ระบบอัตโนมัติที่ขับเคลื่อนด้วย AI ช่วยแก้คอขวดในการลงรายการชำระเงินได้อย่างไร

อุตสาหกรรมสาธารณสุขใช้เวลาหลายทศวรรษในการเปลี่ยนจากการจัดการการชำระเงินด้วยเอกสารกระดาษ ปัจจุบันผู้จ่ายเงินส่งรายละเอียดการชำระเงินและการปฏิเสธเคลมทางอิเล็กทรอนิกส์ผ่านไฟล์มาตรฐาน Electronic Data Interchange (EDI) 835 ซึ่งช่วยลดการใช้กระดาษและทำให้ทุกฝ่ายทำงานด้วยรูปแบบข้อมูลเดียวกันได้ อย่างไรก็ตาม แม้การกำหนดมาตรฐานข้อมูลจะช่วยลดงานที่ต้องทำด้วยมือไปได้บางส่วน แต่ก็ไม่ได้ทำให้งานทั้งหมดเป็นระบบอัตโนมัติ การรับไฟล์ทางอิเล็กทรอนิกส์ไม่ได้หมายความว่าระบบจะลงรายการชำระเงินให้เอง เมื่อได้รับไฟล์ EDI 835 แล้ว เจ้าหน้าที่ยังคงต้องเปิดไฟล์ อ่านรหัสของผู้จ่ายเงินแต่ละราย ลงรายการชำระเงินทีละบรรทัด และจัดการเคลมที่ถูกปฏิเสธด้วยตนเอง

งานที่ต้องทำด้วยมือนี้มีค่าใช้จ่ายสูง และต้นทุนก็เพิ่มขึ้นเรื่อย ๆ จากผลสำรวจสถานะการเคลมปี 2025 ของ Experian Health ผู้ให้บริการ 41 เปอร์เซ็นต์รายงานว่าเคลมของตนอย่างน้อย 1 ใน 10 รายการถูกปฏิเสธ ขณะที่ Kodiak Solutions ประเมินว่าในปี 2025 ผู้ให้บริการสูญเสียเงินจากการปฏิเสธเคลมและหนี้เสียมากกว่า 48,000 ล้านดอลลาร์ ซึ่งสูงกว่าปีก่อนหน้าประมาณหนึ่งในสี่ ก่อนปิดบัญชี เจ้าหน้าที่ต้องลงรายการ กระทบยอด และจัดการการชำระเงินกับเคลมที่ถูกปฏิเสธทุกรายการ ซึ่งส่วนใหญ่ยังคงทำด้วยมือ

เหตุใดการลงรายการจึงยังต้องทำด้วยมือ

สาเหตุที่การลงรายการยังต้องทำด้วยมือเกี่ยวข้องกับเทคโนโลยีน้อยกว่ากฎเกณฑ์ที่ใช้จัดการงาน ผู้จ่ายเงินแต่ละรายจัดการไฟล์ของตนแตกต่างกัน และกฎก็เปลี่ยนไปตามสถานการณ์และข้อยกเว้นแต่ละกรณี จนกรณีที่ไม่เป็นไปตามรูปแบบทั่วไปเพิ่มขึ้นเร็วกว่าที่ใครจะบันทึกกฎเหล่านั้นได้ กฎจำนวนมากไม่ได้ถูกบันทึกไว้เลย แต่เก็บอยู่ในความทรงจำของเจ้าหน้าที่เรียกเก็บเงินที่มีประสบการณ์เพียงไม่กี่คน ส่งผลให้องค์กรนำกฎเหล่านั้นมาใช้อย่างสม่ำเสมอไม่ได้ และถ่ายทอดให้ระบบได้ยาก เมื่อไม่มีการบันทึกกฎไว้ การพิจารณาเคลมก็ใช้เวลานานขึ้น เคลมที่หลีกเลี่ยงการถูกปฏิเสธได้กลับหลุดรอดไป และการยื่นเคลมครั้งแรกมักเรียกเก็บเงินได้น้อยกว่าที่ควร

โมเดลภาษาขนาดใหญ่ทำอะไรได้จริงในกรณีนี้

ระบบอัตโนมัติแบบดั้งเดิมจัดการเคลมที่ตรงไปตรงมาและคาดการณ์ได้ แต่จะหยุดชะงักเมื่อเจอกรณีอื่น ระบบกฎทำได้เพียงสิ่งที่มีคนตั้งโปรแกรมไว้ล่วงหน้าเท่านั้น เมื่อผู้จ่ายเงินส่งรหัสปรับยอดที่ระบบไม่เคยพบเป็นครั้งแรก เคลมดังกล่าวจะถูกส่งให้เจ้าหน้าที่ตรวจสอบ เนื่องจากผู้จ่ายเงินแต่ละรายมีแนวทางแตกต่างกันมาก เคลมจำนวนมากจึงลงเอยในคิวนี้

โมเดลภาษาขนาดใหญ่ช่วยปิดช่องว่างนี้ได้ เพราะอ่านเคลมได้เหมือนเจ้าหน้าที่เรียกเก็บเงินที่มีประสบการณ์ โดยพิจารณาบริบท ระบุว่าเคลมเป็นประเภทใด กฎของผู้จ่ายเงินรายใดใช้บังคับ และควรจัดการข้อยกเว้นอย่างไร จากนั้นจึงส่งต่อให้ระบบลงรายการชำระเงิน โมเดลช่วยตัดสินใจ ส่วนระบบจะลงรายการชำระเงินด้วยวิธีเดิมทุกครั้ง

สิ่งที่เราสร้างขึ้น

Marlabs สร้างระบบที่ทำงานตามแนวทางนี้ให้กับบริษัทเรียกเก็บเงินด้านสาธารณสุขแห่งหนึ่ง ซึ่งดูแลการชำระเงินให้ผู้ให้บริการการแพทย์ฉุกเฉินทั่วอเมริกาเหนือ บริษัทประมวลผลการชำระเงินประมาณ 85,000 รายการต่อเดือน และทั้งปริมาณงานกับความซับซ้อนของผู้จ่ายเงินก็เพิ่มขึ้นจนทีมไม่สามารถรองรับได้ด้วยการจ้างพนักงานเพิ่ม

ส่วนที่สำคัญที่สุดคือวิธีที่ระบบจัดการกฎซึ่งบริษัทไม่ได้บันทึกไว้ แทนที่จะป้อนคู่มือกฎของผู้จ่ายเงินให้ระบบ ทั้งที่บริษัทไม่มีคู่มือดังกล่าวจริง ๆ เราให้ AI เรียนรู้จากวิธีทำงานของเจ้าหน้าที่เรียกเก็บเงินและจากยอดที่ผู้จ่ายเงินชำระ ระบบเสนอชุดกฎ ทดสอบกฎเหล่านั้นกับผลลัพธ์จริง และปรับให้สอดคล้องกับผลลัพธ์ที่ธุรกิจให้ความสำคัญที่สุด นั่นคือการเรียกเก็บเงินจากประกันให้ได้มากขึ้นตั้งแต่การยื่นเคลมครั้งแรก แทนที่จะต้องยื่นอุทธรณ์หลายรอบ ความรู้ที่เคยอยู่ในความทรงจำของคนเพียงไม่กี่คนกลายเป็นกฎที่บริษัทสามารถมองเห็นและปรับปรุงได้ในที่สุด

มีคนตรวจสอบทุกเคลม

ทุกเคลมยังต้องผ่านการตรวจสอบโดยบุคคลก่อนดำเนินการขั้นสุดท้าย ระบบลงรายการเคลมและแสดงขั้นตอนการทำงาน เพื่อให้ผู้ตรวจสอบเห็นว่า AI ดำเนินการอย่างไรกับเคลมที่ไม่มีปัญหา และอนุมัติได้ภายในไม่กี่วินาที เมื่อ AI ไม่มั่นใจหรือเจ้าหน้าที่เรียกเก็บเงินต้องเข้ามาจัดการ ระบบจะแสดงคำอธิบายอย่างชัดเจนว่าอะไรดูผิดปกติและระบบแนะนำให้ทำอย่างไร ในกรณีเหล่านี้ AI ช่วยให้การตรวจสอบเร็วขึ้น ขณะที่ความรับผิดชอบต่อทุกเคลมยังคงอยู่กับผู้คนและบริษัทตามที่ควร

ผลลัพธ์

ผลลัพธ์ที่ได้เกิดจากการตัดสินใจด้านการออกแบบเหล่านั้น มากกว่าจากเทคโนโลยีเพียงอย่างเดียว ปัจจุบันบริษัทลงรายการชำระเงินได้โดยอัตโนมัติประมาณ 85 เปอร์เซ็นต์ ทำให้ทีมมีเวลาไปจัดการเคลมที่ต้องอาศัยการพิจารณาจริง ๆ มากขึ้น ข้อผิดพลาดในการลงรายการลดลง 95 เปอร์เซ็นต์ และการกระทบยอดระหว่างระบบก็แม่นยำยิ่งขึ้น ทีมจัดการเคลมที่ผู้จ่ายเงินปฏิเสธด้วยเหตุผลเฉพาะของแต่ละรายได้เร็วขึ้น และเป็นครั้งแรกที่ทีมสามารถติดตามข้อยกเว้นและการแก้ไขได้แบบเรียลไทม์ เนื่องจากเราออกแบบกรอบการทำงานให้ขยายระบบได้โดยยังเป็นไปตามข้อกำหนดด้านการปฏิบัติตามกฎระเบียบของผู้จ่ายเงินแต่ละราย การมีปริมาณงานเพิ่มขึ้นจึงไม่จำเป็นต้องเพิ่มจำนวนพนักงาน

สิ่งนี้มีความหมายอย่างไรสำหรับผู้ดูแลวงจรบริหารรายได้

• เริ่มจากงานปริมาณมากที่มีกฎชัดเจน เช่น การลงรายการชำระเงิน หากคุณบันทึกกฎไว้แล้ว ก็ให้นำกฎเหล่านั้นมาใช้ หากยังไม่ได้บันทึก ให้มองว่านี่คือโอกาส แล้วให้ AI ค้นหาและทดสอบกฎโดยอิงจากยอดที่ผู้จ่ายเงินชำระจริง
• ให้มีคนตรวจสอบทุกเคลม ไม่ใช่เฉพาะกรณียกเว้น และให้ AI แสดงขั้นตอนการทำงาน เพื่อให้อนุมัติเคลมที่ไม่มีปัญหาได้ภายในไม่กี่วินาที
• กำหนดให้ AI อธิบายข้อยกเว้นทุกกรณี การแจ้งเตือนที่ไม่มีเหตุผลประกอบเพียงแค่ย้ายคอขวดจากขั้นตอนลงรายการไปอยู่ที่ขั้นตอนตรวจสอบ
• สร้างการมองเห็นข้อมูลแบบเรียลไทม์ตั้งแต่วันแรก เพื่อให้ผู้บริหารเห็นว่าระบบทำงานเป็นอย่างไร และตัดสินใจดำเนินการโดยอาศัยตัวเลขได้อย่างมั่นใจ

การบันทึกรับชำระเงินเป็นจุดเริ่มต้นที่ชัดเจนที่สุดจุดหนึ่ง เพราะเกี่ยวข้องกับยอดเงินจำนวนมาก และเห็นผลตอบแทนได้โดยตรงจากยอดเงินที่เรียกเก็บได้ เมื่อทำแผนผังกระบวนการตามความเป็นจริง สอนระบบให้เข้าใจกฎที่องค์กรไม่เคยเขียนไว้ และให้บุคลากรควบคุมการเรียกร้องสินไหมทุกกรณี คุณก็จะเห็นผลลัพธ์ที่วัดได้และเป็นรูปธรรม เมื่อดำเนินการเช่นนี้ การบันทึกรับชำระเงินจะเปลี่ยนจากคอขวดที่ต้องจัดการด้วยมืออย่างไม่รู้จบ ให้กลายเป็นกระบวนการที่ธุรกิจสามารถขยายได้