Andreas Cleve, Mitgründer und CEO von Corti – Interview-Serie

Andreas Cleve, Mitgründer und CEO von Corti, ist ein Unternehmer, der sich auf die Weiterentwicklung künstlicher Intelligenz im Gesundheitswesen konzentriert. Seine Arbeit in diesem Sektor begann mit Ovivo, einer Plattform für die Planung von Arbeitskräften in Krankenhäusern, die sich schnell in Dänemark ausbreitete und 2013 übernommen wurde. Später gründete er Hyvi, eine Forschungsinitiative, die kontextbewusste Sprachmodelle erforscht, die in der Lage sind, komplexe Gespräche in Echtzeit zu verstehen, die letztendlich 2018 in Corti aufging. Neben der Gründung von Unternehmen hat Cleve eine wichtige Rolle bei der Stärkung des nordischen Ökosystems für künstliche Intelligenz durch Initiativen wie Nordic.ai und Beratungsrollen bei Organisationen wie DIGITALEUROPE und dem Nationalen Digitalisierungsrat Dänemarks gespielt.

Corti ist ein in Kopenhagen ansässiges Gesundheitsunternehmen, das spezielle Modelle entwickelt, die medizinische Gespräche verstehen und Klinikern in Echtzeit unterstützen können. Seine Plattform fungiert als künstliche Intelligenz-Assistent für Gesundheitsfachkräfte, indem sie klinische Dokumentationen generiert, Erkenntnisse während der Patienteninteraktionen aufdeckt und administrative Arbeitsabläufe automatisiert. Durch die Bereitstellung seiner Technologie über APIs und Integrationen mit Gesundheitssystemen zielt Corti darauf ab, die Arbeitsbelastung der Klinikern zu reduzieren, während die Effizienz und Entscheidungsfindung in Krankenhäusern und digitalen Gesundheitsplattformen verbessert werden.

Sie sind in einer Familie aufgewachsen, in der Gesundheitswesen ein ständiger Teil des täglichen Lebens war… Wie haben diese frühen Erfahrungen die Gründung von Corti geprägt, und welche spezifischen Probleme wollten Sie von Anfang an lösen?

Das Aufwachsen in einer Familie, in der Gesundheitswesen ein ständiger Teil des täglichen Lebens war, hat zwei Dinge sehr deutlich gemacht: Expertenwissen ist enorm wichtig, und die Prozesse, die dieses Wissen übertragen, sind oft fragil und versagen den Menschen, die es am meisten benötigen. Diese frühen Erfahrungen in meinem Haushalt, die das Ringen von Pflegern, das Verlust von Wissen bei der Übergabe und die Angst vor inkonsistenter Pflege beinhalteten, haben den Glauben gesät, dass Gesundheitswesen vorhersehbar sein sollte und dass Klinikern niemals allein gelassen werden sollten, wenn eine schwierige Entscheidung ansteht. Das hat sich direkt in die Gründungsmission von Corti übersetzt: Systeme aufzubauen, die Expertenwissen untermauern, damit Klinikern immer verlässliche, Echtzeit-Entscheidungshilfe zur Verfügung steht.

Von Anfang an haben wir uns daran gemacht, die Ungleichheit zwischen der Komplexität der modernen Medizin und der begrenzten menschlichen Fähigkeit, sie überall anzuwenden, zu adressieren, indem wir künstliche Intelligenz entwickeln, die Varianz reduziert, Erkennung beschleunigt und sicherere Entscheidungen in den wichtigsten Momenten unterstützt.

Corti positioniert sich als Gesundheits-Infrastruktur für künstliche Intelligenz und nicht als eigenständiger künstlicher Intelligenz-Assistent. Was bedeutet Infrastruktur in diesem Kontext, und welche Fähigkeiten schafft sie, die punktuelle Lösungen oder chatbasierte Tools nicht bieten können?

Wenn wir von Infrastruktur sprechen, meinen wir, dass wir nicht nur einen einzigen Assistenten oder eine einzelne Anwendung liefern; wir bauen die grundlegende Plattform auf, die klinisch einsetzbare künstliche Intelligenz über viele Arbeitsabläufe hinweg ermöglicht. Infrastruktur bedeutet hier: gesundheitsnative Modelle und Daten (nicht generische Webdaten), eine klinische Reasoning-Schicht, die Antworten mit klinischem Kontext liefert, Lebenszyklus- und Governance-Tools (Modellkarten, Audit- Trails, nachvollziehbare Herkunft), Bereitstellungsoptionen, die Regulierungsanforderungen erfüllen (sovereign Cloud, On-Premises oder private Endpunkte), und Entwickler-orientierte APIs und SDKs, die es Produktteams ermöglichen, klinische Intelligenz in ihre Anwendungen ohne ML- oder Compliance-Experten zu integrieren.

Dieser Ansatz schafft drei Dinge, die punktuelle Lösungen nicht bieten können: (1) Bereitstellbarkeit, was bedeutet, dass Modelle und Laufzeiten realen klinischen Einschränkungen (Latenz, Datenresidenz, Prüfbarkeit) standhalten; (2) Skalierbarkeit über Fachbereiche hinweg, was bedeutet, wiederverwendbare, zertifizierte Bausteine (Sprach-, Codier-, klinisch abgestimmte Endpunkte) schafft, die die Kosten für den Aufbau vieler vertikaler Anwendungen reduzieren; und (3) regulatorisches und unternehmerisches Vertrauen, was bedeutet, dass Richtlinien, BAAs und Compliance-Primitiven in die Plattform integriert sind, so dass Kunden von Pilotprojekten zu Produktionsumgebungen wechseln können. Kurz gesagt, Infrastruktur wandelt klinische Forschung und Entwicklung in bereitstellbare Dienste um, die von Entwicklern und Krankenhäusern ausgerollt, zertifiziert und skaliert werden können.

General-purpose-Modelle für künstliche Intelligenz werden oft in klinischen Umgebungen mit gemischten Ergebnissen eingesetzt. Wie versagen diese Modelle am häufigsten, wenn sie in realen Gesundheitsumgebungen verwendet werden?

General-purpose-Modelle haben bemerkenswerte Fortschritte gemacht, und für viele Aufgaben funktionieren sie gut. Aber Gesundheitswesen belohnt Tiefe auf eine Weise, die horizontale künstliche Intelligenz nicht leicht nachahmen kann. Klinisches Reasoning hängt von subtilen Hinweisen, spezialisierten Terminologien, institutionellem Kontext und dem Verständnis ab, wie Dokumentation durch regulatorische und Erstattungssysteme fließt. Das richtig zu machen, erfordert Training auf klinischen Daten, Validierung gegen klinische Benchmarks und den Aufbau von Compliance in den Stack von Anfang an. Es ist kein Prompting-Problem; es ist ein Forschungsproblem, und deshalb denken wir, dass Gesundheitswesen ein dediziertes AI-Labor benötigt, das tief in die Domäne eintauchen kann, anstatt breit über viele Bereiche.

Corti operiert in Europa, den USA und darüber hinaus, jedes mit unterschiedlichen Gesundheitsmodellen und -regulierungen. Wie entwerfen Sie künstliche Intelligenz-Systeme, die sich an diese reale Komplexität anpassen?

Wir entwerfen für Komplexität, indem wir mehr des Stacks besitzen und indem wir Bereitstellung und Governance zu ersten Klassenbürgern machen. Praktisch bedeutet das, auf gesundheitsbezogenen Daten zu trainieren und Modelle für klinisches Reasoning zu optimieren; Audit-Trails, Modellkarten und BAA-fähige APIs aufzubauen; und die Architektur so zu gestalten, dass Compliance-Steuerungen nach geografischem Standort und Risikoprofil ausgewählt werden. Für Kunden, die es benötigen, bieten wir souveräne Cloud- und On-Premises-Bereitstellungsoptionen an, so dass Anbieter wählen können, wo ihre Daten gespeichert werden, und die Kontrolle über die auf ihnen laufenden Modelle behalten.

Diese Flexibilität ermöglicht es uns, dieselbe klinische künstliche Intelligenz über verschiedene Gesundheitsmodelle hinweg zu betreiben, während wir lokale Dokumentationsstandards, Datenschutzgesetze und institutionelle Governance respektieren. Wichtig ist, dass wir Forschung als Leiter zu Produktion behandeln; jeder Fortschritt muss nachvollziehbar, testbar und bereitstellbar in der realen Welt sein, nicht nur vielversprechend im Labor. Das ist, was es bedeutet, für klinische Realität gebaut zu sein.

Wenn man auf die klinischen Arbeitsabläufe von heute schaut, wo liefert Corti den größten, messbaren Einfluss, und warum sind diese Bereiche für überlastete Klinikern am wichtigsten?

Corti liefert heute den größten Einfluss in den klinischen und administrativen Arbeitsabläufen, die die größte Belastung tragen. Unsere Modelle und APIs ermöglichen umfassende Dokumentation, Codierung und agentengetriebene Automatisierung innerhalb von Gesundheitssoftware, die von Klinikern täglich genutzt wird.

Diese Bereiche sind wichtig, weil Dokumentation und Abrechnung zu den zeitaufwändigsten und fehleranfälligsten Teilen der Gesundheitsversorgung gehören. Wenn Gespräche in Echtzeit zu strukturierten, EHR-fähigen Notizen werden, wenn Codierung vollständiger und genauer ist und wenn Routinearbeitsabläufe sicher innerhalb regulierter Systeme automatisiert werden, verbringen Klinikern weniger Zeit mit Bürokratie und Organisationen sehen messbare Verbesserungen in Effizienz und Abrechnungsqualität.

Gesundheitswesen ist kein monolithisches Problem, sondern Tausende von fachspezifischen Arbeitsabläufen, die unter regulatorischem Druck stehen. Indem wir produktionssichere künstliche Intelligenz aufbauen, die in klinischer Realität gedeiht, ermöglichen wir es Softwareunternehmen und Gesundheitssystemen, diese Probleme im großen Maßstab anzugehen. Das ist, wo das AI-Labor von Gesundheitswesen praktische, messbare Rendite liefert.

Corti unterstützt Hunderttausende von Patienteninteraktionen täglich. Welche Lektionen sind aus dem Betrieb von künstlicher Intelligenz in diesem Umfang entstanden, die in Pilotprojekten oder Laborexperimenten nicht offensichtlich sind?

Der Betrieb auf großem Maßstab deckt Reibungspunkte auf, die in Pilotprojekten verborgen sind – heterogene Datenqualität (keine zwei EHRs oder Transkripte sehen gleich aus), Produktionslatenz und Streaming-Einschränkungen, rechtliche und vertragliche Komplexität über Kunden und geografische Regionen hinweg, und die ständigen Randfälle, die nur unter Last auftauchen. Laborexperimente können Genauigkeit auf kuratierten Datensätzen messen; Produktion zwingt dazu, Routing, Beobachtbarkeit, Drift-Erkennung, Modellrückgängigmachung und rechenschaftspflichtige Audit-Trails zu lösen. Eine weitere Lektion: echtes Vertrauen wird durch Erklärbarkeit, Wiederholbarkeit und Zertifizierbarkeit von Modellen erworben, und nicht durch Einzelplatzleistungen. Schließlich unterschätzen Pilotprojekte die Gesamtkosten: Entwickler in der Produktion benötigen SDKs, konsistente Endpunkte und Governance-Primitiven, um Sicherheit zu wahren und produktiv zu iterieren.

Gesundheitswesen fordert eine höhere Erklärbarkeit als Verbraucher-KI. Wie gehen Sie klinisches Reasoning, Transparenz und Rechenschaftspflicht an, wenn künstliche Intelligenz medizinische Entscheidungen beeinflusst?

Gesundheitswesen fordert einen höheren Standard, weil der Fehlerkosten real sind. Klinische künstliche Intelligenz kann nicht nur plausiblen Sprache generieren; sie muss über komplexe, regulierte, hochriskante Informationen in einer Weise reasonieren, die transparent und überprüfbar ist.

Deswegen haben wir GIM, unsere Gradient Interaction Modifications-Methode, entwickelt, um klinisches Reasoning auf ModellEbene interpretierbarer zu machen. GIM hat kürzlich die Hugging Face Mechanistic Interpretability Benchmark gewonnen und rangiert auf Platz 1 der Leaderboard unter Interpretierungsansätzen. Das ist wichtig, weil Interpretierbarkeit in Gesundheitswesen kein akademisches Übung ist – sie ist grundlegend für Vertrauen, Sicherheit und regulatorische Akzeptanz.

Jenseits der Forschung muss Transparenz bis zur Bereitstellung reichen. Wir bieten Modellkarten, Validierungsbenchmarks, Audit-Trails und Versionskontrolle, damit Kunden genau wissen, was läuft und wie es bewertet wurde. Ausgaben sind an Beweise gebunden, Unsicherheit ist explizit, und Systeme sind so konzipiert, dass sie Klinikern als Unterstützung bei Entscheidungen dienen, anstatt sie durch eine undurchsichtige Blackbox zu ersetzen.

In Gesundheitswesen ist Erklärbarkeit kein Feature. Sie ist eine Voraussetzung für Vertrauen. Deswegen gehen wir klinische künstliche Intelligenz als Labor-Disziplin an und stellen sicher, dass Forschung in produktionssicheren Systemen ankommt, die inspiziert, reguliert und sicher bereitgestellt werden können.

Künstliche Intelligenz-Souveränität ist ein kritischer Punkt in regulierten Sektoren. Was bedeutet Souveränität in Gesundheitswesen, und wie können Anbieter Kontrolle behalten, während sie gleichzeitig von fortschrittlicher künstlicher Intelligenz profitieren?

In Gesundheitswesen bedeutet Souveränität, dass Anbieter die Kontrolle über Datenresidenz, Modellauswahl und Betriebsregierung behalten. Praktisch wird Souveränität durch Optionen für lokale oder regionale Hosting (souveräne Cloud und On-Premises), private Modellendpunkte, vollständige Audit- und Lebenszykluskontrolle und vertragliche und technische Garantien (BAAs, SLAs, DPIAs) erreicht. Souveränität ist nicht anti-Cloud; es geht darum, Anbietern die Möglichkeit zu geben, zu wählen, wo ihre Workloads laufen, und verifiable Kontrolle und Nachvollziehbarkeit über Modelle und Daten zu haben. Diese Kombination ermöglicht es Anbietern, Zugang zu Spitzenleistungen zu erhalten, während sie gleichzeitig rechtliche und institutionelle Verpflichtungen erfüllen.

Als Gründer und Berater für EU-Initiativen, wie sehen Sie die Entwicklung der Regulierung, und wo unterschätzen Politiker noch die technischen Realitäten klinischer künstlicher Intelligenz?

Europa hat recht, Regulierung ernst zu nehmen. In Gesundheitswesen sind Prüfbarkeit, Nachvollziehbarkeit und Rechenschaftspflicht keine Optionen – sie sind Voraussetzungen für Vertrauen.

Wo Politiker manchmal die Realität unterschätzen, ist in der operativen klinischen künstlichen Intelligenz. Zertifizierung ist keine einmalige Genehmigung; sie erfordert kontinuierliche Überwachung, Versionskontrolle und anhaltende Validierung. Gleichzeitig müssen wir vermeiden, zu sehr zu regulieren. Wenn Compliance unverhältnismäßig wird, verlangsamt sich Innovation, und nützliche Werkzeuge erreichen Klinikern nie.

Bei Corti gehen wir davon aus, dass Regulierung von Anfang an einbezogen wird. Wir bauen Prüfbarkeit, Modellregierung und souveräne Bereitstellungsoptionen direkt in unsere Modelle und APIs ein, damit Start-ups und etablierte Anbieter nicht später für Compliance nachrüsten müssen. Gesundheitswesen ist komplex und fragmentiert, und der einzige Weg, mit Tempo voranzukommen, ist, regulatorische Bereitschaft in die Grundlage zu integrieren. Das Gleichgewicht, das Europa benötigt, ist streng, aber praktisch: Patienten schützen, aber es ermöglichen, sicher und im großen Maßstab zu bauen und bereitzustellen.

Wenn man in die nächsten 12-24 Monate blickt, welche großen Veränderungen sollten Gesundheitsleiter von Corti erwarten, und wie legen diese Pläne den Grundstein für 2026?

Erwarten Sie, dass Corti seine Bemühungen um den Weg vom Labor zur Produktion verdoppelt: forschungsbasierte, klinisch einsetzbare Modelle und deren Verpackung als bereitstellbare Infrastruktur (Sprach-, Codier- und Agenten-Endpunkte, eine klinische Reasoning-Schicht und souveräne Bereitstellungsoptionen). Geplante Roadmap-Pläne umfassen verbesserte STT und Latenzbenchmarks, Sprachagenten, medizinische Codiermodelle, die in die Produktion gehen, und mehrere souveräne Cloud-Starts, die explizit darauf ausgelegt sind, Kunden von Pilotprojekten zu zertifizierter Produktion zu bringen. Corti ist nicht eine einzelne Anwendung; es ist das AI-Labor von Gesundheitswesen, das darauf ausgelegt ist, ganze Klassen sicherer, prüfbarer klinischer Software zu ermöglichen – die Grundlage für unsere 2026-Ambitionen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Corti besuchen: Corti.