Yapay Zekâ Destekli Otomasyon Ödeme Kaydı Darboğazını Nasıl Çözebilir?

Sağlık sektörü, ödemelerini kâğıt ortamından çıkarmak için onlarca yıl harcadı. Ödeme yapan kuruluşlar artık ödeme ve ret ayrıntılarını, kâğıt kullanımını ortadan kaldıran ve herkesin üzerinde çalışabileceği ortak bir format sağlayan standart bir dosya olan Electronic Data Interchange (EDI) 835 aracılığıyla elektronik olarak iletiyor. Ancak verilerin standartlaştırılması elle yapılan işlerin bir kısmını azaltsa da süreci otomatik hâle getirmedi. Bir dosyanın elektronik olarak gelmesi, ödemenin sisteme kaydedildiği anlamına gelmiyor. EDI 835 dosyası sisteme ulaşıyor; ancak çalışanlar dosyayı hâlâ açıyor, her ödeme yapan kuruluşun kodlarını okuyor, ödemeleri satır satır kaydediyor ve retleri elle işliyor.

Bu manuel iş pahalı ve maliyeti giderek artıyor. Experian Health’in 2025 Taleplerin Durumu anketinde, sağlık hizmeti sunucularının yüzde 41’i taleplerinin en az onda birinin reddedildiğini bildirdi. Kodiak Solutions ise sağlık hizmeti sunucularının retler ve tahsili şüpheli alacaklar nedeniyle 2025’te 48 milyar dolardan fazla kayba uğradığını; bu tutarın bir önceki yıla göre yaklaşık dörtte bir daha yüksek olduğunu tahmin etti. Bir hesabın kapatılabilmesi için çalışanların her ödemeyi ve reddi kaydetmesi, mutabakatını yapması ve işlemesi gerekiyor; bunların çoğu hâlâ elle yapılıyor.

Ödeme Kaydı Neden Hâlâ Manuel Yapılıyor?

Ödeme kaydının hâlâ manuel yapılmasının nedeni teknolojiden çok kuralların kendisiyle ilgili. Her ödeme yapan kuruluş dosyalarını farklı biçimde işliyor; kurallar da her duruma ve istisnaya göre değişiyor. Bu nedenle sıra dışı durumlar, herhangi birinin bunları yazıya dökebileceğinden daha hızlı birikiyor. Üstelik bu kuralların çoğu hiç yazılı hâle getirilmemiş. Birkaç deneyimli faturalama uzmanının zihninde yaşayan bu kurallar, kuruluşun bunları tutarlı biçimde uygulayamaması ve kolayca bir sisteme aktaramaması anlamına geliyor. Kurallar kayıt altına alınmadığında taleplerin sonuçlanması uzuyor, önlenebilir retler gözden kaçıyor ve ilk başvuruda çoğu zaman tahsil edilmesi gerekenden daha azı tahsil ediliyor.

Büyük Dil Modelleri Burada Gerçekte Ne İşe Yarıyor?

Geleneksel otomasyon, sorunsuz ve öngörülebilir talepleri işler; diğer durumlarda ise tıkanır. Kural motoru yalnızca önceden programlandığı işlemleri yapar. Bir ödeme yapan kuruluşun daha önce karşılaşmadığı bir düzeltme kodu göndermesi hâlinde talep, incelenmek üzere bir çalışana yönlendirilir. Ödeme yapan kuruluşlar arasındaki farklılıklar o kadar fazla ki taleplerin büyük bir bölümü bu inceleme kuyruğuna düşüyor.

Büyük dil modeli, bir talebi deneyimli bir faturalama uzmanı gibi okuyarak bu boşluğu kapatıyor. Bağlamı değerlendiriyor; talebin ne olduğunu, hangi ödeme yapan kuruluşun kuralının geçerli olduğunu ve istisnaların nasıl ele alınacağını belirliyor; ardından talebi ödemeyi kaydeden sisteme iletiyor. Model değerlendirme yeteneği sağlıyor, sistem de ödemeyi her seferinde aynı şekilde kaydediyor.

Geliştirdiğimiz Sistem

Marlabs, Kuzey Amerika genelinde acil sağlık hizmeti sunucularının ödemelerini işleyen bir sağlık hizmetleri faturalama şirketi için tam da bunu yapan bir sistem geliştirdi. Şirket ayda yaklaşık 85.000 ödeme işliyor; işlem hacmi ve ödeme yapan kuruluşların yarattığı karmaşıklık, ek personel alarak ekibin yetişebileceği düzeyi aşmaya başlamıştı.

En önemli nokta, sistemin şirketin yazılı hâle getirmediği kuralları nasıl ele aldığıydı. Şirkette gerçekte bulunmayan bir ödeme yapan kuruluş kural kitabını sisteme yüklemek yerine, yapay zekânın faturalama uzmanlarının çalışma biçiminden ve ödeme yapan kuruluşların yaptığı ödemelerden öğrenmesini sağladık. Yapay zekâ kurallar önerdi, bunları gerçek sonuçlarla sınadı ve işletmenin en çok önem verdiği sonuca ulaşacak şekilde ayarlamalar yaptı: itiraz süreçlerinin birkaç turundan sonra değil, ilk başvuruda sigortanın karşılayacağı tutarın daha fazlasını tahsil etmek. Birkaç kişinin zihninde yaşayan bilgi, şirketin artık görebildiği ve geliştirebildiği kurallara dönüştü.

Her Talep Bir Kişi Tarafından İnceleniyor

Son hâlini almadan önce her talep yine bir çalışanın önünden geçiyor. Sistem talebi kaydediyor ve yaptığı işlemleri gösteriyor; böylece incelemeyi yapan kişi, sorunsuz bir talepte yapay zekânın ne yaptığını görebiliyor ve talebi birkaç saniye içinde onaylayabiliyor. Yapay zekâ emin olmadığında veya bir faturalama uzmanının müdahale etmesi gerektiğinde, talebe neyin yanlış göründüğünü ve sistemin ne önerdiğini açıkça anlatan bir açıklama ekleniyor. Bu durumlarda yapay zekâ incelemeyi hızlandırırken her talebin hesabını verme sorumluluğu olması gereken yerde, yani çalışanlarda ve şirkette kalıyor.

Sonuçlar

Sonuçları, tek başına teknolojiden çok bu tasarım tercihleri sağladı. Şirket artık ödemelerinin yaklaşık yüzde 85’ini otomatik olarak kaydediyor; böylece ekip, gerçekten değerlendirme gerektiren taleplere zaman ayırabiliyor. Ödeme kaydı hataları yüzde 95 azaldı ve sistemler arasındaki mutabakat daha sağlıklı hâle geldi. Ekip, ödeme yapan kuruluşlara özgü retleri daha hızlı çözüyor ve ilk kez istisnaları ve bunların nasıl çözüldüğünü gerçekleştiği anda izleyebiliyor. Çerçeveyi her ödeme yapan kuruluşun uyumluluk gereklilikleri doğrultusunda ölçeklenecek şekilde tasarladığımız için işlem hacminin artması artık daha fazla personel gerektirmiyor.

Gelir Döngüsünü Yönetenler İçin Bunun Anlamı

• Ödeme kaydı gibi, işlem hacmi yüksek ve kurallara bağlı işlerle başlayın. Kurallarınız zaten belgelenmişse bunları kullanın. Belgelenmemişlerse bunu bir fırsat olarak görün ve yapay zekânın kuralları bulup ödeme yapan kuruluşların gerçekte ne kadar ödeme yaptığına göre sınamasını sağlayın.
• Yalnızca istisnaları değil, her talebi bir çalışanın incelemesini sağlayın. Yapay zekâdan yaptığı işlemleri göstermesini isteyin; böylece sorunsuz bir talebin onaylanması yalnızca birkaç saniye sürer.
• Yapay zekânın her istisnayı açıklamasını zorunlu tutun. Nedeni belirtilmeyen bir uyarı, darboğazı ödeme kaydından incelemeye taşımaktan başka işe yaramaz.
• Liderlerin sistemin nasıl performans gösterdiğini görebilmesi ve verilere güvenle dayanarak harekete geçebilmesi için ilk günden itibaren gerçek zamanlı görünürlük sağlayın.

Ödeme kaydı, işe başlamak için en açık alanlardan biridir; çünkü söz konusu tutarlar büyüktür ve getirisi doğrudan tahsil edilen nakit tutarına yansır. Süreci gerçekçi biçimde haritalandırarak, sisteme bir kuruluşun hiçbir zaman yazılı hâle getirmediği kuralları öğreterek ve her talebin denetimini insanlarda tutarak ölçülebilir, somut sonuçlar elde edebilirsiniz. Bu şekilde yürütüldüğünde ödeme kaydı, inatçı bir manuel darboğaz olmaktan çıkar ve işletmenin ölçeklendirebileceği bir sürece dönüşür.