Hoe AI-gestuurde automatisering het knelpunt bij het boeken van betalingen kan oplossen

De zorgsector is al tientallen jaren bezig betalingen niet langer op papier af te handelen. Betalers sturen nu informatie over betalingen en afwijzingen elektronisch via een standaardbestand: Electronic Data Interchange (EDI) 835. Daarmee verdween het papier en kreeg iedereen een gemeenschappelijk formaat om mee te werken. Door de gegevens te standaardiseren nam een deel van het handwerk af, maar het werk werd er niet automatisch van. Dat een bestand elektronisch binnenkomt, betekent niet dat een betaling ook automatisch wordt geboekt. Het EDI 835-bestand komt binnen, waarna medewerkers het nog steeds openen, de codes van elke betaler lezen, de betalingen regel voor regel boeken en de afwijzingen handmatig afhandelen.

Dat handmatige werk is kostbaar, en de kosten blijven stijgen. In de enquête van Experian Health over de stand van zaken rond claims in 2025 meldde 41 procent van de zorgaanbieders dat minstens één op de tien claims wordt afgewezen. Kodiak Solutions schatte dat zorgaanbieders in 2025 meer dan 48 miljard dollar verloren door afwijzingen en oninbare vorderingen, ongeveer een kwart meer dan het jaar ervoor. Medewerkers moeten elke betaling en afwijzing boeken, afstemmen en afhandelen voordat een rekening is vereffend, en het meeste daarvan gebeurt nog altijd handmatig.

Waarom betalingen nog steeds handmatig worden geboekt

Dat betalingen nog steeds handmatig worden geboekt, heeft minder met technologie te maken dan met de regels zelf. Elke betaler verwerkt bestanden op een andere manier, en de regels veranderen per situatie en uitzondering. Daardoor stapelen uitzonderingsgevallen zich sneller op dan iemand ze kan vastleggen. Veel van die regels zijn helemaal niet opgeschreven. Ze zitten in het hoofd van een paar ervaren declaratiemedewerkers. Daardoor kan de organisatie ze niet consequent toepassen en ook niet eenvoudig aan een systeem overdragen. Als de regels niet worden vastgelegd, duurt het langer voordat claims worden afgehandeld, glippen vermijdbare afwijzingen erdoorheen en levert de eerste indiening vaak minder op dan mogelijk was geweest.

Wat grote taalmodellen hier daadwerkelijk doen

Traditionele automatisering verwerkt eenvoudige, voorspelbare claims, maar loopt vast bij al het andere. Een regelsysteem doet alleen wat iemand er vooraf in heeft geprogrammeerd. De eerste keer dat een betaler een aanpassingscode verstuurt die het systeem nog niet kent, wordt de claim doorgestuurd naar een medewerker voor beoordeling. Betalers verschillen genoeg van elkaar om ervoor te zorgen dat een groot deel van de claims in die wachtrij belandt.

Een groot taalmodel dicht dat gat, omdat het een claim leest zoals een ervaren declaratiemedewerker dat doet. Het neemt de context in zich op, bepaalt wat voor claim het is, welke regel van de betaler van toepassing is en hoe uitzonderingen moeten worden afgehandeld, en geeft de claim vervolgens door aan het systeem dat de betaling boekt. Het model levert het beoordelingsvermogen; het systeem boekt de betaling telkens op dezelfde manier.

Wat we hebben gebouwd

Marlabs bouwde zo’n systeem voor een bedrijf dat zorgdeclaraties verwerkt en betalingen afhandelt voor aanbieders van spoedeisende medische zorg in Noord-Amerika. Het bedrijf verwerkt ongeveer 85.000 betalingen per maand. Zowel het volume als de complexiteit van de verschillende betalers groeide sneller dan het team met nieuwe medewerkers kon bijbenen.

Het belangrijkste was hoe het systeem omging met regels die het bedrijf niet had vastgelegd. In plaats van het systeem te vullen met een regelboek voor betalers dat het bedrijf helemaal niet had, lieten we de AI leren van de werkwijze van de declaratiemedewerkers en van wat de betalers uitbetaalden. De AI stelde regels voor, toetste die aan werkelijke uitkomsten en stuurde bij op het resultaat dat voor het bedrijf het belangrijkst is: bij de eerste indiening meer innen van wat de verzekeraar wil vergoeden, in plaats van pas na meerdere bezwaarprocedures. Kennis die in het hoofd van een paar mensen zat, werd omgezet in regels die het bedrijf eindelijk kon inzien en verbeteren.

Een medewerker beoordeelt elke claim

Voordat een claim definitief wordt, beoordeelt een medewerker deze altijd. Het systeem verwerkt de claim en laat zien wat het heeft gedaan, zodat een beoordelaar kan zien hoe de AI een eenvoudige claim heeft afgehandeld en die binnen enkele seconden kan goedkeuren. Als de AI twijfelt of een declaratiemedewerker heeft moeten ingrijpen, bevat de claim een duidelijke uitleg van wat er mis lijkt te zijn en wat het systeem aanbeveelt. In zulke gevallen versnelt AI de beoordeling, terwijl de verantwoordelijkheid voor elke claim blijft waar die hoort: bij de mensen en het bedrijf.

De resultaten

Deze ontwerpkeuzes, en niet zozeer de technologie op zichzelf, leverden de resultaten op. Het bedrijf boekt nu ongeveer 85 procent van de betalingen automatisch, waardoor het team tijd kan besteden aan claims waarvoor daadwerkelijk menselijk beoordelingsvermogen nodig is. Het aantal boekingsfouten daalde met 95 procent en de afstemming tussen systemen verloopt soepeler. Het team handelt afwijzingen van specifieke betalers sneller af en kan voor het eerst zien welke uitzonderingen zich voordoen en hoe die worden opgelost, terwijl dat gebeurt. Omdat we het raamwerk zo hebben ontworpen dat het binnen de nalevingsvereisten van elke betaler kan meegroeien, leidt een groter volume niet langer tot de noodzaak om meer personeel aan te nemen.

Wat dit betekent als u een omzetcyclus beheert

• Begin met werk met een groot volume en vaste regels, zoals het boeken van betalingen. Zijn uw regels al gedocumenteerd, gebruik ze dan. Zijn ze dat niet, beschouw dat dan als een kans en laat de AI de regels achterhalen en toetsen aan wat betalers daadwerkelijk uitbetalen.
• Zorg ervoor dat een medewerker elke claim beoordeelt, niet alleen de uitzonderingen, en laat de AI laten zien wat het heeft gedaan, zodat een eenvoudige claim in slechts enkele seconden kan worden goedgekeurd.
• Verplicht de AI om elke uitzondering toe te lichten. Een melding zonder reden verplaatst het knelpunt alleen maar van het boeken naar de beoordeling.
• Zorg vanaf dag één voor realtime inzicht, zodat leidinggevenden kunnen zien hoe het systeem presteert en met vertrouwen op basis van de cijfers kunnen handelen.

Het boeken van betalingen is een van de duidelijkste plekken om te beginnen, omdat het om grote bedragen gaat en het rendement direct zichtbaar is in de geïnde bedragen. Door het proces eerlijk in kaart te brengen, een systeem de regels te leren die een organisatie nooit heeft vastgelegd en mensen de controle te laten houden over elke declaratie, kunt u meetbare, tastbare resultaten behalen. Als u het op die manier aanpakt, verandert het boeken van betalingen van een hardnekkig handmatig knelpunt in een proces dat het bedrijf op grotere schaal kan toepassen.