AI 기반 자동화로 결제 게시 병목을 해결하는 방법

의료 업계는 수십 년 동안 종이 없는 결제 업무를 추진해 왔습니다. 이제 보험자는 표준 파일인 전자 데이터 교환(EDI) 835를 통해 결제 및 거부 내역을 전자적으로 전송합니다. 이로써 종이를 없애고 모두가 공통 형식으로 업무를 처리할 수 있게 됐습니다. 하지만 데이터를 표준화해 수작업이 일부 줄어들었어도 업무가 자동화된 것은 아닙니다. 파일이 전자적으로 도착하는 것과 결제가 자동으로 게시되는 것은 다릅니다. EDI 835 파일이 도착하면 사람들은 여전히 파일을 열어 보험자별 코드를 확인하고, 결제를 한 건씩 게시하며, 거부 건을 직접 처리해야 합니다.

이러한 수작업에는 많은 비용이 들며, 그 비용은 계속 증가하고 있습니다. Experian Health의 2025년 청구 현황 설문조사에서 의료 서비스 제공자의 41%는 청구 건 10건 중 최소 1건이 거부된다고 답했습니다. Kodiak Solutions는 2025년 의료 서비스 제공자가 거부 및 대손으로 480억 달러 이상을 손실했으며, 이는 전년보다 약 4분의 1 증가한 수치라고 추산했습니다. 계정을 정산하려면 직원들이 모든 결제와 거부 건을 게시하고 대조하며 처리해야 하는데, 이 업무 대부분은 여전히 수작업으로 이뤄집니다.

결제 게시 업무가 여전히 수작업인 이유

결제 게시 업무가 수작업으로 남아 있는 이유는 기술보다 규칙 자체에 더 큰 문제가 있기 때문입니다. 보험자마다 파일을 처리하는 방식이 다르고, 상황과 예외에 따라 규칙도 달라집니다. 그 결과 예외 사례가 쌓이는 속도가 누군가가 이를 문서화하는 속도보다 빠릅니다. 그런 규칙 중 상당수는 아예 문서로 기록되어 있지 않습니다. 일부 숙련된 청구 담당자의 머릿속에만 들어 있어 조직이 규칙을 일관되게 적용하지 못하고 시스템에 쉽게 전달할 수도 없습니다. 규칙을 정리해 두지 않으면 청구 건의 처리에 시간이 더 오래 걸리고, 피할 수 있는 거부가 발생하며, 최초 청구에서 받아야 할 금액을 다 받지 못하는 경우가 많습니다.

대규모 언어 모델은 여기서 실제로 어떤 역할을 할까

기존 자동화는 명확하고 예측 가능한 청구 건은 처리하지만, 그 밖의 업무에서는 멈춥니다. 규칙 엔진은 사전에 누군가가 프로그래밍해 둔 작업만 수행합니다. 보험자가 처음 보는 조정 코드를 보내면 해당 청구 건은 검토를 위해 담당자에게 넘어갑니다. 보험자마다 처리 방식이 충분히 다르기 때문에 많은 청구 건이 이 대기열에 들어갑니다.

대규모 언어 모델은 숙련된 청구 담당자처럼 청구 건을 읽기 때문에 이 공백을 메웁니다. 모델은 맥락을 파악하고, 청구 건의 내용과 적용할 보험자 규칙, 예외 처리 방법을 판단한 뒤 결제를 게시하는 시스템에 전달합니다. 모델이 판단을 내리고 시스템은 매번 동일한 방식으로 결제를 게시합니다.

우리가 구축한 시스템

Marlabs는 북미 전역의 응급 의료 서비스 제공자를 대상으로 결제 업무를 처리하는 의료 청구 회사에 바로 이러한 시스템을 구축했습니다. 이 회사는 한 달에 약 85,000건의 결제를 처리하는데, 결제량과 보험자별 업무 복잡성이 모두 증가해 채용만으로는 팀이 업무량을 감당하기 어려워지고 있었습니다.

가장 중요한 부분은 회사가 문서화하지 않은 규칙을 시스템이 처리하는 방식이었습니다. 회사에 실제로 없는 보험자 규칙집을 시스템에 입력하는 대신, 청구 담당자의 업무 방식과 보험자의 실제 지급 내역을 바탕으로 AI가 규칙을 학습하도록 했습니다. AI는 규칙을 제안하고 실제 결과를 기준으로 검증한 뒤, 사업에서 가장 중요하게 여기는 결과, 즉 여러 차례 이의 제기 절차를 거친 뒤가 아니라 최초 청구에서 보험사가 지급할 금액을 더 많이 회수하는 방향으로 규칙을 조정했습니다. 소수의 담당자 머릿속에만 있던 지식을 회사가 마침내 확인하고 개선할 수 있는 규칙으로 바꿨습니다.

모든 청구 건을 사람이 검토합니다

모든 청구 건은 최종 확정 전에 여전히 담당자의 검토를 거칩니다. 시스템은 청구 건을 게시하고 처리 과정을 보여 줍니다. 따라서 검토자는 AI가 명확한 청구 건을 어떻게 처리했는지 확인하고 몇 초 만에 승인할 수 있습니다. AI가 확신하지 못하거나 청구 담당자가 개입해야 했던 경우에는 무엇이 문제로 보였는지, 시스템이 무엇을 권고하는지 청구 건에 명확한 설명이 첨부됩니다. 이런 경우 AI는 검토 시간을 단축하지만, 모든 청구 건에 대한 책임은 마땅히 그래야 하듯 담당자와 회사에 남습니다.

성과

성과를 낸 것은 기술 자체보다 이러한 설계 선택이었습니다. 이제 회사는 결제의 약 85%를 자동으로 게시하며, 덕분에 팀은 실제로 판단이 필요한 청구 건에 시간을 쓸 수 있습니다. 게시 오류는 95% 감소했고 시스템 간 대조도 더 정확해졌습니다. 팀은 보험자별 거부 건을 더 빠르게 해결하며, 처음으로 예외 사례와 해결 과정을 실시간으로 확인할 수 있게 됐습니다. 보험자별 규정 준수 요건을 충족하면서 확장할 수 있도록 프레임워크를 설계했기 때문에 업무량이 늘어도 인력을 더 충원할 필요가 없습니다.

의료 수익주기 관리 담당자가 알아야 할 점

• 결제 게시처럼 처리량이 많고 규칙에 따라 움직이는 업무부터 시작하세요. 규칙이 이미 문서화되어 있다면 그대로 활용하세요. 그렇지 않다면 이를 기회로 삼아 AI가 규칙을 찾아내고 보험자의 실제 지급 내역을 기준으로 검증하게 하세요.
• 예외 건뿐 아니라 모든 청구 건에 담당자가 관여하도록 하고, AI가 처리 과정을 보여 주게 하세요. 그러면 명확한 청구 건은 몇 초 만에 승인할 수 있습니다.
• AI가 모든 예외 상황을 설명하도록 하세요. 이유 없이 표시만 하는 경고는 병목을 결제 게시 단계에서 검토 단계로 옮길 뿐입니다.
• 첫날부터 실시간 가시성을 확보해 리더가 시스템의 성과를 확인하고 데이터를 바탕으로 확신을 갖고 대응할 수 있도록 하세요.

지급 내역 등록은 시작하기에 가장 적합한 영역 중 하나입니다. 관련 금액이 크고, 그 효과가 실제 수납액에 바로 드러나기 때문입니다. 프로세스를 있는 그대로 파악하고, 조직이 문서화하지 않은 규칙을 시스템에 학습시키며, 모든 청구 건에 대한 통제권을 사람이 유지하면 측정 가능하고 실질적인 성과를 확인할 수 있습니다. 이렇게 처리하면 끈질긴 수작업 병목이던 지급 내역 등록을 비즈니스 규모에 맞춰 확장할 수 있는 프로세스로 바꿀 수 있습니다.