Andreas Cleve, Co-Founder og CEO af Corti – Interview Serie

Andreas Cleve, Co-Founder og CEO af Corti, er en iværksætter, der fokuserer på at fremme kunstig intelligens i sundhedssektoren. Hans arbejde i sektoren begyndte med Ovivo, en konversationsbaseret arbejdsstyrkeplanlægningsplatform for hospitaler, der hurtigt udvidedes over Danmark, før det blev opkøbt i 2013. Han co-foundede senere Hyvi, en forskningsinitiativ, der udforskede kontekstafhængige sprogmodeller, der kan forstå komplekse samtaler i realtid, hvilket til sidst udviklede sig til Corti i 2018. Ud over at bygge virksomheder, har Cleve spillet en nøglerolle i at styrke det nordiske AI-økosystem gennem initiativer som Nordic.ai og rådgivningsroller med organisationer, herunder DIGITALEUROPE og Danmarks Nationale Digitaliseringsråd.

Corti er et sundheds-AI-selskab fra København, der udvikler specialiserede modeller, der kan forstå medicinske samtaler og understøtte kliniske medarbejdere i realtid. Dets platform fungerer som en AI-assistent for sundhedsprofessionelle ved at generere klinisk dokumentation, fremhæve indsigt under patientinteraktioner og automatisere administrative arbejdsprocesser. Ved at tilbyde sin teknologi gennem API’er og integrationer med sundhedssystemer, sigter Corti på at reducere kliniske medarbejderes arbejdsmængde, mens effektiviteten og beslutningstagningen forbedres på tværs af hospitaler og digitale sundhedsplatforme.

DU voksede op i en familie, hvor sundhed var en konstant del af hverdagslivet… Hvordan formede disse tidlige oplevelser grundlæggelsen af Corti, og hvilke specifikke problemer var du fast besluttet på at løse fra dag ét?

At vokse op omgivet af sundhed gjorde to ting smerteligt klart: ekspertise betyder enormt, og processerne, der overfører denne ekspertise, er skrøbelige og ofte fejler for de mennesker, der har mest brug for dem. Disse tidlige oplevelser i hjemmet, der inkluderede at se på plejepersonale, der kæmpede, og at se, hvordan viden blev tabt under overdragelser, og at føle frygten, der kommer fra inkonsistent pleje, såede troen på, at sundhed bør være forudsigelig, og at kliniske medarbejdere aldrig bør være alene, når en hård beslutning skal træffes. Det oversættede sig direkte til Cortis grundlæggende mission: bygge systemer, der understøtter ekspertise, så kliniske medarbejdere altid har pålidelig, realtidsbeslutningsstøtte.

Fra dag ét satte vi os for at løse udbud- og efterspørgselsuligheden i sundhedssektoren: gapet mellem kompleksiteten i moderne medicin og den begrænsede menneskelige kapacitet til at anvende det overalt, ved at skabe AI, der reducerer variation, accelererer opdagelse og understøtter sikrere beslutninger i de øjeblikke, der betyder mest.

Corti positionerer sig selv som sundheds-AI-infrastruktur snarere end en selvstændig AI-assistent. Hvad betyder infrastruktur i denne kontekst, og hvilke muligheder åbner det op for, som punktløsninger eller chatbaserede værktøjer ikke kan?

Når vi taler om infrastruktur, mener vi, at vi ikke leverer en enkelt assistent eller widget; vi bygger den grundlæggende stak, der gør klinisk-grads AI mulig på tværs af mange arbejdsprocesser. Infrastruktur her betyder: sundhedsnative modeller og data (ikke generisk webdata), et klinisk resonemangs-lag, der fremhæver svar med klinisk kontekst, livscyklus- og styre-værktøjer (modelkort, audit-spor, verificerbar afstamning), installationsmuligheder, der opfylder regulatoriske krav (så suveræne skyer, på lokal eller privat endpoint), og udvikler-orienterede API’er og SDK’er, der lader produktteammer indsætte klinisk intelligens i deres apps uden at blive ML- eller compliance-eksperter.

Denne tilgang åbner op for tre ting, som punktløsninger ikke kan: (1) deployabilitet, hvilket betyder modeller og kørsler, der overlever reelle kliniske begrænsninger (latens, dataresidens, auditabilitet); (2) skala på tværs af specialer, hvilket betyder genbrugbare, certificerede byggeklodser (tale, kodning, klinisk omfattede endpunkter), der reducerer omkostningerne ved at bygge mange vertikale apps; og (3) regulatorisk og erhvervs-tillid, hvilket betyder politikker, BA’er, og compliance-primitiver bygget ind i platformen, så kunder kan gå fra pilots til produktion. Kort sagt, infrastruktur omdanner klinisk R&D til deployable tjenester, som softwarevirksomheder og sundhedssystemer kan levere, certificere og skala.

Almindelige AI-modeller anvendes ofte i kliniske sammenhænge med blandede resultater. Hvordan falder disse modeller kort, når de anvendes i virkelige sundhedsmiljøer?

Almindelige modeller har gjort bemærkelsesværdige fremskridt, og til mange opgaver fungerer de godt. Men sundhedssektoren belønner dybde på måder, som horisontal AI ikke let kan replicere. Klinisk resonemang afhænger af subtile signaler, specialiseret terminologi, institutionel kontekst og en forståelse af, hvordan dokumentation flyder gennem regulatoriske og refunderingssystemer. At få det rigtigt kræver træning på klinisk data, validering mod kliniske benchmarks og bygning af compliance i stacken fra starten. Det er ikke et prompt-problem; det er et forskningsproblem, hvilket er hvorfor vi mener, at sundhedssektoren har brug for et dedikeret AI-laboratorium, der kan gå dybt ind i domænet snarere end bredt på tværs af mange.

Corti opererer på tværs af Europa, USA og ud over, hver med forskellige plejemodeller og styre. Hvordan designer du AI-systemer, der tilpasser sig denne virkelige kompleksitet?

Vi designer for kompleksitet ved at eje mere af stacken og ved at gøre installation og styre til førsteklasses borgere. Praktisk betyder det, at vi træner på sundhedsdata, justerer modeller for klinisk resonemang; bygger audit-spor, modelkort og BAA-klare API’er; og arkitekter routing, så compliance-kontroller vælges af geografi og risikoprofil. For kunder, der har brug for det, tilbyder vi suveræne sky- og lokal installationsmuligheder, så leverandører kan vælge, hvor deres data bor, og fastholde kontrol over de modeller, der kører på det.

Denne fleksibilitet lader os køre den samme kliniske AI på tværs af forskellige plejemodeller, mens vi respekterer lokale dokumentationsstandarder, privatlivslove og institutionel styre. Vigtigt er, at vi behandler forskning som en stige til produktion; hvert fremskridt må være sporbart, testbart og deployerbart i den virkelige verden, ikke kun lovende i laboratoriet. Det er, hvad det betyder at være bygget til at trives i klinisk virkelighed.

Settende på frontlinjens kliniske arbejdsprocesser i dag, hvor leverer Corti den mest umiddelbare, målbare impact, og hvorfor betyder disse områder mest for overbelastede kliniske medarbejdere?

Cortis mest umiddelbare impact i dag er i de kliniske og administrative arbejdsprocesser, der bærer den største byrde. Vores modeller og API’er understøtter ambient dokumentation, kodning og agent-dreven automatisering inden for sundhedssoftware, der anvendes af kliniske medarbejdere hver dag.

Disse områder betyder, fordi dokumentation og fakturering er blandt de mest tidskrævende og fejlbehæftede dele af plejeleveringen. Når samtaler bliver struktureret, EHR-klare noter i realtid, når kodning er mere komplet og præcis, og når rutinearbejdsprocesser automatiseres sikkert inden for regulerede systemer, bruger kliniske medarbejdere mindre tid på papirarbejde, og organisationer ser målbare forbedringer i effektivitet og fakturingskvalitet.

Sundhedssektoren er ikke ét monolitisk problem, men tusinder af specialspecifikke arbejdsprocesser, der opererer under regulatorisk pres. Ved at bygge produktion-grads AI, der trives i klinisk virkelighed, aktiverer vi softwarevirksomheder og sundhedssystemer til at løse disse problemer i skala. Det er, hvor sundhedssektorens AI-laboratorium leverer praktisk, målbart afkast.

Corti understøtter hundredtusinder af patientinteraktioner hver dag. Hvordan har lektionerne, der er opstået ved at operere AI i den skala, ikke er åbenlyse i pilots eller laboratoriemiljøer?

At operere i skala afslører friktion, som pilots skjuler heterogen datakvalitet (ingen to EHR’er eller transkriptioner ser ens ud), produktionslatens og strømningsbegrænsninger, juridisk og kontraktmæssig kompleksitet på tværs af kunder og geografier, og de evige kanttilfælde, der kun viser sig under belastning. Laboratorier kan måle nøjagtighed på kuraterede sæt; produktion tvinger dig til at løse routing, observerbarhed, driftsdetektering, model-tilbageskridt og ansvarlig audit-spor. En anden lektion: rigtig tillid er vundet ved at gøre modeller forklarlige, gentagne og certificerbare, snarere end ved enkelt-sites performance. Endelig understår pilots underdrivelse af den samlede ejeromkostning: udviklere i produktion har brug for SDK’er, konsistente endpunkter og styre-primitiver for at fastholde sikkerhed og for at iterere produktivt.

Sundhedssektoren kræver højere forklarlighed end forbruger-AI. Hvordan nærmer du dig klinisk resonemang, transparens og ansvarlighed, når AI påvirker medicinske beslutninger?

Sundhedssektoren kræver en højere standard, fordi fejlkostningen er reel. Klinisk AI kan ikke bare generere plausibel sprog; det må resonere over kompleks, reguleret, højrisiko-information på en måde, der er gennemsigtig og inspicerbart.

Det er hvorfor vi udviklede GIM, vores Gradient Interaction Modifications-metode, for at gøre klinisk resonemang mere fortolkningsfuldt på modelniveau. GIM toppede nyligt Hugging Face Mechanistic Interpretability Benchmark, hvor den rangerede #1 på leaderboardet blandt fortolknings-tilgange. Det betyder noget, fordi fortolkningsfuldhed ikke er en akademisk øvelse i sundhedssektoren – det er grundlæggende for tillid, sikkerhed og regulatorisk adoption.

Uden for forskning må transparens følge med til installation. Vi tilbyder modelkort, valideringsbenchmarks, audit-spor og versionskontrol, så kunderne ved præcis, hvad der kører, og hvordan det blev evaluueret. Udgange er knyttet til bevis, usikkerhed er eksplitt, og systemer er designet til at understøtte kliniske medarbejdere som en underwriter af beslutninger, ikke erstatte dem med en uigennemsigtig sort kasse.

I sundhedssektoren er forklarlighed ikke en funktion. Det er en forudsætning for tillid. Det er hvorfor vi nærmer os klinisk AI som en laboratorie-disciplin først og sikrer, at forskning skibes i produktion-grads systemer, der kan inspiceres, styres og sikkert deployes.

AI-suverænitet er et kritisk emne i regulerede sektorer. Hvad betyder suverænitet i sundhedssektoren, og hvordan kan leverandører fastholde kontrol, mens de samtidig nyder godt af avanceret AI?

I sundhedssektoren betyder suverænitet, at leverandører fastholder kontrol over dataresidens, modelvalg og operativt styre. Praktisk opnås suverænitet med muligheder for lokal eller regional hosting (suveræne skyer og på lokal endpoint), private model-endpunkter, fuld audit- og livscyklus-kontrol og kontraktmæssige og tekniske garantier (BA’er, SLA’er, DPIA’er). Suverænitet er ikke anti-sky; det handler om at give leverandører mulighed for at vælge, hvor deres arbejdsmængde kører, og at have verificerbar kontrol og sporbarehed over modeller og data. Den kombination lader leverandører få adgang til avancerede funktioner, mens de opfylder juridiske og institutionelle forpligtelser.

Som grundlægger og rådgiver for EU-initiativer, hvordan ser du på, at regulering udvikler sig, og hvorunderestimerer politikere stadig de tekniske realiteter af klinisk AI?

Europa har ret i at tage regulering alvorligt. I sundhedssektoren er auditabilitet, sporbarehed og ansvarlighed ikke valgfrie – de er forudsætninger for tillid.

Hvor politikere nogen gange underestimerer virkeligheden, er i, hvordan operationel klinisk AI er. Certificering er ikke en engangs-godkendelse; det kræver kontinuerlig overvågning, versionskontrol og fortsat validering. Samtidig må vi undgå at overregulere. Hvis compliance bliver urimeligt, langsomer innovation, og nyttige værktøjer når aldrig kliniske medarbejdere.

Ved Corti antager vi regulering fra dag ét. Vi bygger auditabilitet, model-styre og suveræne installationsmuligheder direkte ind i vores modeller og API’er, så startups og etablerede leverandører ikke behøver at tilpasse for compliance senere. Sundhedssektoren er kompleks og fragmenteret, og den eneste måde at bevæge sig i tempo er at bage reguleringssikkerhed ind i fundamentet. Balancen, som Europa har brug for, er rigorøs, men praktisk: beskytte patienter, men gør det muligt at bygge og deploye sikkert i skala.

Settende fremad 12-24 måneder, hvilke store skift kan sundhedsledere forvente fra Corti, og hvordan sætter disse planer fundamentet for 2026?

Forvent, at Corti vil satse dobbelt på laboratorie-til-produktionsvejen: shipping forskningsbaserede, klinisk-grads modeller og pakke dem som deployable infrastruktur (tale, kodning og agent-endpunkter, et klinisk resonemangs-lag og suveræne installationsmuligheder), alle eksplitt designet til at flytte kunder fra pilots til certificeret produktion. Corti er ikke en enkelt applikation; det er sundhedssektorens AI-laboratorium, bygget til at aktivere hele klasser af sikre, auditable klinisk software – fundamentet for vores 2026-ambitioner.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Corti.