Cómo la automatización impulsada por IA puede resolver el cuello de botella en la contabilización de pagos

El sector de la salud lleva décadas pasando sus pagos del papel a medios electrónicos. Ahora, los pagadores envían electrónicamente los detalles de los pagos y las denegaciones mediante un archivo estándar, el Intercambio Electrónico de Datos (EDI) 835, que eliminó el papel y proporcionó a todos un formato común con el que trabajar. Pero, aunque la estandarización de los datos redujo parte del trabajo manual, no automatizó el proceso. Que un archivo llegue electrónicamente no significa que el pago se contabilice automáticamente. El archivo EDI 835 llega y, aun así, alguien tiene que abrirlo, leer los códigos de cada pagador, contabilizar los pagos línea por línea y gestionar manualmente las denegaciones.

Ese trabajo manual es costoso y su costo sigue aumentando. En la encuesta State of Claims 2025 de Experian Health, el 41 por ciento de los proveedores informó que se deniega al menos una de cada diez reclamaciones. Además, Kodiak Solutions estimó que en 2025 los proveedores perdieron más de 48 mil millones de dólares por denegaciones y deudas incobrables, aproximadamente una cuarta parte más que el año anterior. El personal debe contabilizar y conciliar cada pago, y gestionar cada denegación antes de cerrar una cuenta; la mayor parte de ese trabajo todavía se hace manualmente.

Por qué la contabilización sigue siendo manual

La razón por la que la contabilización sigue siendo manual tiene menos que ver con la tecnología que con las propias reglas. Cada pagador gestiona sus archivos de manera distinta, y las reglas cambian según la situación y cada excepción, por lo que los casos especiales se acumulan más rápido de lo que cualquiera puede documentarlos. Muchas de esas reglas ni siquiera están por escrito. Están en la cabeza de unos pocos especialistas en facturación con experiencia, lo que impide que la organización las aplique de manera uniforme y dificulta que pueda transferirlas a un sistema. Cuando las reglas no quedan registradas, las reclamaciones tardan más en resolverse, se producen denegaciones que podrían evitarse y, a menudo, el primer envío recauda menos de lo que debería.

Qué hacen realmente aquí los modelos de lenguaje de gran tamaño

La automatización tradicional se ocupa de las reclamaciones sencillas y predecibles, pero se atasca con todo lo demás. Un motor de reglas solo hace lo que alguien programó de antemano. La primera vez que un pagador envía un código de ajuste que el sistema no reconoce, la reclamación pasa a una persona para que la revise. Las diferencias entre pagadores son suficientes para que una gran proporción de las reclamaciones termine en esa cola.

Un modelo de lenguaje de gran tamaño cierra esa brecha porque interpreta una reclamación como lo haría un especialista en facturación con experiencia. Analiza el contexto, determina de qué tipo de reclamación se trata, qué regla del pagador corresponde aplicar y cómo gestionar las excepciones; luego la envía al sistema que contabiliza el pago. El modelo aporta el criterio y el sistema contabiliza el pago siempre de la misma manera.

Qué desarrollamos

Marlabs desarrolló un sistema que hace precisamente eso para una empresa de facturación del sector de la salud que gestiona pagos para proveedores de servicios médicos de emergencia en toda América del Norte. La empresa procesa alrededor de 85.000 pagos al mes, y tanto el volumen como la complejidad de los pagadores superaban la capacidad de su equipo, incluso con nuevas contrataciones.

Lo más importante era cómo gestionaba el sistema las reglas que la empresa no había documentado. En lugar de cargarlo con un manual de reglas de los pagadores que la empresa en realidad no tenía, hicimos que la IA aprendiera de la forma de trabajar del personal de facturación y de los pagos que efectuaban los pagadores. El sistema propuso reglas, las puso a prueba con resultados reales y las ajustó para alcanzar el resultado que más le importa a la empresa: recaudar en el primer envío una mayor cantidad de lo que cubrirá el seguro, en vez de hacerlo tras varias rondas de apelaciones. El conocimiento que antes estaba en la cabeza de unas pocas personas se convirtió en reglas que la empresa por fin podía consultar y mejorar.

Una persona revisa cada reclamación

Cada reclamación sigue pasando por una persona antes de quedar finalizada. El sistema contabiliza la reclamación y muestra cómo lo hizo, para que quien la revisa pueda ver qué hizo la IA en una reclamación sencilla y aprobarla en unos segundos. Cuando la IA no está segura o tuvo que intervenir un especialista en facturación, la reclamación incluye una explicación clara de lo que parecía estar mal y de lo que recomienda el sistema. En estos casos, la IA agiliza la revisión, mientras que la responsabilidad por cada reclamación sigue donde corresponde: en las personas y la empresa.

Los resultados

Fueron esas decisiones de diseño, más que la tecnología por sí sola, las que produjeron los resultados. La empresa ahora contabiliza automáticamente alrededor del 85 por ciento de sus pagos, lo que permite que su equipo dedique tiempo a las reclamaciones que realmente requieren criterio. Los errores de contabilización disminuyeron un 95 por ciento y la conciliación entre sistemas es más precisa. El equipo resuelve más rápido las denegaciones específicas de cada pagador y, por primera vez, puede observar sus excepciones y cómo se resuelven a medida que ocurren. Como diseñamos el marco para que pueda ampliarse respetando los requisitos de cumplimiento de cada pagador, un mayor volumen ya no exige más personal.

Qué significa esto para quienes gestionan el ciclo de ingresos

• Empiece por tareas de gran volumen y sujetas a reglas, como la contabilización de pagos. Si sus reglas ya están documentadas, utilícelas. Si no lo están, considérelo una oportunidad y deje que la IA las encuentre y las ponga a prueba con los pagos que efectivamente realizan los pagadores.
• Mantenga a una persona involucrada en cada reclamación, no solo en las excepciones, y haga que la IA muestre cómo llegó a sus conclusiones para que aprobar una reclamación sencilla tome apenas unos segundos.
• Exija que la IA explique cada excepción. Una alerta sin motivo solo traslada el cuello de botella de la contabilización a la revisión.
• Incorpore visibilidad en tiempo real desde el primer día para que los directivos puedan ver cómo funciona el sistema y actuar con confianza basándose en los datos.

El registro de pagos es uno de los puntos más claros por los que empezar, porque las sumas involucradas son elevadas y el rendimiento se refleja directamente en el efectivo recaudado. Al trazar el proceso con honestidad, enseñar al sistema reglas que la organización nunca dejó por escrito y mantener a las personas al mando de cada reclamación, se pueden ver resultados medibles y tangibles. Si se gestiona de ese modo, el registro de pagos deja de ser un obstinado cuello de botella manual y se convierte en un proceso que la empresa puede ampliar.