Så kan AI-driven automatisering lösa flaskhalsen vid registrering av betalningar

Vården har i årtionden arbetat med att lämna pappershanteringen av betalningar bakom sig. Betalare skickar nu uppgifter om betalningar och avslag elektroniskt i en standardfil, Electronic Data Interchange (EDI) 835, vilket har tagit bort pappershanteringen och gett alla ett gemensamt format att arbeta med. Men även om standardiseringen av data minskade en del av det manuella arbetet gjorde den inte arbetet automatiskt. Att en fil kommer in elektroniskt är inte detsamma som att betalningen registreras automatiskt. EDI 835-filen kommer in, men personalen måste fortfarande öppna den, läsa varje betalares koder, registrera betalningarna rad för rad och hantera avslagen manuellt.

Det manuella arbetet är kostsamt, och kostnaderna fortsätter att stiga. I Experian Healths undersökning State of Claims 2025 uppgav 41 procent av vårdgivarna att minst ett av tio ersättningsanspråk avslås, och Kodiak Solutions uppskattade att vårdgivare förlorade mer än 48 miljarder dollar på grund av avslag och osäkra fordringar under 2025, ungefär en fjärdedel mer än året dessförinnan. Personalen måste registrera och stämma av varje betalning och hantera varje avslag innan ett konto slutregleras, och det mesta av arbetet utförs fortfarande manuellt.

Därför sker registreringen fortfarande manuellt

Att registreringen fortfarande sker manuellt beror mindre på tekniken än på själva reglerna. Varje betalare hanterar sina filer på olika sätt, och reglerna ändras beroende på situation och undantag, så att specialfallen blir fler snabbare än någon hinner dokumentera dem. Många av reglerna finns inte nedskrivna alls. De finns i huvudet på ett fåtal erfarna faktureringshandläggare, vilket innebär att organisationen inte kan tillämpa dem konsekvent eller enkelt överföra dem till ett system. När reglerna inte dokumenteras tar det längre tid att hantera ersättningsanspråk, avslag som hade kunnat undvikas slinker igenom och den första inlämningen ger ofta mindre betalt än den borde.

Vad stora språkmodeller faktiskt gör här

Traditionell automatisering hanterar de okomplicerade och förutsägbara ersättningsanspråken, men kör fast i allt annat. En regelmotor gör bara det som någon har programmerat in i förväg. Första gången en betalare skickar en justeringskod som systemet inte känner igen skickas ersättningsanspråket till en person för granskning. Betalarna skiljer sig tillräckligt mycket åt för att en stor andel av ersättningsanspråken hamnar i den kön.

En stor språkmodell överbryggar den klyftan genom att läsa ett ersättningsanspråk på samma sätt som en erfaren faktureringshandläggare. Den tar in sammanhanget, avgör vad anspråket gäller, vilken regel från betalaren som gäller och hur undantag ska hanteras, och lämnar sedan över det till systemet som registrerar betalningen. Modellen står för bedömningen, och systemet registrerar betalningen på samma sätt varje gång.

Vad vi byggde

Marlabs byggde ett system som gör precis detta åt ett faktureringsföretag inom vården som hanterar betalningar för leverantörer av akutsjukvård i Nordamerika. Företaget hanterar omkring 85 000 betalningar i månaden, och både volymen och komplexiteten i betalarnas krav hade vuxit bortom vad teamet kunde hantera i takt med verksamheten genom nyanställningar.

Det viktigaste var hur systemet hanterade de regler som företaget inte hade dokumenterat. I stället för att mata in en regelbok för betalare som företaget faktiskt inte hade lät vi AI:n lära sig av hur faktureringshandläggarna arbetade och av vad betalarna faktiskt betalade. AI:n föreslog regler, testade dem mot verkliga utfall och finjusterade dem för att nå det resultat som är viktigast för verksamheten: att få in mer av det som försäkringen betalar redan vid den första inlämningen, i stället för efter flera överklaganderundor. Kunskap som tidigare bara fanns i huvudet på några få personer blev till regler som företaget äntligen kunde se över och förbättra.

En person granskar varje ersättningsanspråk

Varje ersättningsanspråk granskas fortfarande av en person innan det slutbehandlas. Systemet registrerar anspråket och visar sitt arbete, så att granskaren kan se vad AI:n gjorde med ett okomplicerat anspråk och godkänna det på några sekunder. När AI:n är osäker, eller när en faktureringshandläggare behövde ingripa, innehåller anspråket en tydlig förklaring av vad som verkade fel och vad systemet rekommenderar. I sådana fall gör AI granskningen snabbare, samtidigt som ansvaret för varje ersättningsanspråk ligger där det hör hemma: hos människorna och företaget.

Resultaten

Det var dessa designval, snarare än tekniken i sig, som gav resultaten. Företaget registrerar nu omkring 85 procent av sina betalningar automatiskt, vilket frigör tid för teamet att arbeta med de ersättningsanspråk som verkligen kräver en bedömning. Registreringsfelen minskade med 95 procent, och avstämningen mellan systemen fungerar smidigare. Teamet hanterar avslag som är specifika för olika betalare snabbare, och för första gången kan det följa undantagen och hur de löses i realtid. Eftersom vi utformade ramverket så att det kan skalas upp i enlighet med varje betalares krav på regelefterlevnad innebär större volymer inte längre att fler anställda behövs.

Vad det här innebär för dig som ansvarar för intäktscykeln

• Börja med arbetsuppgifter som innebär stora volymer och styrs av regler, till exempel registrering av betalningar. Om reglerna redan är dokumenterade kan du använda dem. Om de inte är det, se det som en möjlighet och låt AI:n hitta reglerna och testa dem mot vad betalarna faktiskt betalar.
• Låt en person granska varje ersättningsanspråk, inte bara undantagen, och låt AI:n visa sitt arbete så att ett okomplicerat anspråk bara tar några sekunder att godkänna.
• Kräv att AI:n förklarar varje undantag. En flagga utan förklaring flyttar bara flaskhalsen från registrering till granskning.
• Bygg in insyn i realtid från dag ett så att ledningen kan se hur systemet presterar och tryggt agera utifrån siffrorna.

Registrering av betalningar är ett av de tydligaste områdena att börja med, eftersom det rör sig om stora belopp och resultatet märks direkt i inbetalda medel. Genom att kartlägga processen som den faktiskt ser ut, lära ett system regler som organisationen aldrig har dokumenterat och låta människor behålla kontrollen över varje ersättningsanspråk kan man se mätbara, konkreta resultat. Med det arbetssättet förvandlas registreringen av betalningar från en envis manuell flaskhals till en process som verksamheten kan skala upp.