Sundar Subramanian, administrerende direktør for Zyter – Interviewserie

Sundar Subramanian, CEO of Zyter, er en erfaren strategi- og sundhedssektorleder med en baggrund inden for ledelseskonsultation, digital transformation og store sundhedsdrift. Før han blev administrerende direktør i juli 2025, tilbragte han mere end 16 år hos PwC’s Strategy&, hvor han ledede den amerikanske strategi‑konsulentforretning samt deres Enterprise Strategy, Value and Digital Transformation‑praksis og rådgav store organisationer om vækst, redesign af driftsmodeller og AI‑drevet transformation. Tidligere i sin karriere var Subramanian medleder af Booz & Company’s Medicaid and Medicare Center of Excellence og arbejdede indgående med sundhedsudbydere efter seniorroller hos WellCare og McKinsey & Company. Hos Zyter leder han virksomhedens udvidelse omkring agentisk AI og intelligent workflow‑orchestrering, med vægt på at bruge AI til at redesigne end‑to‑end forretningsprocesser i stedet for blot at automatisere enkelte opgaver.

Zyter er en privat ejet virksomhed inden for enterprise‑teknologi med mere end to årtiers erfaring i digital sundhedspleje, hvor deres TruCare‑platform for befolkningssundhed har opbygget et fodaftryk, der understøtter over 44 millioner liv på tværs af mere end 45 sundhedsorganisationer. Virksomheden bygger nu videre på sine sundheds‑rødder med en AI‑eksekveringsplatform designet til komplekse og stærkt regulerede arbejdsprocesser inden for sundhedssektoren, offentlige myndigheder og finansielle tjenester. Arkitekturen kombinerer Zyter Symphony, som koordinerer AI‑agenter, enterprise‑systemer og menneskelige handlinger; Zyter Praxis, som samler agenter, regler, data og menneskelig tilsyn i end‑to‑end workflow‑moduler; og TruCare Digital Core, som forbinder disse workflows med systemer såsom elektroniske patientjournaler, krav‑platforme, ERP‑systemer og CRM‑software. Det overordnede mål er at gøre agentisk AI operationel i eksisterende enterprise‑miljøer, samtidig med at styring, sporbarhed og menneskelig kontrol over væsentlige beslutninger bevares.

Du tilbragte mere end 16 år hos Strategy&, hvor du ledede deres amerikanske strategi‑konsulentforretning og arbejdede indgående inden for sundhedssektoren, efter tidligere erfaring hos WellCare. Hvad overbeviste dig om, at sundhedsvæsenets næste store spring ville komme fra agentisk AI og workflow‑eksekvering snarere end en ny generation af traditionel software?

Gennem min karriere har jeg haft mulighed for at se sundhedssektoren fra flere perspektiver – som operatør, strategi‑konsulent og nu som teknologisk udvikler. På tværs af disse erfaringer blev én observation stadigt klarere. Sundhedssektoren havde ikke problemer, fordi den manglede teknologi. Den havde problemer, fordi teknologien ikke ændrede, hvordan arbejdet blev udført.

I løbet af det sidste årti har branchen investeret kraftigt i digitalisering. Vi moderniserede infrastrukturen, udvidede analytik, forbedrede interoperabilitet og har for nylig omfavnet AI. Disse investeringer skabte vigtige nye kapaciteter, men de løste ikke en af sundhedssektorens mest vedvarende udfordringer: at koordinere arbejde på tværs af mennesker, systemer, politikker og organisationer. Alt for ofte blev teknologi lagdelt oven på eksisterende driftsmodeller i stedet for at ændre, hvordan de fungerer.

Den erkendelse ændrede min tankegang om transformation. Den næste fase defineres ikke ved at implementere mere AI. Den handler om at redesigne, hvordan arbejdet udføres. AI er en ekstraordinær muliggjører, men dens største værdi kommer fra at hjælpe organisationer med at udføre mere effektivt ved at orkestrere arbejde på tværs af mennesker, systemer, politikker og AI.

Det er det, der tiltrak mig til Zyter. Efter år med at hjælpe organisationer med at udvikle transformationsstrategier ønskede jeg at bidrage til at bygge eksekveringslaget, der omsætter disse strategier til målbare resultater. For mig handler fremtiden for sundhedssektoren ikke om at gøre AI mere intelligent. Det handler om at hjælpe sundhedssektoren med at fungere mere intelligent.

Zyter positionerer sig som et eksekveringslag for den agentiske virksomhed, med Symphony som orkestrerer agenter og mennesker, Praxis som udfører workflows, og TruCare som forankrer dem i enterprise‑data. Hvad kan denne arkitektur opnå, som individuelle AI‑copiloter ikke kan?

Enterprise‑transformation har aldrig været begrænset af mangel på idéer eller intelligens. Organisationer ved som regel, hvad de skal gøre. Den sværere udfordring er konsekvent at omsætte disse beslutninger til handling på tværs af mennesker, systemer, politikker og arbejdsprocesser.

Det er her, jeg ser den næste fase af enterprise‑AI. Individuelle AI‑assistenter gør mennesker mere produktive. Enterprise‑AI bør gøre organisationer mere effektive. Den skal koordinere arbejde, udføre workflows, tilpasse sig ændringer i betingelserne og løbende forbedre, hvordan organisationen fungerer.

Vores arkitektur afspejler denne filosofi. Symphony orkestrerer AI‑agenter, enterprise‑systemer og menneskelig ekspertise. Praxis udfører workflows, og TruCare leverer den operationelle grundlag, der forankrer disse workflows i pålidelige enterprise‑data. Sammen skaber de et eksekveringslag, hvor AI bliver en del af, hvordan arbejdet udføres, snarere end blot et ekstra værktøj, som folk bruger ved siden af deres arbejde.

Organisationer vil i sidste ende måle AI ud fra dens evne til at forbedre resultater. Produktivitet er vigtigt, men den langsigtede værdi kommer fra at hjælpe virksomheder med at udføre mere konsekvent, tilpasse sig hurtigere og lære af hver workflow, de kører.

Agentisk AI bliver meget mere kompleks, når flere agenter deler data, overdrager opgaver og eskalerer beslutninger til mennesker. Hvad har Zyter lært om at gøre multi‑agent‑systemer pålidelige nok til sundhedssektoren i stor skala?

Efterhånden som AI bevæger sig ud over individuelle anvendelsestilfælde og bliver en del af den daglige drift, ændrer udfordringen sig. Det handler mindre om, hvor intelligent en enkelt agent er, og mere om, hvordan arbejdet koordineres på tværs af systemer, politikker, mennesker og AI.

Vi har erfaret, at specialisering betyder noget. Sundhedssektoren er ikke afhængig af én person til at gøre alting, og AI bør heller ikke være det. Agenter med klart definerede ansvarsområder er mere pålidelige, lettere at styre og lettere at forbedre over tid. Orkestreringslaget koordinerer disse agenter, håndterer overdragelser, anvender politikker konsekvent og fastlægger, hvornår menneskelig ekspertise skal bringes ind i workflowet.

Synlighed er lige så vigtigt. Teams skal forstå, hvordan beslutninger blev truffet, hvilken information der lagde grundlag for dem, og hvordan de bidrog til resultatet. At registrere beslutningslinjen skaber den gennemsigtighed, samtidig med at hver workflow kan blive en kilde til læring og løbende forbedring.

Pålidelig AI defineres ikke ud fra, hvor mange agenter der er implementeret. Den afspejles i, hvor konsekvent arbejdet udføres, hvor trygt folk kan stole på resultaterne, og hvor effektivt systemet forbedres over tid.

Sundhedsorganisationer ønsker, at AI‑systemer skal forbedres over tid, men de har også brug for forudsigelig adfærd og sporbarhed. Hvordan muliggør du kontinuerlig læring uden at lade systemerne afvige fra kliniske retningslinjer, betaler‑politikker eller godkendte workflows?

Jeg tror ikke, at alle beslutninger skal automatiseres via AI. I sundhedssektoren er der mange beslutninger, hvor deterministisk logik, etablerede forretningsregler eller kliniske politikker kan give et klart og konsistent svar. Hvor det er muligt, bør vi bruge dem i stedet for at indføre unødvendig usikkerhed.

Den mere interessante mulighed er at kombinere disse deterministiske tilgange med AI. Vi har med succes implementeret neuro‑symbolisk logik, der skaber et verifikationslag omkring AI‑drevet ræsonnement. AI kan fortolke kompleks eller ustruktureret information, mens deterministiske regler og symbolsk logik bekræfter, at den resulterende handling forbliver i overensstemmelse med etablerede politikker, retningslinjer og godkendte workflows. Det reducerer usikkerhed og forbedrer nøjagtigheden sammenlignet med kun at stole på en AI‑drevet tilgang.

Dette ændrer også min opfattelse af kontinuerlig læring. Målet er ikke at give AI større frihed til at træffe beslutninger over tid. Det er at lære af eksekveringen, mens man bevarer de kontroller, der bestemmer, hvordan væsentlige beslutninger træffes. Man kan forbedre, hvordan systemet fortolker information, håndterer undtagelser og koordinerer arbejde uden at lade det afvige fra de regler, der styrer den underliggende proces.

Den kombination af AI‑ræsonnement, deterministisk beslutningstagning og løbende verifikation er, hvordan man skaber systemer, der kan forbedres over tid, samtidig med at de forbliver forudsigelige, sporbare og ansvarlige.

Zyter har undersøgt C‑RLM, en rekursiv tilgang til at syntetisere lange og fragmenterede kliniske historik. Hvor vigtig vil langt‑kontekst‑ræsonnement blive i sundhedssektoren, og kan agenter på sigt opretholde en løbende udviklende forståelse af hver patient?

Sundhedssektoren har aldrig haft problemer med mangel på information. Udfordringen er, at en patients historie er spredt over år af læge‑notater, laboratorieresultater, medicin, billeddiagnostik, krav og plejeinteraktioner. At forstå denne historik kræver mere end blot at behandle store datamængder. Det kræver at forbinde beviser, genkende mønstre og opbygge en sammenhængende forståelse af hver patients forløb.

Langt‑kontekst‑ræsonnement vil blive stadig vigtigere, efterhånden som AI bevæger sig ud over at hjælpe med enkelte opgaver og begynder at understøtte langsigtet pleje. Vores arbejde med C‑RLM afspejler denne retning. Målet er ikke blot at opsummere mere information. Det er at syntetisere fragmenteret klinisk evidens til en struktureret forståelse, der forbliver forankret i den underliggende journal. Hver konklusion skal også kunne spores tilbage til sin kilde, så klinikere kan forstå, hvordan den blev nået, og validere den mod evidensen.

Efterhånden som disse kapaciteter modnes, vil AI‑agenter i stigende grad hjælpe med at opretholde en løbende udviklende forståelse af hver patients forløb. Denne forståelse bør blive rigere, efterhånden som ny information bliver tilgængelig, samtidig med at den forbliver gennemsigtig, evidensbaseret og forankret i pålidelig klinisk data. AI’s rolle er at give klinikere et mere komplet billede, så de kan træffe bedre informerede beslutninger med større sikkerhed.

Zyter deltager i CMS WISeR‑programmet, hvor AI kan understøtte workflows, mens autoriserede klinikere bevarer beslutningsmyndigheden. Er det cirka, hvor autonomigrænsen bør ligge i dag, og hvad skulle ændres, før AI‑agenter kunne påtage sig mere væsentlige beslutninger?

Jeg tror ikke, der findes én enkelt autonomigrænse for sundhedssektoren. AI’s passende rolle afhænger af workflowet, risikoniveauet og den tillid, organisationerne har til, at systemet vil opføre sig konsekvent under reelle forhold.

Programmer som WISeR afspejler denne virkelighed. AI er allerede meget effektiv til at syntetisere information, anvende etablerede politikker konsekvent, koordinere administrative workflows og reducere gentagne opgaver. Autoriserede klinikere fortsætter med at yde dømmekraft for beslutninger, hvor kontekst, tvetydighed og ansvarlighed er mest afgørende. Det er en driftsmodel, der afspejler styrkerne ved både AI og menneskelig ekspertise.

Over tid vil disse grænser fortsætte med at udvikle sig, men de bør udvikle sig, fordi tilliden er opbygget, ikke fordi modellerne er blevet mere kapable. Tillid kommer fra evidens, gennemsigtighed, validering og konsekvent præstation i produktion. Hver udvidelse af AI’s rolle bør understøttes af de samme standarder, som sundhedssektoren anvender på enhver anden kritisk funktion.

Jeg tror ikke, at succes vil blive målt på, hvor autonom AI bliver. Den vil blive målt på, om patienter får bedre pleje, klinikere har mere tid til at fokusere på komplekse beslutninger, og sundhedssektoren fungerer mere effektivt som følge heraf.

Zyter har for nylig flyttet TruCare til en cloud‑native AWS‑infrastruktur for at understøtte AI‑orchestrering i virksomhedsstørrelse. Hvor meget af udfordringen i agentisk AI handler om selve modellerne versus infrastrukturen, der forbinder data, systemer, politikker og mennesker?

Fundamentale modeller udvikler sig i et ekstraordinært tempo, og det er positivt for hele branchen. Diskussionen skifter gradvist fra, hvad modeller kan, til hvordan de fungerer inden for reelle virksomheder.

At forbinde data, systemer, politikker og mennesker er stedet, hvor transformation enten lykkes eller stopper. AI skal fungere inden for eksisterende driftsmiljøer, udføre på tværs af flere systemer, anvende politikker konsekvent og levere pålidelig ydeevne i produktionsskala. Uden dette fundament forbliver selv den mest kapable model frakoblet fra det arbejde, den skal forbedre.

Vores overgang til en cloud‑native AWS‑arkitektur afspejler denne udvikling. Den leverer det robuste, skalerbare fundament, der er nødvendigt for at orkestrere AI på tværs af enterprise‑workflows, samtidig med at den opretholder den pålidelighed, styring og ydeevne, som sundhedssektoren kræver. Infrastrukturen er vigtig, fordi den gør det muligt for AI at blive en del af, hvordan arbejdet udføres hver dag, i stedet for blot en ekstra applikation, der kører ved siden af eksisterende processer.

Den langsigtede mulighed defineres ikke kun af bedre modeller. Den opstår ved at kombinere fremskridt inden for AI med den infrastruktur og driftsmodel, der kræves for at udføre arbejde konsekvent i virksomhedsstørrelse.

Zyter positionerer også sin eksekveringsmodel for andre regulerede industrier, herunder finansielle tjenester og offentlige myndigheder. Hvilke dele af platformen er reelt horisontale, og hvilke fordele kommer specifikt fra Zyters erfaring inden for sundhedssektoren?

Regulerede industrier betragtes ofte ud fra, hvad der gør dem forskellige. Jeg har erfaret, at det er lige så vigtigt at forstå, hvad de har til fælles. Uanset om du leverer sundhedspleje, håndterer finansiel risiko eller støtter offentlige programmer, afhænger succes af at koordinere komplekst arbejde på tværs af mennesker, systemer, politikker og data, samtidig med at ansvarlighed for hver beslutning opretholdes.

Det er her, jeg ser eksekveringsmodellen som grundlæggende horisontal. At orkestrere AI, enterprise‑systemer og menneskelig ekspertise, anvende politikker konsekvent, koordinere arbejde på tværs af flere systemer og opretholde gennemsigtighed er udfordringer, der strækker sig langt ud over sundhedssektoren. Workflows varierer efter industri, men behovet for pålidelig eksekvering er bemærkelsesværdigt konsistent.

Sundhedssektoren ændrede ikke, hvad vi byggede. Den hævede standarden for, hvordan vi måtte bygge det. Kliniske workflows kræver præcision, interoperabilitet, styring, robusthed og tillid, fordi konsekvenserne af fejl er betydelige. Designet til dette kompleksitetsniveau skabte en eksekveringsmodel, der kan tilpasses andre regulerede industrier, hvor operationel disciplin, overholdelse og ansvarlighed er lige så kritiske.

Efterhånden som AI bliver dybere integreret i enterprise‑operationer, tror jeg, at diskussionen vil flytte sig fra, om en funktionalitet er bygget til en specifik industri, til om den kan eksekvere pålideligt i komplekse, regulerede miljøer. Det er den standard, vi har designet fra starten.

Zyters Rural Health Orchestrator samler virtuel pleje, fjernovervågning, pleje‑styring og kliniske tjenester. Hvad kan agentisk orkestrering løse i landdistrikts‑sundhedspleje, som telehealth alene ikke kan?

Telehealth løste en vigtig adgangsudfordring. Den næste udfordring er at sikre, at hver interaktion fører til koordineret handling og målbare resultater.

Sundhedspleje i landdistrikter har gjort betydelige fremskridt med at udvide adgang via telehealth, fjernovervågning og bredbåndsinvesteringer. Alligevel har resultaterne ikke fulgt med, fordi for mange digitale interaktioner forbliver frakoblet fra den bredere pleje‑rejse. Et virtuelt besøg, der ikke opdaterer en plejeplan, udløser opfølgning eller koordinerer næste skridt, forbedrer adgangen, men nødvendigvis ikke helbredet.

Det er her, orkestrering bliver afgørende. Den forbinder telehealth, fjernovervågning, pleje‑styring, lokalsamfundsressourcer og kliniske workflows til et enkelt, koordineret system, så information flyder problemfrit, og handling følger automatisk. Hver interaktion bliver en del af en kontinuerlig pleje‑rejse i stedet for en isoleret begivenhed.

Muligheden er ikke blot at udvide adgangen. Det er at omsætte adgang til resultater. Når pleje er forbundet på tværs af mennesker, systemer og workflows, bruger klinikere mindre tid på at navigere i fragmenterede processer, får patienter mere konsistent opfølgning, og sundhedssystemer i landdistrikter kan levere bedre resultater med de ressourcer, de allerede har. Det er her, jeg mener, AI‑orkestrering skaber sin største værdi.

Med det nye PwC‑samarbejde, hvad vil skelne en succesfuld AI‑transformation fra et andet sundheds‑AI‑pilotprojekt? Hvilke målbare resultater vil overbevise dig om, at AI grundlæggende har forbedret, hvordan en betaler eller udbyder fungerer?

Sundhedssektoren har i årevis investeret i digitale kapaciteter. I dag har de fleste organisationer adgang til data, AI og moderne teknologi. Den næste fase handler ikke om at tilføje flere kapaciteter. Den handler om at redesigne, hvordan arbejdet udføres.

Det er derfor, jeg ikke måler transformation på antallet af AI‑modeller, der er implementeret, eller antallet af pilotprojekter, der er lanceret. Jeg ser på, om en organisations driftsmodel har ændret sig. Går beslutninger hurtigere? Er workflows mere koordinerede på tværs af afdelinger og systemer? Falder de administrative byrder, mens klinikere og plejeteams bruger mere tid på aktiviteter, der forbedrer patient

Det er filosofien bag vores samarbejde med PwC. PwC bringer dyb ekspertise inden for sundhedsstrategi og transformation. Zyter leverer eksekveringslaget, der operationaliserer disse strategier på tværs af komplekse workflows, ved at forbinde AI, enterprise‑systemer, politikker og mennesker, så organisationer konsekvent kan omsætte strategi til handling.

For mig sker en succesfuld AI‑transformation, når AI ikke længere betragtes som et separat initiativ. Den bliver en del af driftsmodellen. På det tidspunkt måler organisationer ikke AI’s succes i sig selv. De måler bedre resultater, lavere administrative omkostninger, mere koordineret pleje og et sundhedssystem, der fungerer mere effektivt, fordi eksekveringen grundlæggende er forbedret.

Tak for det gode interview, læsere, der ønsker at lære mere, bør besøge Zyter.