Slik kan AI-drevet automatisering løse flaskehalsen i betalingsregistreringen

Helsevesenet har brukt flere tiår på å flytte betalingsbehandlingen bort fra papir. Betalerne sender nå opplysninger om betalinger og avslag elektronisk i en standardfil, Electronic Data Interchange (EDI) 835, som fjernet papirarbeidet og ga alle et felles format å arbeide ut fra. Men selv om standardiseringen av dataene reduserte noe av det manuelle arbeidet, gjorde den ikke arbeidet automatisk. At en fil kommer elektronisk, er ikke det samme som at en betaling blir registrert automatisk. EDI 835-filen kommer inn, men folk må fortsatt åpne den, lese kodene fra hver betaler, registrere betalingene linje for linje og behandle avslagene manuelt.

Dette manuelle arbeidet er kostbart, og kostnadene fortsetter å øke. I Experian Healths undersøkelse State of Claims for 2025 oppga 41 prosent av tjenesteyterne at minst ett av ti krav blir avslått. Kodiak Solutions anslo at tjenesteyterne i 2025 tapte mer enn 48 milliarder dollar på avslag og tap på fordringer, omtrent en fjerdedel mer enn året før. De ansatte må registrere og avstemme hver betaling og behandle hvert avslag før en konto kan gjøres opp, og det meste av dette arbeidet utføres fortsatt manuelt.

Hvorfor betalingsregistreringen fortsatt er manuell

At betalingsregistreringen fortsatt er manuell, skyldes mer reglene enn teknologien. Hver betaler håndterer filene sine forskjellig, og reglene endres med hver situasjon og hvert unntak. Dermed hoper spesialtilfellene seg opp raskere enn noen rekker å dokumentere dem. Mange av reglene blir ikke dokumentert i det hele tatt. De finnes i hodene til noen få erfarne faktureringsmedarbeidere, noe som gjør at organisasjonen verken kan bruke dem konsekvent eller enkelt overføre dem til et system. Når reglene ikke blir dokumentert, tar det lengre tid å behandle kravene, avslag som kunne vært unngått slipper gjennom, og den første innsendingen gir ofte mindre inntekter enn den burde.

Hva store språkmodeller faktisk gjør her

Tradisjonell automatisering håndterer enkle, forutsigbare krav, men stopper opp ved alt annet. En regelmotor gjør bare det noen har programmert den til på forhånd. Første gang en betaler sender en justeringskode systemet ikke har sett før, sendes kravet til en person for gjennomgang. Det er så store forskjeller mellom betalerne at mange krav ender i denne køen.

En stor språkmodell tetter dette gapet fordi den leser et krav slik en erfaren faktureringsmedarbeider gjør. Den tar inn konteksten, finner ut hva kravet gjelder, hvilken regel fra betaleren som gjelder, og hvordan unntak skal håndteres, før den sender kravet videre til systemet som registrerer betalingen. Modellen står for vurderingen, og systemet registrerer betalingen på samme måte hver gang.

Dette bygde vi

Marlabs bygde et system som gjør nettopp dette for et selskap innen helsefakturering som håndterer betalinger for leverandører av akuttmedisinske tjenester over hele Nord-Amerika. Selskapet behandler omtrent 85 000 betalinger i måneden, og både volumet og kompleksiteten i betalernes systemer vokste raskere enn teamet kunne håndtere gjennom nyansettelser.

Det viktigste var hvordan systemet håndterte reglene selskapet ikke hadde dokumentert. I stedet for å fylle systemet med en regelbok for betalerne som selskapet faktisk ikke hadde, lot vi AI-en lære av hvordan faktureringsmedarbeiderne jobbet, og av hva betalerne betalte. Den foreslo regler, testet dem mot faktiske resultater og ble justert for å oppnå det virksomheten er mest opptatt av: å få inn mer av det forsikringen vil betale ved første innsending, i stedet for etter flere runder med klager. Kunnskap som hadde vært samlet hos noen få personer, ble til regler selskapet endelig kunne se og forbedre.

Et menneske gjennomgår hvert krav

Hvert krav går fortsatt gjennom en person før det ferdigstilles. Systemet registrerer kravet og viser hva det har gjort, slik at en kontrollør kan se hvordan AI-en behandlet et ukomplisert krav og godkjenne det på noen få sekunder. Når AI-en er usikker, eller en faktureringsmedarbeider måtte gripe inn, følger det med en tydelig forklaring på hva som så galt ut, og hva systemet anbefaler. I slike tilfeller gjør AI gjennomgangen raskere, samtidig som ansvaret for hvert enkelt krav forblir der det hører hjemme: hos menneskene og selskapet.

Resultatene

Det var disse valgene i utformingen, mer enn teknologien i seg selv, som ga resultatene. Selskapet registrerer nå omtrent 85 prosent av betalingene automatisk, slik at teamet kan bruke tiden på kravene som faktisk krever skjønn. Antallet registreringsfeil gikk ned med 95 prosent, og avstemmingen på tvers av systemer er mer presis. Teamet behandler avslag fra bestemte betalere raskere, og for første gang kan det følge med på unntakene og hvordan de blir løst, mens det skjer. Fordi vi utformet rammeverket slik at det kan skaleres innenfor hver enkelt betalers krav til etterlevelse, krever ikke større volumer lenger flere ansatte.

Hva dette betyr for deg som har ansvar for inntektsprosessen

• Begynn med arbeidsoppgaver med stort volum og faste regler, som betalingsregistrering. Hvis reglene allerede er dokumentert, kan du bruke dem. Hvis ikke, se på det som en mulighet, og la AI finne reglene og teste dem mot det betalerne faktisk betaler.
• La et menneske gjennomgå hvert krav, ikke bare unntakene, og sørg for at AI viser hva den har gjort, slik at et ukomplisert krav bare tar noen sekunder å godkjenne.
• Krev at AI forklarer hvert unntak. Et varsel uten begrunnelse flytter bare flaskehalsen fra registrering til gjennomgang.
• Sørg for innsyn i sanntid fra dag én, slik at ledere kan se hvordan systemet fungerer og handle trygt på grunnlag av tallene.

Registrering av innbetalinger er et av de tydeligste stedene å begynne, fordi beløpene det er snakk om, er store, og avkastningen viser seg direkte i innbetalte beløp. Ved å kartlegge prosessen på en ærlig måte, lære et system reglene organisasjonen aldri skrev ned, og la mennesker ha kontroll over hvert enkelt krav, kan du oppnå målbare, konkrete resultater. Når dette gjøres på denne måten, går registrering av innbetalinger fra å være en fastlåst, manuell flaskehals til å bli en prosess virksomheten kan skalere.