Sundar Subramanian, CEO společnosti Zyter – Série rozhovorů

Sundar Subramanian, CEO společnosti Zyter, je zkušený manažer v oblasti strategie a zdravotnictví s kariérou zahrnující management consulting, digitální transformaci a rozsáhlé provozy ve zdravotnictví. Před tím, než se v červenci 2025 stal generálním ředitelem, strávil více než 16 let ve Strategy& společnosti PwC, kde vedl americké strategické poradenské podnikání i praxi Enterprise Strategy, Value a Digital Transformation a radil velkým organizacím ohledně růstu, redesignu provozních modelů a transformace umožněné AI. Dříve ve své kariéře spoluvedl Centrum excelence pro Medicaid a Medicare ve společnosti Booz & Company a intenzivně spolupracoval se zdravotními plátci po seniorních pozicích ve WellCare a McKinsey & Company. Ve společnosti Zyter vede rozšiřování zaměřené na agentní AI a inteligentní orchestraci pracovních toků, s důrazem na využití AI k redesignu end‑to‑end podnikových procesů místo pouhého automatizování jednotlivých úkolů.

Zyter je soukromá technologická společnost zaměřená na podnikové řešení s více než dvacetiletou zkušeností v digitálním zdravotnictví, kde její platforma TruCare pro populaci zdraví získala stopu podporující více než 44 milionů životů ve více než 45 zdravotnických organizacích. Společnost nyní staví nad rámec svých kořenů ve zdravotnictví platformu pro provádění AI určenou pro složité a silně regulované pracovní toky napříč zdravotnictvím, vládou a finančními službami. Její architektura kombinuje Zyter Symphony, který koordinuje AI agenty, podnikové systémy a lidské činnosti; Zyter Praxis, který balí agenty, pravidla, data a lidský dohled do end‑to‑end modulů pracovních toků; a TruCare Digital Core, který spojuje tyto pracovní toky se systémy jako elektronické zdravotní záznamy, platformy pro nároky, systémy ERP a software pro řízení vztahů se zákazníky. Širším cílem je učinit agentní AI operativní v existujících podnikovém prostředí při zachování správy, auditovatelnosti a lidského dohledu nad zásadními rozhodnutími.

Strávili jste více než 16 let ve Strategy&, vedli americké strategické poradenské podnikání a intenzivně pracovali ve zdravotnictví po předchozí zkušenosti ve WellCare. Co vás přesvědčilo, že další velký skok ve zdravotnictví přijde od agentní AI a provádění pracovních toků, spíše než další generace tradičního softwaru?

Během své kariéry jsem měl možnost nahlédnout do zdravotnictví z několika úhlů – jako provozovatel, strategický konzultant a nyní jako tvůrce technologií. Z těchto zkušeností se postupně vyjasnila jedna skutečnost. Zdravotnictví netrpělo nedostatkem technologií. Trpělo tím, že technologie nezměnila způsob, jakým se práce vykonává.

V posledním desetiletí odvětví masivně investovalo do digitalizace. Modernizovali jsme infrastrukturu, rozšířili analytiku, zlepšili interoperabilitu a v poslední době přijali AI. Tyto investice vytvořily důležité nové schopnosti, ale nevyřešily jeden z nejtrvalejších problémů zdravotnictví – koordinaci práce mezi lidmi, systémy, politikami a organizacemi. Příliš často byla technologie přidána k existujícím provozním modelům místo toho, aby změnila jejich fungování.

Toto uvědomění změnilo můj pohled na transformaci. Další fáze není definována nasazením více AI. Jde o redesign způsobu, jakým se práce vykonává. AI je výjimečný umožňovatel, ale její největší hodnota spočívá v pomoci organizacím efektivněji realizovat úkoly tím, že orchestruje práci mezi lidmi, systémy, politikami a AI.

To mě přitáhlo k Zyteru. Po letech pomáhání organizacím vyvíjet transformační strategie jsem chtěl pomoci vybudovat vrstvu provádění, která tyto strategie přemění na měřitelné výsledky. Pro mě budoucnost zdravotnictví nespočívá v tom, že bude AI chytřejší, ale v tom, že pomůže zdravotnictví fungovat chytřeji.

Zyter se prezentuje jako vrstva provádění pro agentní podnik, kde Symphony orchestruje agenty a lidi, Praxis provádí pracovní toky a TruCare je zakotvuje v podnikových datech. Co může tato architektura dosáhnout, co jednotliví AI pomocníci nedokážou?

Podniková transformace nikdy nebyla omezena nedostatkem nápadů nebo inteligence. Organizace obvykle vědí, co mají dělat. Těžší výzvou je důsledně převádět tato rozhodnutí do akce napříč lidmi, systémy, politikami a pracovními toky.

Zde vidím další fázi podnikového AI. Individuální AI asistenti zvyšují produktivitu lidí. Podnikové AI by mělo učinit organizace efektivnějšími. Mělo by koordinovat práci, provádět pracovní toky, přizpůsobovat se měnícím se podmínkám a neustále zlepšovat fungování organizace.

Naše architektura tuto filozofii odráží. Symphony orchestruje AI agenty, podnikové systémy a lidskou odbornost. Praxis provádí pracovní toky a TruCare poskytuje operační základ, který tyto toky zakotvuje v důvěryhodných podnikových datech. Společně vytvářejí vrstvu provádění, kde AI se stává součástí způsobu, jakým se práce vykonává, místo dalšího nástroje, který lidé používají vedle své práce.

Organizace nakonec AI budou měřit podle její schopnosti zlepšovat výsledky. Produktivita je důležitá, ale dlouhodobá hodnota spočívá v pomoci podnikovému provádění být konzistentnější, rychleji se přizpůsobovat a učit se z každého pracovního toku, který spustí.

Agentní AI se stává mnohem složitější, když více agentů sdílí data, předává úkoly a eskaluje rozhodnutí lidem. Co Zyter zjistil o tom, jak učinit víceagentové systémy dostatečně spolehlivé pro zdravotnictví ve velkém měřítku?

Když AI přechází od individuálních případů použití k součásti každodenního provozu, výzva se mění. Už nejde tolik o to, jak inteligentní je konkrétní agent, ale o to, jak je práce koordinována napříč systémy, politikami, lidmi a AI.

Zjistili jsme, že specializace má význam. Zdravotnictví nespoléhá na jednu osobu, která dělá vše, a AI by neměla ani. Agenti s jasně definovanými odpovědnostmi jsou spolehlivější, snáze spravovatelní a snáze se v průběhu času zlepšují. Vrstva orchestraci koordinuje tyto agenty, řídí předání úkolů, konzistentně aplikuje politiky a určuje, kdy by měla být do pracovního toku zapojena lidská odbornost.

Viditelnost je stejně důležitá. Týmy potřebují pochopit, jak byla rozhodnutí učiněna, jaké informace je podpořily a jak přispěly k výsledku. Zachycení řetězce rozhodnutí vytváří tuto transparentnost a umožňuje, aby každý pracovní tok se stal zdrojem učení a neustálého zlepšování.

Spolehlivá AI není definována počtem nasazených agentů. Projevuje se v tom, jak konzistentně je práce vykonávána, jak důvěřují lidé výsledkům a jak efektivně se systém v průběhu času zlepšuje.

Zdravotnické organizace chtějí, aby AI systémy v čase zlepšovaly, ale zároveň potřebují předvídatelné chování a auditovatelnost. Jak umožňujete kontinuální učení, aniž by systémy odklonily od klinických směrnic, politik plátců nebo schválených pracovních toků?

Nevěřím, že by každé rozhodnutí mělo být automatizováno pomocí AI. Ve zdravotnictví existuje mnoho rozhodnutí, kde deterministická logika, zavedená obchodní pravidla nebo klinické politiky mohou poskytnout jasnou a konzistentní odpověď. Kde je to možné, měli bychom je použít místo zavádění zbytečné nejistoty.

Zajímavější příležitostí je kombinace těchto deterministických přístupů s AI. Úspěšně jsme nasadili neuro‑symbolickou logiku, která vytváří ověřovací vrstvu kolem AI‑řízeného uvažování. AI může interpretovat složité nebo nestrukturované informace, zatímco deterministická pravidla a symbolická logika ověřují, že výsledná akce zůstává v souladu se zavedenými politikami, směrnicemi a schválenými pracovními toky. To snižuje nejistotu a zvyšuje přesnost ve srovnání s pouhým spoléhaním se na AI‑přístup.

Toto také mění můj pohled na kontinuální učení. Cílem není dát AI větší svobodu k rozhodování v čase. Cílem je učit se z provádění a zároveň zachovat kontrolní mechanismy, které určují, jak jsou činěna zásadní rozhodnutí. Můžete zlepšovat, jak systém interpretuje informace, řeší výjimky a koordinuje práci, aniž byste mu dovolili odklonit se od pravidel, která řídí základní proces.

Tato kombinace AI uvažování, deterministického rozhodování a kontinuálního ověřování je způsob, jak vytvořit systémy, které se mohou v čase zlepšovat a přitom zůstávají předvídatelné, auditovatelné a odpovědné.

Zyter zkoumá C‑RLM, rekurzivní přístup pro syntézu dlouhých a roztříštěných klinických historií. Jak důležité se stane dlouhodobé kontextové uvažování ve zdravotnictví a mohli by agenti nakonec udržovat neustále se vyvíjející porozumění každému pacientovi?

Zdravotnictví nikdy netrpělo nedostatkem informací. Výzvou je, že příběh pacienta je rozprostřený přes roky lékařských poznámek, laboratorních výsledků, medikací, zobrazovacích vyšetření, nároků a interakcí péče. Porozumění této historii vyžaduje více než zpracování velkého objemu dat. Vyžaduje propojení důkazů, rozpoznání vzorců a vytvoření koherentního pochopení cesty každého pacienta.

Dlouhodobé kontextové uvažování bude čím dál důležitější, jak AI přechází od pomoci při individuálních úkolech k podpoře dlouhodobé péče. Naše práce s C‑RLM tuto směr odráží. Cílem není jen shrnout více informací. Jde o syntézu roztříštěných klinických důkazů do strukturovaného pochopení, které zůstává zakotveno v podkladovém záznamu. Každý závěr také musí být sledovatelný ke svému zdroji, aby klinici mohli pochopit, jak byl dosažen, a ověřit jej proti důkazům.

Jakmile tyto schopnosti dozrají, AI agenti budou čím dál častěji pomáhat udržovat neustále se vyvíjející porozumění cestě každého pacienta. Toto porozumění by mělo být bohatší s příchodem nových informací, přičemž zůstane transparentní, založené na důkazech a zakotvené v důvěryhodných klinických datech. Role AI je poskytnout klinikům kompletnější obraz, aby mohli činit lépe informovaná rozhodnutí s větší důvěrou.

Zyter se účastní programu CMS WISeR, kde AI může podporovat pracovní toky, zatímco licencovaní klinici si zachovávají pravomoc rozhodovat. Je to zhruba místo, kde by dnes měla ležet hranice autonomie, a co by se muselo změnit, než by AI agenti mohli převzít důležitější rozhodnutí?

Nedomnívám se, že existuje jediná hranice autonomie pro zdravotnictví. Vhodná role AI závisí na pracovním toku, úrovni rizika a důvěře organizací, že systém bude v reálných podmínkách jednat konzistentně.

Programy jako WISeR tuto realitu odrážejí. AI je již velmi efektivní při syntéze informací, konzistentním uplatňování zavedených politik, koordinaci administrativních pracovních toků a snižování opakované práce. Licencovaní klinici nadále poskytují úsudek pro rozhodnutí, kde kontext, nejednoznačnost a odpovědnost hrají největší roli. To je provozní model, který odráží silné stránky jak AI, tak lidské odbornosti.

V průběhu času se tyto hranice budou nadále vyvíjet, ale měly by se vyvíjet kvůli získané důvěře, nikoli jen proto, že modely se staly schopnějšími. Důvěra vychází z důkazů, transparentnosti, validace a konzistentního výkonu v produkci. Každé rozšíření role AI by mělo být podpořeno stejnými standardy, které zdravotnictví uplatňuje na jakoukoli jinou kritickou schopnost.

Nedomnívám se, že úspěch bude měřen tím, jak autonomní AI se stane. Bude měřen tím, zda pacienti dostávají lepší péči, klinici mají více času soustředit se na složitá rozhodnutí a zdravotnictví funguje efektivněji jako výsledek.

Zyter nedávno přesunul TruCare na cloud‑native AWS infrastrukturu, aby podpořil AI orchestraci v podnikovém měřítku. Jak velká část výzvy v agentní AI souvisí s modely samotnými oproti infrastruktuře spojující data, systémy, politiky a lidi?

Základní modely se vyvíjejí neuvěřitelným tempem, což je dobré pro celé odvětví. Diskuse se postupně posouvá od toho, co modely dokážou, k tomu, jak fungují v reálných podnicích.

Propojení dat, systémů, politik a lidí je místem, kde transformace buď uspěje, nebo zastaví. AI musí fungovat v existujících provozních prostředích, provádět úkoly napříč více systémy, konzistentně aplikovat politiky a spolehlivě fungovat v produkčním měřítku. Bez této základny i nejvýkonnější model zůstává od práce, kterou má zlepšit, odpojený.

Náš přechod na cloud‑native AWS architekturu tuto evoluci odráží. Poskytuje odolnou, škálovatelnou základnu potřebnou k orchestraci AI napříč podnikovými pracovními toky při zachování spolehlivosti, správy a výkonu, který zdravotnictví vyžaduje. Infrastruktura je důležitá, protože umožňuje AI stát se součástí každodenního provádění práce, nikoli jen další aplikací běžící vedle existujících procesů.

Dlouhodobá příležitost není definována jen lepšími modely. Vzniká kombinací pokroku v AI s infrastrukturou a provozním modelem potřebným k důslednému provádění práce v podnikovém měřítku.

Zyter také umisťuje svůj model provádění pro další regulovaná odvětví, včetně finančních služeb a vlády. Které části platformy jsou skutečně horizontální a které výhody pocházejí konkrétně ze zkušeností Zyteru ve zdravotnictví?

Regulovaná odvětví jsou často posuzována skrze prizma toho, co je odlišuje. Zjistil jsem, že je stejně důležité pochopit, co mají společného. Ať už poskytujete zdravotní péči, řídíte finanční rizika nebo podporujete vládní programy, úspěch závisí na koordinaci složité práce mezi lidmi, systémy, politikami a daty při zachování odpovědnosti za každé rozhodnutí.

Zde vidím model provádění jako zásadně horizontální. Orchestrace AI, podnikových systémů a lidské odbornosti, konzistentní aplikace politik, koordinace práce napříč více systémy a zachování transparentnosti jsou výzvy, které přesahují zdravotnictví. Pracovní toky se liší podle odvětví, ale potřeba spolehlivého provádění je pozoruhodně konzistentní.

Zdravotnictví nezměnilo to, co jsme postavili. Zvýšilo standard, jak to musíme postavit. Klinické pracovní toky vyžadují přesnost, interoperabilitu, správu, odolnost a důvěru, protože důsledky chyb jsou značné. Návrh pro tuto úroveň složitosti vytvořil model provádění, který lze přizpůsobit dalším regulovaným odvětvím, kde jsou operační disciplína, soulad a odpovědnost stejně kritické.

S tím, jak se AI stále hlouběji vkládá do podnikových operací, si myslím, že se diskuse posune od otázky, zda byla schopnost vytvořena pro konkrétní odvětví, k otázce, zda může spolehlivě fungovat v komplexních, regulovaných prostředích. To je standard, který jsme od samého začátku navrhovali.

Rural Health Orchestrator od Zyter spojuje virtuální péči, dálkové monitorování, správu péče a klinické služby. Co může agentní orchestraci vyřešit v rurálním zdravotnictví, co samotná telemedicína nedokáže?

Telemedicína vyřešila důležitý problém přístupu. Další výzvou je zajistit, aby každá interakce vedla ke koordinované akci a měřitelným výsledkům.

Rurální zdravotnictví učinilo značný pokrok v rozšiřování přístupu prostřednictvím telemedicíny, dálkového monitorování a investic do širokopásmového připojení. Přesto výsledky nedosahují stejného tempa, protože příliš mnoho digitálních interakcí zůstává odpojeno od širší cesty péče. Virtuální návštěva, která neaktualizuje plán péče, nespustí následnou kontrolu nebo nekonkuruje dalšímu kroku, zlepšuje přístup, ale ne nutně zdraví.

Zde se orchestraci stává nezbytnou. Spojuje telemedicínu, dálkové monitorování, správu péče, komunitní zdroje a klinické pracovní toky do jednoho koordinovaného systému, takže informace plynule proudí a akce následuje automaticky. Každá interakce se stává součástí kontinuální cesty péče, nikoli izolovaným událostí.

Příležitost není jen rozšířit přístup. Jde o převést přístup na výsledky. Když je péče propojena mezi lidmi, systémy a pracovními toky, klinici tráví méně času navigací v roztříštěných procesech, pacienti dostávají konzistentnější následnou péči a rurální zdravotnické systémy mohou dosahovat lepších výsledků s již dostupnými zdroji. To je místo, kde podle mého názoru AI orchestrace přináší největší hodnotu.

S novou spoluprací s PwC, co by odlišovalo úspěšnou AI transformaci od dalšího zdravotnického AI pilotního projektu? Které měřitelné výsledky by vás přesvědčily, že AI zásadně zlepšila fungování plátce nebo poskytovatele?

Zdravotnictví investovalo roky do digitálních schopností. Dnes má většina organizací přístup k datům, AI a moderním technologiím. Další fáze nespočívá v přidávání dalších schopností. Jde o redesign způsobu, jakým se práce vykonává.

Proto nehodnotím transformaci podle počtu nasazených AI modelů nebo spuštěných pilotů. Sleduji, zda se změnil operační model organizace. Rozhodnutí se přijímají rychleji? Jsou pracovní toky koordinovanější napříč odděleními a systémy? Snižuje se administrativní zátěž, zatímco klinici a týmy péče tráví více času činnostmi, které zlepšují péči o pacienty? Jsou tyto zlepšení opakovatelná v celém podniku, nikoli izolovaná na jediný případ použití?

Toto je filozofie naší spolupráce s PwC. PwC přináší hluboké odborné znalosti ve strategii a transformaci zdravotnictví. Zyter poskytuje vrstvu provádění, která operacionalizuje tyto strategie napříč složitými pracovními toky, spojuje AI, podnikové systémy, politiky a lidi, aby organizace mohly důsledně převádět strategii na akci.

Pro mě úspěšná AI transformace nastává, když AI již není vnímána jako samostatná iniciativa. Stává se součástí operačního modelu. V tom okamžiku organizace nehodnotí úspěch AI samotné. Hodnotí lepší výsledky, nižší administrativní náklady, koordinovanější péči a zdravotnický systém, který funguje efektivněji, protože provádění se zásadně zlepšilo.

Děkujeme za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Zyter.