Miten tekoälypohjainen automaatio voi ratkaista maksujen kirjaamisen pullonkaulan

Terveydenhuoltoala on käyttänyt vuosikymmeniä maksuliikenteen siirtämiseen pois paperilta. Maksajat lähettävät nykyään maksu- ja hylkäystiedot sähköisesti vakiomuotoisessa tiedostossa, Electronic Data Interchange (EDI) 835:ssä. Se poisti paperin käytön ja tarjosi kaikille yhteisen tiedostomuodon. Tietojen vakiointi vähensi manuaalista työtä, mutta ei kuitenkaan automatisoinut sitä. Tiedoston saapuminen sähköisesti ei tarkoita, että maksu kirjautuisi itsestään. EDI 835 -tiedosto saapuu, mutta työntekijät avaavat sen edelleen, lukevat kunkin maksajan koodit, kirjaavat maksut rivi riviltä ja käsittelevät hylkäykset käsin.

Manuaalinen työ on kallista, ja kustannukset kasvavat jatkuvasti. Experian Healthin vuoden 2025 State of Claims -kyselyssä 41 prosenttia palveluntarjoajista ilmoitti, että vähintään joka kymmenes niiden korvaushakemuksista hylätään. Kodiak Solutions arvioi, että palveluntarjoajat menettivät vuonna 2025 hylkäysten ja luottotappioiden vuoksi yli 48 miljardia dollaria, mikä oli noin neljänneksen enemmän kuin edellisenä vuonna. Työntekijöiden on kirjattava ja täsmäytettävä jokainen maksu sekä käsiteltävä jokainen hylkäys ennen tilin selvittämistä, ja suurin osa tästä työstä tehdään yhä käsin.

Miksi maksut kirjataan yhä käsin

Maksujen kirjaaminen on yhä manuaalista vähemmän teknologian kuin itse sääntöjen vuoksi. Kukin maksaja käsittelee tiedostojaan eri tavoin, ja säännöt muuttuvat tilanteiden ja poikkeusten mukaan. Erityistapauksia kertyy nopeammin kuin niitä ehditään kirjata ylös. Monia sääntöjä ei ole kirjattu lainkaan. Ne ovat muutamien kokeneiden laskutuskäsittelijöiden muistissa, joten organisaatio ei pysty soveltamaan niitä johdonmukaisesti eikä siirtämään niitä helposti järjestelmän käyttöön. Kun sääntöjä ei ole dokumentoitu, korvaushakemusten käsittely kestää kauemmin, vältettävissä olevia hylkäyksiä pääsee läpi ja ensimmäisestä hakemuksesta saadaan usein perittyä vähemmän kuin olisi pitänyt.

Mitä suuret kielimallit tässä oikeastaan tekevät

Perinteinen automaatio käsittelee selkeät ja ennakoitavat korvaushakemukset, mutta pysähtyy muiden kohdalla. Sääntökone tekee vain sen, mitä siihen on etukäteen ohjelmoitu. Kun maksaja lähettää ensimmäistä kertaa oikaisukoodin, jota järjestelmä ei tunnista, korvaushakemus siirtyy ihmisen tarkistettavaksi. Maksajien väliset erot ovat niin suuria, että suuri osa korvaushakemuksista päätyy tähän käsittelyjonoon.

Suuri kielimalli poistaa tämän kuilun, koska se lukee korvaushakemusta kokeneen laskutuskäsittelijän tavoin. Se ottaa huomioon asiayhteyden, selvittää, mistä korvaushakemuksessa on kyse, mitä maksajan sääntöä siihen sovelletaan ja miten poikkeuksia käsitellään, ja välittää sen sitten maksun kirjaavalle järjestelmälle. Malli tekee harkintaa vaativat ratkaisut, ja järjestelmä kirjaa maksun aina samalla tavalla.

Mitä rakensimme

Marlabs rakensi tällaisen järjestelmän terveydenhuollon laskutusyritykselle, joka käsittelee maksuja ensihoitopalvelujen tarjoajille eri puolilla Pohjois-Amerikkaa. Yritys käsittelee noin 85 000 maksua kuukaudessa, ja sekä maksujen määrä että maksajiin liittyvä monimutkaisuus kasvoivat suuremmiksi kuin mihin sen tiimi pystyi rekrytoinneista huolimatta vastaamaan.

Kaikkein tärkeintä oli, miten järjestelmä käsitteli sääntöjä, joita yritys ei ollut kirjannut ylös. Sen sijaan, että olisimme ladanneet järjestelmään maksajien sääntökirjan, jota yrityksellä ei todellisuudessa ollut, opetimme tekoälyn oppimaan laskutuskäsittelijöiden työskentelytavoista ja maksajien maksamista korvauksista. Tekoäly ehdotti sääntöjä, testasi niitä todellisia tuloksia vasten ja hienosääti niitä kohti liiketoiminnan tärkeintä tavoitetta: saada ensimmäisestä hakemuksesta perittyä suurempi osa siitä, minkä vakuutus korvaa, eikä vasta useiden muutoksenhakukierrosten jälkeen. Muutamien ihmisten muistissa ollut tieto muuttui säännöiksi, jotka yritys pystyi vihdoin näkemään ja joita se saattoi kehittää.

Ihminen tarkistaa jokaisen korvaushakemuksen

Jokainen korvaushakemus käy edelleen ihmisen tarkistettavana ennen lopullista hyväksyntää. Järjestelmä kirjaa korvaushakemuksen ja näyttää, miten se päätyi ratkaisuunsa, jotta tarkistaja näkee, mitä tekoäly teki selkeän korvaushakemuksen kohdalla, ja voi hyväksyä sen muutamassa sekunnissa. Jos tekoäly ei ole varma tai laskutuskäsittelijän on pitänyt puuttua asiaan, korvaushakemukseen liitetään selkeä selitys siitä, mikä näytti olevan vialla ja mitä järjestelmä suosittelee. Näissä tilanteissa tekoäly nopeuttaa tarkistusta, mutta vastuu jokaisesta korvaushakemuksesta säilyy siellä, minne se kuuluukin: ihmisillä ja yrityksellä.

Tulokset

Tulokset olivat ennen kaikkea suunnitteluratkaisujen, eivät pelkän teknologian, ansiota. Yritys kirjaa nyt noin 85 prosenttia maksuistaan automaattisesti, joten sen tiimi voi keskittyä korvaushakemuksiin, jotka todella vaativat harkintaa. Kirjausvirheet vähenivät 95 prosenttia, ja järjestelmien välinen täsmäytys sujuu paremmin. Tiimi ratkaisee maksajakohtaiset hylkäykset aiempaa nopeammin, ja ensimmäistä kertaa se pystyy seuraamaan poikkeuksia ja niiden ratkaisuja niiden tapahtuessa. Koska suunnittelimme toimintamallin skaalautumaan kunkin maksajan vaatimien sääntöjen puitteissa, maksujen määrän kasvu ei enää edellytä henkilöstön lisäämistä.

Mitä tämä merkitsee tulosyklin hallinnoinnista vastaaville

• Aloita suurivolyymisista, sääntöihin perustuvista tehtävistä, kuten maksujen kirjaamisesta. Jos säännöt on jo dokumentoitu, hyödynnä niitä. Jos niitä ei ole, näe se mahdollisuutena ja anna tekoälyn löytää säännöt sekä testata niitä sen perusteella, mitä maksajat todella maksavat.
• Pidä ihminen mukana jokaisen korvaushakemuksen käsittelyssä, älä vain poikkeustapauksissa, ja anna tekoälyn näyttää, miten se päätyi ratkaisuunsa, jotta selkeän korvaushakemuksen hyväksyminen vie vain muutaman sekunnin.
• Edellytä, että tekoäly selittää jokaisen poikkeuksen. Ilman perustelua tehty merkintä siirtää pullonkaulan vain kirjaamisesta tarkistukseen.
• Rakenna reaaliaikainen näkyvyys mukaan heti alusta alkaen, jotta johto näkee, miten järjestelmä toimii, ja voi tehdä lukujen perusteella päätöksiä luottavaisin mielin.

Maksujen kirjaaminen on yksi selkeimmistä aloituskohteista, sillä summat ovat suuria ja hyödyt näkyvät suoraan saaduissa maksuissa. Kun prosessi kartoitetaan realistisesti, järjestelmälle opetetaan säännöt, joita organisaatio ei ole koskaan kirjannut ylös, ja ihmiset pidetään jokaisen korvaushakemuksen hallinnassa, tulokset ovat mitattavia ja konkreettisia. Näin toteutettuna maksujen kirjaaminen muuttuu sitkeästä manuaalisesta pullonkaulasta prosessiksi, jota yritys voi kasvattaa liiketoimintansa mukana.