μεταξύ των φορέων πληρωμών είναι τόσο μεγάλες, ώστε πολλές απαιτήσεις καταλήγουν σε αυτή την ουρά.

Ένα μεγάλο γλωσσικό μοντέλο καλύπτει αυτό το κενό, επειδή διαβάζει μια απαίτηση όπως θα την εξέταζε ένας έμπειρος υπάλληλος τιμολόγησης. Λαμβάνει υπόψη το πλαίσιο, προσδιορίζει τι αφορά η απαίτηση, ποιος κανόνας του φορέα πληρωμών ισχύει και πώς πρέπει να αντιμετωπιστούν οι εξαιρέσεις, και στη συνέχεια τη διαβιβάζει στο σύστημα που καταχωρίζει την πληρωμή. Το μοντέλο παρέχει την κρίση και το σύστημα καταχωρίζει την πληρωμή με τον ίδιο τρόπο κάθε φορά.

Τι δημιουργήσαμε

Η Marlabs δημιούργησε ένα σύστημα που κάνει ακριβώς αυτό για μια εταιρεία τιμολόγησης υπηρεσιών υγειονομικής περίθαλψης, η οποία διαχειρίζεται πληρωμές για παρόχους επείγουσας ιατρικής βοήθειας σε όλη τη Βόρεια Αμερική. Η εταιρεία επεξεργάζεται περίπου 85.000 πληρωμές τον μήνα, ενώ τόσο ο όγκος όσο και η πολυπλοκότητα των φορέων πληρωμών ξεπερνούσαν πλέον τις δυνατότητες της ομάδας της, ακόμη και με την πρόσληψη νέου προσωπικού.

Το σημαντικότερο στοιχείο ήταν ο τρόπος με τον οποίο το σύστημα χειριζόταν τους κανόνες που η εταιρεία δεν είχε καταγράψει. Αντί να το τροφοδοτήσουμε με ένα εγχειρίδιο κανόνων για τους φορείς πληρωμών, το οποίο η εταιρεία στην πραγματικότητα δεν διέθετε, εκπαιδεύσαμε την τεχνητή νοημοσύνη με βάση τον τρόπο εργασίας των υπαλλήλων τιμολόγησης και τις πληρωμές που πραγματοποιούσαν οι φορείς. Το σύστημα πρότεινε κανόνες, τους δοκίμασε με βάση πραγματικά αποτελέσματα και τους βελτίωσε με γνώμονα αυτό που ενδιαφέρει περισσότερο την επιχείρηση: να εισπράττει μεγαλύτερο μέρος του ποσού που καλύπτει η ασφάλιση από την πρώτη υποβολή, αντί να το διεκδικεί ύστερα από αλλεπάλληλες προσφυγές. Η γνώση που υπήρχε στη μνήμη λίγων ανθρώπων μετατράπηκε σε κανόνες τους οποίους η εταιρεία μπορούσε επιτέλους να βλέπει και να βελτιώνει.

Κάθε απαίτηση ελέγχεται από άνθρωπο

Κάθε απαίτηση εξακολουθεί να περνά από άνθρωπο προτού οριστικοποιηθεί. Το σύστημα καταχωρίζει την απαίτηση και παρουσιάζει τα βήματα που ακολούθησε, ώστε ο ελεγκτής να μπορεί να δει τι έκανε η τεχνητή νοημοσύνη σε μια απλή απαίτηση και να την εγκρίνει μέσα σε λίγα δευτερόλεπτα. Όταν η τεχνητή νοημοσύνη δεν είναι βέβαιη ή χρειάστηκε να παρέμβει υπάλληλος τιμολόγησης, η απαίτηση συνοδεύεται από μια σαφή εξήγηση για το τι φαινόταν προβληματικό και τι προτείνει το σύστημα. Σε αυτές τις περιπτώσεις, η τεχνητή νοημοσύνη επιταχύνει τον έλεγχο, ενώ η ευθύνη για κάθε απαίτηση παραμένει εκεί όπου ανήκει: στους ανθρώπους και στην εταιρεία.

Τα αποτελέσματα

Τα αποτελέσματα προέκυψαν περισσότερο από αυτές τις σχεδιαστικές επιλογές παρά από την ίδια την τεχνολογία. Η εταιρεία καταχωρίζει πλέον αυτόματα περίπου το 85 τοις εκατό των πληρωμών της, απελευθερώνοντας χρόνο για την ομάδα της, ώστε να ασχολείται με τις απαιτήσεις που χρειάζονται πραγματικά ανθρώπινη κρίση. Τα σφάλματα καταχώρισης μειώθηκαν κατά 95 τοις εκατό και η συμφωνία μεταξύ συστημάτων είναι ακριβέστερη. Η ομάδα διεκπεραιώνει ταχύτερα τις απορρίψεις που σχετίζονται με συγκεκριμένους φορείς πληρωμών και, για πρώτη φορά, μπορεί να παρακολουθεί τις εξαιρέσεις και την επίλυσή τους τη στιγμή που συμβαίνουν. Επειδή σχεδιάσαμε το πλαίσιο ώστε να μπορεί να επεκταθεί και να συμμορφώνεται με τις απαιτήσεις κάθε φορέα πληρωμών, η αύξηση του όγκου εργασίας δεν συνεπάγεται πλέον αύξηση του προσωπικού.

Τι σημαίνει αυτό για τη διαχείριση του κύκλου εσόδων

• Ξεκινήστε με εργασίες μεγάλου όγκου που διέπονται από κανόνες, όπως η καταχώριση πληρωμών. Αν οι κανόνες σας είναι ήδη καταγεγραμμένοι, αξιοποιήστε τους. Αν δεν είναι, αντιμετωπίστε το ως ευκαιρία και αφήστε την τεχνητή νοημοσύνη να τους εντοπίσει και να τους δοκιμάσει με βάση τα ποσά που πράγματι καταβάλλουν οι φορείς πληρωμών.
• Φροντίστε να ελέγχει άνθρωπος κάθε απαίτηση, όχι μόνο τις εξαιρέσεις, και ζητήστε από την τεχνητή νοημοσύνη να παρουσιάζει τα βήματα που ακολούθησε, ώστε η έγκριση μιας απλής απαίτησης να χρειάζεται μόνο λίγα δευτερόλεπτα.
• Απαιτήστε από την τεχνητή νοημοσύνη να εξηγεί κάθε εξαίρεση. Μια επισήμανση χωρίς αιτιολόγηση απλώς μεταφέρει το σημείο συμφόρησης από την καταχώριση στον έλεγχο.
• Ενσωματώστε ορατότητα σε πραγματικό χρόνο από την πρώτη μέρα, ώστε οι επικεφαλής να μπορούν να βλέπουν πώς αποδίδει το σύστημα και να ενεργούν με σιγουριά βάσει των αριθμών.

Η καταχώριση πληρωμών είναι ένα από τα πιο ξεκάθαρα σημεία για να ξεκινήσει κανείς, επειδή τα ποσά που διακυβεύονται είναι μεγάλα και η απόδοση αποτυπώνεται άμεσα στα εισπραχθέντα μετρητά. Χαρτογραφώντας με ειλικρίνεια τη διαδικασία, διδάσκοντας σε ένα σύστημα κανόνες που ένας οργανισμός δεν κατέγραψε ποτέ και διασφαλίζοντας ότι οι άνθρωποι διατηρούν τον έλεγχο κάθε απαίτησης, μπορείτε να δείτε μετρήσιμα, απτά αποτελέσματα. Με αυτόν τον τρόπο, η καταχώριση πληρωμών παύει να είναι ένα επίμονο χειροκίνητο σημείο συμφόρησης και μετατρέπεται σε διαδικασία που η επιχείρηση μπορεί να κλιμακώσει.