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 platform for samtalebaseret arbejdsstyrkeplanlægning for hospitaler, der hurtigt udvidedes over hele Danmark, før det blev købt i 2013. Han co-foundede senere Hyvi, en forskningsinitiativ, der udforskede kontekstbevidste 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 sundhedsAI-virksomhed baseret i København, der udvikler specialiserede modeller, der er designet til at forstå medicinske samtaler og støtte 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 arbejdsbyrde, samtidig med at forbedre effektivitet og beslutningstagning 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 én?

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

Fra dag én satte vi os for at løse forsynings- og efterspørgselsulancen i sundhedssektoren: gapet mellem den kompleksitet, der er i moderne medicin, og den begrænsede menneskelige kapacitet til at anvende det overalt, ved at skabe AI, der reducerer variation, accelererer detektion og støtter sikrere beslutninger i de øjeblikke, der betyder mest.

Corti positionerer sig selv som sundhedsAI-infrastruktur snarere end en selvstændig AI-assistent. Hvad betyder infrastruktur i denne kontekst, og hvilke funktioner låser det op, som punktløsninger eller chat-baserede 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 (således suveræne skyer, på-prem eller private endpunkter), og udvikler-orienterede API’er og SDK’er, der låser klinisk intelligens ind i deres apps uden at blive ML- eller compliance-eksperter.

Denne tilgang låser op for tre ting, som punktløsninger ikke kan: (1) deployabilitet, hvilket betyder modeller og kørsler, der overlever reelle kliniske begrænsninger (latens, data-residens, 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 virksomheds-tillid, hvilket betyder politikker, BA’er og compliance-primitiver bygget ind i platformen, så kunder kan gå fra piloter til produktion. Kort sagt låser infrastruktur klinisk R&D om i deployable tjenester, som udviklere og hospitaler kan levere, certificere og skala.

Generelle formål AI-modeller anvendes ofte i kliniske sammenhænge med blandede resultater. Hvad er de mest almindelige måder, disse modeller svigter, når de anvendes i virkelige sundheds-miljøer?

Generelle formål-modeller har gjort bemærkelsesværdige fremskridt, og til mange opgaver fungerer de godt. Men sundhedssektoren belønner dybde på måder, som horisontal AI ikke let kan genskabe. 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 ind i stakken fra starten. Det er ikke et prompt-problem; det er et forskningsproblem, hvilket er hvorfor vi mener, at sundhedssektoren behøver et dedikeret AI-laboratorium, et, der kan gå dybt ind i domænet snarere end bredt på tværs af mange.

Corti opererer på tværs af Europa, USA og andre steder, 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 stakken og ved at gøre installation og styre til førsteklasses borgere. Praktisk betyder det, at vi træner på sundhedsdata og justerer modeller for klinisk resonemang; bygger audit-spor, modelkort og BAA-klare API’er; og arkitekter routing, så styrekontroller vælges af geografi og risikoprofil. For kunder, der har brug for det, tilbyder vi suveræne sky- og på-prem-installationsmuligheder, så udbydere kan vælge, hvor deres data bor, og fastholde kontrollen over modellerne, der kører på det.

Denne fleksibilitet låser os til at køre den samme kliniske AI på tværs af forskellige plejemodeller, samtidig med at 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 effekt, og hvorfor er disse områder vigtigst for overbelastede kliniske medarbejdere?

Cortis mest umiddelbare effekt i dag er i de kliniske og administrative arbejdsprocesser, der bærer den største byrde. Vores modeller og API’er driver ambient dokumentation, kodning og agent-drevet automation inde i 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 til strukturerede, EHR-klare noter i realtid, når kodning er mere komplet og nøjagtig, og når rutine-arbejdsprocesser automatiseres sikkert inde i 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 special-specifikke arbejdsprocesser, der opererer under regulatorisk pres. Ved at bygge produktions-grads AI, der trives i klinisk virkelighed, låser vi software-virksomheder og sundhedssystemer til at adresse disse problemer i skala. Det er, hvor sundhedssektorens AI-laboratorium leverer praktisk, målbart afkast.

Corti understøtter hundredtusinder af patientinteraktioner hver dag. Hvad er de lærdomme, der er opstået ved at operere AI i den skala, som ikke er åbenlyse i piloter eller laboratoriemiljøer?

At operere i skala afslører friktion, som piloter skjuler: heterogen datakvalitet (ingen to EHR’er eller transkriptioner ser ens ud), produktions-latens og streaming-begrænsninger, juridisk og kontrakt-mæssig kompleksitet på tværs af kunder og geografier, og de permanente kant-tilfælde, der kun viser sig under belastning. Laboratorier kan måle nøjagtighed på kuraterede sæt; produktion tvinger dig til at løse routing, observerbarhed, drift-detection, model-tilbageskridt og ansvarlig audit-spor. En anden lærdom: rigtig tillid er vundet ved at gøre modeller forklarbare, gentagbare og certificerbare, snarere end ved enkelt-sites-ydelse. Endelig underestimerer piloter den samlede ejer-omkostning: udviklere i produktion har brug for SDK’er, konsistente endpunkter og styre-primitiver for at fastholde sikkerhed og at iterere produktivt.

Sundhedssektoren kræver højere forklarbarhed end forbruger-AI. Hvordan tilgår du klinisk resonemang, gennemsigtighed 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, høj-risiko-information på en måde, der er gennemsigtig og inspicerbart.

Det er derfor, 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 blev rangeret som #1 på listen over 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 gennemsigtighed gå videre til installation. Vi tilbyder modelkort, validerings-benchmarks, audit-spor og versionskontrol, så kunder ved præcis, hvad der kører og hvordan det blev evaluaret. Udgangspunkter er knyttet til bevis, usikkerhed er eksplitt, og systemer er designet til at støtte kliniske medarbejdere som en underwriter af beslutninger, ikke erstatte dem med en uigennemsigtig sort kasse.

I sundhedssektoren er forklarbarhed ikke en funktion. Det er en forudsætning for tillid. Det er derfor, vi tilgår klinisk AI som en laboratorie-disciplin først og sikrer, at forskning leveres i produktions-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 udbydere fastholde kontrollen, samtidig med at de nyder godt af avanceret AI?

I sundhedssektoren betyder suverænitet, at udbydere fastholder kontrollen over data-residens, model-valg og operativ styre. Praktisk opnås suverænitet med muligheder for lokal eller regional hosting (suveræne skyer og på-prem), private model-endpunkter, fuld audit- og livscyklus-kontrol og kontrakt-mæssige og tekniske garantier (BA’er, SLA’er, DPIA’er). Suverænitet er ikke anti-sky; det er om at give udbydere muligheden for at vælge, hvor deres arbejdsbyrde kører, og at have verificerbar kontrol og sporbart over modeller og data. Den kombination låser udbydere til at få adgang til avancerede funktioner, samtidig med at de opfylder lovmæssige og institutionelle forpligtelser.

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

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

Hvor politikere nogen gange underestimerer virkeligheden er i, hvor operationel klinisk AI er. Godkendelse er ikke en engangs-godkendelse; det kræver kontinuerlig overvågning, versionskontrol og løbende validering. Samtidig må vi undgå at over-regulere. Hvis compliance bliver uproporcioneret, langsommes innovation, og nyttige værktøjer når aldrig kliniske medarbejdere.

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

Settende frem i tiden 12-24 måneder, hvilke store skift skal sundhedsledere forvente fra Corti, og hvordan sætter disse planer fundamentet for 2026?

Forvent, at Corti vil satse dobbelt på laboratorie-til-produktions-stien: leverer forsknings-baseret, klinisk-grads modeller og pakker dem som deployable infrastruktur (tale, kodning og agent-endpunkter, et klinisk resonemangs-lag og suveræne installationsmuligheder). Kommende roadmap-planer inkluderer forbedrede STT og latens-benchmarks, stemme-agenter, medicinske kodnings-modeller, der går i produktion, og multiple suveræne sky-lanceringer, alle udtrykkeligt designet til at flytte kunder fra piloter til certificeret produktion. Corti er ikke en enkelt aplikation; det er sundhedssektorens AI-laboratorium, bygget til at enable hele klasser af sikre, auditable kliniske software – fundamentet for vores 2026-ambitioner.

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