人工智能驱动的自动化如何打破支付入账瓶颈

医疗行业花了几十年时间，才逐步摆脱纸质支付流程。如今，支付方通过标准文件 Electronic Data Interchange (EDI) 835，以电子方式发送支付和拒付详情。这种方式省去了纸质文件，也为所有相关方提供了统一的处理格式。但数据标准化虽然减少了一些人工操作，并没有让整个流程实现自动化。电子文件送达，并不等于支付款项已经自动入账。EDI 835 文件传来后，仍然需要有人打开文件、查看每个支付方的代码、逐笔录入支付款项，并手动处理拒付。

这类人工操作成本高昂，而且成本还在不断上升。在 Experian Health《2025 年理赔状况调查》中，41% 的医疗服务提供方表示，其理赔中至少每十笔就有一笔遭到拒付；Kodiak Solutions 估计，2025 年，医疗服务提供方因拒付和坏账损失超过 480 亿美元，比前一年大约增加四分之一。账户结清之前，员工必须完成每笔支付和拒付的入账、对账与处理，而其中大部分工作仍靠人工完成。

为什么支付入账仍依赖人工

支付入账之所以仍依赖人工，原因与其说在于技术，不如说在于规则本身。每个支付方处理文件的方式都不一样，规则也会随具体情形和例外情况而变化，导致边缘案例层出不穷，快得来不及一一记录。许多规则甚至从未被写下来，而是记在少数资深账单处理人员的脑子里。这意味着机构既无法始终如一地应用这些规则，也难以将规则交给系统处理。规则没有被记录下来，理赔就需要更长时间才能完成审核，可避免的拒付也会漏网，而且首次提交时收到的款项往往低于应收金额。

大型语言模型在这里究竟发挥什么作用

传统自动化可以处理清晰、可预测的理赔，却会在其他情况下停滞不前。规则引擎只能执行事先由人编入的规则。支付方第一次发送系统从未见过的调整代码时，这笔理赔就会转交给人工审核。支付方之间的差异如此之大，以至于大量理赔最终都会进入这一待处理队列。

大型语言模型能够弥补这一缺口，因为它像经验丰富的账单处理人员一样解读理赔信息。它会结合上下文，判断理赔的具体情况、适用哪项支付方规则，以及如何处理例外情况，然后将理赔交给负责录入支付款项的系统。模型负责判断，系统则始终以相同的方式录入支付款项。

我们打造的系统

Marlabs 为一家医疗账单服务公司打造了这样一套系统。该公司为北美各地的紧急医疗服务提供方处理支付。公司每月处理约 85,000 笔支付，业务量和支付方的复杂程度都在不断增长，团队仅靠招聘已难以跟上。

最关键的是，系统能够处理公司未曾记录下来的规则。我们没有给系统灌输公司实际上并不具备的支付方规则手册，而是让人工智能从账单处理人员的工作方式以及支付方实际支付的款项中学习。系统会提出规则，根据真实结果进行测试，并针对业务最看重的目标进行调整：在首次提交时，就从保险方那里收取更多应付金额，而不是经过多轮申诉后才收回款项。原本只存在于少数人脑海中的知识，最终变成了公司能够看见并加以改进的规则。

每笔理赔都由人工审核

每笔理赔在最终确定前，仍须经过人工审核。系统会录入理赔并展示处理过程，让审核人员了解人工智能如何处理一笔常规理赔，并在几秒钟内批准。当人工智能无法确定结果，或账单处理人员必须介入时，理赔记录中会附上通俗易懂的说明，指出问题所在以及系统建议采取的措施。在这些情况下，人工智能能加快审核速度，同时 确保每笔理赔都有明确的责任归属，而责任仍由相关人员和公司承担。

取得的成果

这些成果主要来自上述设计选择，而非技术本身。如今，公司约有 85% 的支付款项可自动入账，使团队能够将时间用于确实需要判断的理赔。入账错误减少了 95%，跨系统对账也更加顺畅。团队处理支付方特定拒付的速度更快，而且首次能够实时查看例外情况及其处理结果。由于我们设计的框架能够在满足各支付方合规要求的前提下扩展，业务量增加不再意味着必须增加员工。

这对负责营收周期管理的你意味着什么

• 从支付入账这类业务量大、规则明确的工作入手。如果规则已经记录下来，就直接使用；如果尚未记录，就把这视为一个机会，让人工智能找出规则，并根据支付方实际支付的款项进行测试。
• 确保每笔理赔都有人参与审核，而不只是处理例外情况；同时让人工智能展示处理过程，使常规理赔只需几秒钟即可获批。
• 要求人工智能解释每个例外情况。没有原因说明的标记，只会把瓶颈从入账环节转移到审核环节。
• 从第一天起就建立实时可视化机制，让领导者能够了解系统的运行表现，并有信心地依据数据采取行动。

收款过账是最明确的切入点之一，因为涉及金额巨大，成效会直接体现在实际收回的款项中。只要如实梳理流程，让系统掌握组织从未明文规定的规则，并确保每笔理赔都由人员掌控，就能看到可衡量、切实可见的成效。如此一来，收款过账便能摆脱顽固的人工瓶颈，转变为可随业务规模扩展的流程。