Comment l’automatisation par l’IA peut résorber le goulot d’étranglement de la comptabilisation des paiements

Depuis des décennies, le secteur de la santé s’emploie à dématérialiser les paiements. Aujourd’hui, les organismes payeurs transmettent électroniquement les détails des paiements et des rejets au moyen d’un fichier normalisé, l’échange de données informatisé (EDI) 835. Ce format a éliminé le papier et fourni à tous un format commun. Toutefois, si la normalisation des données a réduit une partie du travail manuel, elle n’a pas automatisé le processus. La réception d’un fichier électronique ne signifie pas que le paiement est comptabilisé. Le fichier EDI 835 arrive, mais les employés doivent encore l’ouvrir, lire les codes de chaque organisme payeur, comptabiliser les paiements ligne par ligne et traiter les rejets manuellement.

Ce travail manuel coûte cher, et son coût ne cesse d’augmenter. Dans l’enquête State of Claims 2025 d’Experian Health, 41 % des prestataires ont indiqué qu’au moins une demande de remboursement sur dix était rejetée. Kodiak Solutions a estimé que les prestataires avaient perdu plus de 48 milliards de dollars en raison des rejets et des créances irrécouvrables en 2025, soit environ un quart de plus que l’année précédente. Avant qu’un compte soit réglé, les employés doivent comptabiliser et rapprocher chaque paiement, puis traiter chaque paiement et chaque rejet, et la majeure partie de ce travail reste manuelle.

Pourquoi la comptabilisation reste manuelle

Si la comptabilisation reste manuelle, c’est moins à cause de la technologie que des règles elles-mêmes. Chaque organisme payeur traite ses fichiers différemment, et les règles varient selon les situations et les exceptions, si bien que les cas particuliers s’accumulent plus vite que quiconque ne peut les consigner. Bon nombre de ces règles ne sont même pas écrites. Elles restent dans la tête de quelques agents de facturation expérimentés, ce qui empêche l’organisation de les appliquer de manière cohérente et de les transmettre facilement à un système. Lorsque les règles ne sont pas consignées, les demandes de remboursement sont traitées plus lentement, des rejets évitables passent inaperçus et le premier envoi permet souvent de recouvrer moins que ce qui aurait dû l’être.

Ce que font réellement les grands modèles de langage dans ce contexte

L’automatisation traditionnelle traite les demandes de remboursement simples et prévisibles, mais bloque sur tout le reste. Un moteur de règles ne fait que ce qui a été programmé à l’avance. Dès qu’un organisme payeur envoie un code d’ajustement qu’il n’a encore jamais rencontré, la demande est transmise à une personne pour examen. Les différences entre organismes payeurs sont telles qu’une grande partie des demandes se retrouve dans cette file d’attente.

Un grand modèle de langage comble cette lacune parce qu’il lit une demande de remboursement comme le ferait un agent de facturation expérimenté. Il en analyse le contexte, détermine de quel type de demande il s’agit, quelle règle de l’organisme payeur s’applique et comment traiter les exceptions, puis la transmet au système qui comptabilise le paiement. Le modèle fournit le jugement nécessaire, et le système comptabilise le paiement de la même façon à chaque fois.

Ce que nous avons mis au point

Marlabs a mis au point un système qui fait exactement cela pour une entreprise de facturation dans le secteur de la santé, laquelle traite les paiements de prestataires de services médicaux d’urgence partout en Amérique du Nord. L’entreprise traite environ 85 000 paiements par mois, et le volume comme la complexité des organismes payeurs dépassaient la capacité de son équipe à suivre le rythme, même en recrutant.

L’essentiel était la manière dont le système traitait les règles que l’entreprise n’avait pas consignées. Au lieu de le charger d’un recueil de règles des organismes payeurs que l’entreprise ne possédait pas réellement, nous avons fait apprendre l’IA à partir des méthodes de travail des agents de facturation et des paiements effectués par les organismes payeurs. L’IA a proposé des règles, les a mises à l’épreuve à partir de résultats réels et les a ajustées en fonction du principal objectif de l’entreprise : recouvrer dès le premier envoi une plus grande part des sommes que l’assurance est prête à verser, plutôt qu’après plusieurs séries de recours. Des connaissances qui n’existaient que dans la tête de quelques personnes sont devenues des règles que l’entreprise pouvait enfin consulter et améliorer.

Une personne examine chaque demande de remboursement

Chaque demande de remboursement est toujours examinée par une personne avant d’être finalisée. Le système comptabilise la demande et présente son travail, afin qu’un réviseur puisse voir ce que l’IA a fait pour une demande sans anomalie et l’approuver en quelques secondes. Lorsque l’IA n’est pas sûre d’elle ou qu’un agent de facturation a dû intervenir, la demande est accompagnée d’une explication claire de ce qui semblait incorrect et de la recommandation du système. Dans ces cas, l’IA accélère l’examen, tandis que la responsabilité de chaque demande de remboursement reste à sa juste place : entre les mains des personnes et de l’entreprise.

Les résultats

Ce sont ces choix de conception, davantage que la technologie elle-même, qui ont produit les résultats. L’entreprise comptabilise désormais automatiquement environ 85 % de ses paiements, ce qui permet à son équipe de consacrer du temps aux demandes qui nécessitent réellement un jugement. Les erreurs de comptabilisation ont diminué de 95 %, et le rapprochement entre les systèmes est plus fiable. L’équipe traite plus rapidement les rejets propres à chaque organisme payeur et, pour la première fois, peut suivre ses exceptions et leur résolution au fur et à mesure. Comme nous avons conçu le cadre de manière à pouvoir le faire évoluer dans le respect des exigences de conformité de chaque organisme payeur, l’augmentation du volume n’oblige plus à accroître les effectifs.

Ce que cela signifie pour les responsables du cycle de revenus

• Commencez par les tâches à volume élevé et régies par des règles, comme la comptabilisation des paiements. Si vos règles sont déjà consignées, utilisez-les. Sinon, voyez-y une occasion à saisir et laissez l’IA les repérer et les mettre à l’épreuve en fonction de ce que les organismes payeurs versent réellement.
• Faites intervenir une personne pour chaque demande, pas seulement pour les exceptions, et demandez à l’IA de présenter son travail afin qu’une demande sans anomalie ne prenne que quelques secondes à approuver.
• Exigez que l’IA explique chaque exception. Un signalement sans motif ne fait que déplacer le goulot d’étranglement de la comptabilisation à l’examen.
• Intégrez une visibilité en temps réel dès le premier jour afin que les dirigeants puissent voir comment le système fonctionne et agir sur la base des chiffres en toute confiance.

La comptabilisation des paiements est l’un des points de départ les plus évidents, car les montants en jeu sont importants et les retombées se traduisent directement par les sommes encaissées. En cartographiant fidèlement le processus, en apprenant au système les règles que l’organisation n’a jamais formalisées et en laissant les personnes garder le contrôle de chaque demande de remboursement, vous pouvez obtenir des résultats mesurables et concrets. Ainsi, la comptabilisation des paiements cesse d’être un goulot d’étranglement manuel tenace et devient un processus que l’entreprise peut déployer à grande échelle.