Como a automação com IA pode resolver o gargalo no lançamento de pagamentos

O setor de saúde passou décadas transferindo seus pagamentos do papel para o meio eletrônico. Agora, as operadoras enviam eletronicamente os detalhes dos pagamentos e das glosas por meio de um arquivo padrão, o Intercâmbio Eletrônico de Dados (EDI) 835, que eliminou o papel e forneceu a todos um formato comum de trabalho. Mas, embora a padronização dos dados tenha reduzido parte do trabalho manual, ela não tornou o processo automático. Receber um arquivo eletronicamente não é o mesmo que lançar um pagamento. O arquivo EDI 835 chega, mas as pessoas ainda precisam abri-lo, ler os códigos de cada operadora, lançar os pagamentos linha por linha e tratar as glosas manualmente.

Esse trabalho manual é caro, e seu custo continua aumentando. Na pesquisa State of Claims 2025 da Experian Health, 41% dos prestadores de serviços de saúde relataram que pelo menos uma em cada dez de suas solicitações de pagamento é negada, e a Kodiak Solutions estimou que, em 2025, os prestadores perderam mais de US$ 48 bilhões com glosas e dívidas incobráveis — cerca de um quarto a mais do que no ano anterior. A equipe precisa lançar e conciliar cada pagamento e tratar cada glosa antes que uma conta seja liquidada, e a maior parte desse trabalho ainda é feita manualmente.

Por que o lançamento de pagamentos continua manual

O motivo de o lançamento de pagamentos continuar sendo manual tem menos a ver com a tecnologia do que com as próprias regras. Cada operadora processa os arquivos de um jeito, e as regras mudam conforme cada situação e exceção, fazendo com que os casos atípicos se acumulem mais rápido do que alguém consegue documentá-los. Muitas dessas regras nem sequer estão documentadas. Elas ficam na cabeça de alguns profissionais experientes de faturamento, o que impede a organização de aplicá-las de maneira consistente e dificulta transferi-las para um sistema. Quando as regras não são registradas, as solicitações demoram mais para ser processadas, glosas evitáveis passam despercebidas e, muitas vezes, a primeira solicitação recebe menos do que deveria.

O que os grandes modelos de linguagem realmente fazem nesse contexto

A automação tradicional dá conta das solicitações simples e previsíveis, mas emperra diante de todo o resto. Um mecanismo de regras só faz aquilo para o qual alguém o programou com antecedência. Na primeira vez que uma operadora envia um código de ajuste que o sistema nunca encontrou, a solicitação é encaminhada a uma pessoa para análise. Como há muitas diferenças entre as operadoras, uma grande parcela das solicitações acaba nessa fila.

Um grande modelo de linguagem preenche essa lacuna porque lê uma solicitação como faria um profissional experiente de faturamento. Ele considera o contexto, identifica do que se trata a solicitação, qual regra da operadora se aplica e como lidar com as exceções, e encaminha o caso ao sistema que lança o pagamento. O modelo fornece o discernimento, e o sistema lança o pagamento sempre da mesma maneira.

O que desenvolvemos

A Marlabs desenvolveu um sistema que faz exatamente isso para uma empresa de faturamento na área da saúde que processa pagamentos para prestadores de serviços médicos de emergência em toda a América do Norte. A empresa processa cerca de 85.000 pagamentos por mês, e tanto o volume quanto a complexidade das operadoras estavam crescendo além da capacidade da equipe de acompanhá-los por meio de contratações.

O aspecto mais importante foi a maneira como o sistema lidou com as regras que a empresa não havia documentado. Em vez de carregá-lo com um manual de regras das operadoras que a empresa, na verdade, não tinha, fizemos com que a IA aprendesse com a forma como os profissionais de faturamento trabalhavam e com os pagamentos feitos pelas operadoras. A IA propôs regras, testou-as com base em resultados reais e as ajustou para priorizar o resultado que mais importa para a empresa: receber uma parcela maior do que o seguro cobre já na primeira solicitação, em vez de após várias rodadas de recursos. O conhecimento que estava na cabeça de algumas pessoas se transformou em regras que a empresa finalmente podia consultar e aprimorar.

Uma pessoa analisa cada solicitação

Cada solicitação ainda passa por uma pessoa antes de ser finalizada. O sistema processa a solicitação e mostra como chegou ao resultado, para que um revisor possa ver o que a IA fez em um caso simples e aprová-lo em poucos segundos. Quando a IA não tem certeza ou quando um profissional de faturamento precisou intervir, a solicitação vem acompanhada de uma explicação clara do que pareceu estar errado e do que o sistema recomenda. Nesses casos, a IA agiliza a análise, enquanto a responsabilidade por cada solicitação permanece onde deve estar: com as pessoas e a empresa.

Os resultados

Foram essas decisões de projeto, mais do que a tecnologia por si só, que produziram os resultados. Agora, a empresa lança automaticamente cerca de 85% dos pagamentos, liberando a equipe para se dedicar às solicitações que realmente exigem discernimento. Os erros de lançamento diminuíram 95%, e a conciliação entre sistemas ficou mais precisa. A equipe resolve mais rapidamente as glosas específicas de cada operadora e, pela primeira vez, consegue acompanhar suas exceções e respectivas resoluções à medida que ocorrem. Como projetamos a estrutura para se adaptar aos requisitos de conformidade de cada operadora, o aumento do volume já não exige uma equipe maior.

O que isso significa para quem administra o ciclo de receita

• Comece por tarefas de grande volume e regidas por regras, como o lançamento de pagamentos. Se suas regras já estiverem documentadas, use-as. Se não estiverem, encare isso como uma oportunidade e deixe que a IA as identifique e teste com base no que as operadoras realmente pagam.
• Mantenha uma pessoa responsável por cada solicitação, não apenas pelas exceções, e faça com que a IA mostre como chegou ao resultado, para que uma solicitação simples leve apenas alguns segundos para ser aprovada.
• Exija que a IA explique cada exceção. Um alerta sem justificativa apenas desloca o gargalo do lançamento para a análise.
• Inclua visibilidade em tempo real desde o primeiro dia, para que os líderes possam ver o desempenho do sistema e tomar decisões com confiança com base nos números.

O lançamento de pagamentos é um dos pontos mais claros para começar, porque os valores envolvidos são altos e o retorno se reflete diretamente no dinheiro recebido. Ao mapear o processo com precisão, ensinar ao sistema regras que a organização nunca formalizou e manter as pessoas no controle de cada solicitação, é possível obter resultados mensuráveis e concretos. Feito dessa forma, o lançamento de pagamentos deixa de ser um gargalo manual persistente e se transforma em um processo que a empresa pode expandir.