Лідери думок

Як автоматизація на основі ШІ може усунути вузьке місце в рознесенні платежів

mm
Додайте Unite.AI до бажаних джерел у Google

Сфера охорони здоров’я десятиліттями переводила платежі з паперового формату в електронний. Тепер платники надсилають дані про платежі та відмови в стандартному файлі Electronic Data Interchange (EDI) 835, що усунуло паперовий документообіг і дало всім спільний формат для роботи. Та хоча стандартизація даних зменшила обсяг ручної праці, вона не зробила роботу автоматичною. Надходження файла в електронному вигляді — це ще не те саме, що автоматичне рознесення платежу. Файл EDI 835 надходить, але люди все одно відкривають його, читають коди кожного платника, розносять платежі по одному рядку й вручну опрацьовують відмови.

Ручна робота дорого коштує, і ці витрати постійно зростають. В опитуванні Experian Health «State of Claims» за 2025 рік 41 відсоток постачальників медичних послуг повідомив, що відхиляють щонайменше одну з десяти їхніх вимог; за оцінками Kodiak Solutions, у 2025 році постачальники втратили понад 48 млрд доларів через відмови та безнадійну заборгованість — приблизно на чверть більше, ніж роком раніше. Перш ніж рахунок буде закрито, працівники мають рознести й звірити кожен платіж та опрацювати кожну відмову, і більшість цієї роботи досі виконують вручну.

Чому платежі досі розносять вручну

Причина, з якої платежі досі розносять вручну, пов’язана радше з самими правилами, ніж із технологіями. Кожен страховик працює зі своїми файлами по-різному, а правила змінюються залежно від ситуацій і винятків, тож нестандартні випадки накопичуються швидше, ніж хтось встигає їх задокументувати. Багато правил узагалі ніде не зафіксовано. Вони зберігаються в головах кількох досвідчених фахівців із виставлення рахунків, а це означає, що організація не може послідовно їх застосовувати й не може легко передати системі. Якщо правила не зафіксовано, опрацювання вимог триває довше, помилкових відмов, яких можна було б уникнути, не вдається запобігти, а за першою подачею часто отримують менше, ніж мали б.

Що насправді роблять тут великі мовні моделі

Традиційна автоматизація справляється з простими й передбачуваними вимогами, але не дає ради з усім іншим. Механізм правил виконує лише те, що хтось заздалегідь запрограмував. Щойно страховик уперше надсилає невідомий системі код коригування, вимогу передають людині на перевірку. Відмінності між страховиками настільки значні, що велика частка вимог зрештою потрапляє в цю чергу.

Велика мовна модель усуває цю прогалину, оскільки аналізує вимогу так само, як досвідчений фахівець із виставлення рахунків. Вона враховує контекст; визначає, що це за вимога, яке правило страховика застосувати та як опрацювати винятки; а потім передає її системі, що розносить платіж. Модель забезпечує ухвалення рішення, а система щоразу розносить платіж однаково.

Що ми створили

Marlabs створила саме таку систему для компанії, що спеціалізується на медичних розрахунках і обробляє платежі для постачальників послуг екстреної медичної допомоги по всій Північній Америці. Компанія обробляє близько 85 000 платежів на місяць, а їхній обсяг і складність роботи зі страховиками зростали швидше, ніж команда могла встигати за ними завдяки найму нових працівників.

Найважливішим було те, як система опрацьовувала правила, які компанія не задокументувала. Замість того щоб завантажувати в неї звід правил страховиків, якого в компанії насправді не було, ми навчили ШІ на прикладах роботи фахівців із виставлення рахунків і фактично здійснених страховиками виплат. ШІ пропонував правила, перевіряв їх на реальних результатах і налаштовував систему на результат, який найбільше важить для бізнесу: отримувати від страховиків більше належних виплат уже після першої подачі, а не після кількох раундів оскарження. Знання, що зберігалися в головах кількох людей, стали правилами, які компанія нарешті змогла бачити й удосконалювати.

Людина перевіряє кожну вимогу

Перш ніж остаточно опрацювати вимогу, її все одно перевіряє людина. Система розносить платіж за вимогою та показує, як дійшла висновку, щоб перевіряльник міг побачити, що саме ШІ зробив із простою вимогою, і схвалити результат за кілька секунд. Якщо ШІ не впевнений або фахівцеві з виставлення рахунків довелося втрутитися, до вимоги додається зрозуміле пояснення, що здалося неправильним і що рекомендує система. У таких випадках ШІ пришвидшує перевірку, а відповідальність за кожну вимогу залишається там, де їй і належить бути: за людьми та компанією.

Результати

Результат забезпечили передусім ці проєктні рішення, а не сама по собі технологія. Тепер компанія автоматично розносить близько 85 відсотків платежів, тож команда може приділяти час вимогам, які справді потребують фахового рішення. Кількість помилок під час рознесення платежів скоротилася на 95 відсотків, а звіряння даних між системами стало точнішим. Команда швидше опрацьовує відмови, пов’язані з конкретними страховиками, і вперше може відстежувати винятки та їх вирішення в міру того, як вони виникають. Оскільки ми розробили платформу так, щоб її можна було масштабувати з дотриманням вимог кожного страховика, збільшення обсягу роботи більше не потребує розширення штату.

Що це означає для керівників циклу доходів

  • Починайте з великого обсягу роботи, що регулюється правилами, наприклад із рознесення платежів. Якщо ваші правила вже задокументовано — використовуйте їх. Якщо ні — перетворіть це на можливість: доручіть ШІ виявити правила й перевірити їх на основі фактичних виплат страховиків.
  • Залучайте людину до перевірки кожної вимоги, а не лише винятків, і вимагайте, щоб ШІ показував, як дійшов висновку, — тоді на схвалення простої вимоги знадобиться лише кілька секунд.
  • Вимагайте від ШІ пояснення кожного винятку. Прапорець без пояснення лише переносить вузьке місце з рознесення платежів на перевірку.
  • Із самого першого дня забезпечте видимість роботи системи в реальному часі, щоб керівники могли бачити, як вона працює, і впевнено ухвалювати рішення на основі даних.

Рознесення платежів — один із найочевидніших напрямів для початку, адже йдеться про значні суми, а результат безпосередньо відображається в обсязі отриманих коштів. Якщо чесно описати процес, навчити систему правил, які організація ніколи не фіксувала письмово, і залишити контроль над кожною страховою вимогою за людьми, можна отримати вимірювані, відчутні результати. За такого підходу рознесення платежів перестає бути впертим вузьким місцем ручної роботи й перетворюється на процес, який бізнес може масштабувати.

Brian Rowe — старший віцепрезидент із питань ШІ та машинного навчання в Marlabs. Маючи 30 років досвіду та 2 200 співробітників, компанія Marlabs, що базується в Нью-Йорку, є партнером із трансформації за допомогою ШІ та допомагає організаціям зі списку Fortune 500 впроваджувати ШІ у свою діяльність і створювати тривалу, вимірювану цінність у різних галузях.