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

Andreas Cleve, Mitgründer und CEO von Corti, ist ein Unternehmer, der sich auf die Weiterentwicklung der künstlichen Intelligenz im Gesundheitswesen konzentriert. Seine Arbeit in diesem Sektor begann mit Ovivo, einer Plattform für die konversationelle Arbeitsplanung 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 schließlich 2018 zu Corti wurde. Neben der Gründung von Unternehmen hat Cleve eine Schlüsselrolle 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 für künstliche Intelligenz, das spezielle Modelle entwickelt, die medizinische Gespräche verstehen und Klinikpersonal in Echtzeit unterstützen. Seine Plattform fungiert als künstliche Intelligenz-Assistentin für Gesundheitsfachkräfte, indem sie klinische Dokumentationen generiert, Erkenntnisse während der Patienteninteraktionen aufdeckt und administrative Workflows automatisiert. Durch das Angebot seiner Technologie über APIs und Integrationen mit Gesundheitssystemen zielt Corti darauf ab, die Arbeitsbelastung der Klinikpersonal 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 Alltags 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 immer präsent war, hat zwei Dinge sehr deutlich gemacht: Expertise ist enorm wichtig, und die Prozesse, die diese Expertise übertragen, sind oft fragil und versagen häufig die Menschen, die sie am meisten benötigen. Diese frühen Erfahrungen in meinem Haushalt, die das Ringen von Pflegern, das Verlust von Wissen bei der Übergabe und die Angst, die von inkonsistenter Pflege ausgeht, beinhalteten, haben den Glauben gesät, dass Gesundheitswesen vorhersehbar sein sollte und dass Klinikpersonal niemals allein gelassen werden sollte, wenn eine schwierige Entscheidung ansteht. Das übersetzte sich direkt in die Gründungsmission von Corti: Systeme aufbauen, die Expertise absichern, damit Klinikpersonal immer verlässliche, Echtzeit-Entscheidungshilfe hat.

Von Anfang an haben wir uns daran gemacht, die Ungleichheit zwischen Angebot und Nachfrage im Gesundheitswesen anzugehen: die Lücke zwischen der Komplexität der modernen Medizin und der begrenzten menschlichen Fähigkeit, sie überall anzuwenden, indem wir künstliche Intelligenz schaffen, 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 schaltet sie frei, die Punktlösungen oder chatbasierte Tools nicht können?

Wenn wir von Infrastruktur sprechen, meinen wir, dass wir nicht nur einen einzigen Assistenten oder eine einzelne Anwendung ausliefern; wir bauen den grundlegenden Stack, der klinisch einsetzbare künstliche Intelligenz über viele Workflows hinweg ermöglicht. Infrastruktur bedeutet hier: gesundheitsnative Modelle und Daten (nicht allgemeine Webdaten), eine klinische Argumentations Ebene, die Antworten mit klinischem Kontext liefert, Lebenszyklus- und Governance-Tools (Modellkarten, Audit- Trails, nachprüfbare Herkunft), Bereitstellungsoptionen, die Regulierungsanforderungen erfüllen (sovereign Clouds, On-Premises- oder private Endpunkte), und Entwickler-orientierte APIs und SDKs, die es Produktteams ermöglichen, klinische Intelligenz in ihre Anwendungen einzubauen, ohne selbst zu künstlicher Intelligenz- oder Compliance-Experten zu werden.

Dieser Ansatz schaltet drei Dinge frei, die Punktlösungen nicht können: (1) Bereitstellbarkeit, was bedeutet, dass Modelle und Laufzeiten realen klinischen Einschränkungen (Latenz, Datenresidenz, Prüfbarkeit) standhalten; (2) Skalierbarkeit über Fachgebiete hinweg, was bedeutet, wiederverwendbare, zertifizierte Bausteine (Sprache, Kodierung, klinisch abgegrenzte Endpunkte), die die Kosten für den Bau vieler vertikaler Anwendungen reduzieren; und (3) regulatorisches und unternehmerisches Vertrauen, was bedeutet, dass Richtlinien, BAAs und Compliance-Primitiven in die Plattform integriert sind, sodass Kunden von Pilotprojekten zu Produktionsumgebungen übergehen können. Kurz gesagt, Infrastruktur wandelt klinische Forschung und Entwicklung in bereitstellbare Dienste um, die Entwickler und Krankenhäuser liefern, zertifizieren und skaliert bereitstellen können.

General-purpose-KI-Modelle 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 im Gesundheitswesen wird Tiefe auf eine Weise belohnt, die horizontale KI nicht leicht nachahmen kann. Klinische Argumentation 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 die Integration von Compliance in den Stack von Anfang an. Es ist kein Prompting-Problem; es ist ein Forschungsproblem, weswegen wir denken, dass das Gesundheitswesen ein dediziertes KI-Labor benötigt, das tief in das Fachgebiet eintauchen kann, anstatt breit über viele.

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

Wir entwerfen für Komplexität, indem wir mehr des Stacks besitzen und Bereitstellung und Regulierung zu ersten Klassenbürgern machen. Praktisch bedeutet das, auf gesundheitsbezogenen Daten zu trainieren und Modelle für klinische Argumentation zu optimieren; Audit-Trails, Modellkarten und BAA-fähige APIs aufzubauen; und Routing so zu architektieren, dass Compliance-Steuerungen nach geografischem Standort und Risikoprofil ausgewählt werden. Für Kunden, die es benötigen, bieten wir souveräne Cloud- und On-Premises-Bereitstellungsoptionen an, sodass 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 KI über verschiedene Gesundheitsmodelle hinweg zu betreiben, während lokale Dokumentationsstandards, Datenschutzgesetze und institutionelle Regulierungen respektiert werden. Wichtig ist, dass wir Forschung als Leiter zur Produktion behandeln; jeder Fortschritt muss nachvollziehbar, testbar und in der realen Welt bereitstellbar sein, nicht nur vielversprechend im Labor. Das bedeutet, für klinische Realität gebaut zu sein.

Bei der Betrachtung von klinischen Workflows an der Frontline heute, wo liefert Corti den größten, messbaren Einfluss, und warum sind diese Bereiche für überlastete Klinikpersonal am wichtigsten?

Corti hat heute den größten Einfluss auf klinische und administrative Workflows, die die größte Belastung tragen. Unsere Modelle und APIs ermöglichen ambientes Dokumentieren, Kodieren und agentengetriebene Automatisierung innerhalb von Gesundheitssoftware, die von Klinikpersonal jeden Tag verwendet wird.

Diese Bereiche sind wichtig, weil Dokumentation und Abrechnung zu den zeitaufwändigsten und fehleranfälligsten Teilen der Versorgung gehören. Wenn Gespräche in Echtzeit zu strukturierten, EHR-fertigen Notizen werden, wenn Kodierung vollständiger und genauer ist und wenn Routine-Workflows sicher innerhalb regulierter Systeme automatisiert werden, verbringen Klinikpersonal weniger Zeit mit Papierkram und Organisationen sehen messbare Verbesserungen in Effizienz und Abrechnungsqualität.

Gesundheitswesen ist nicht ein monolithisches Problem, sondern Tausende von fachspezifischen Workflows, die unter regulatorischem Druck operieren. Durch den Bau von produktionsreifer KI, die in klinischer Realität gedeiht, ermöglichen wir es Software-Unternehmen und Gesundheitssystemen, diese Probleme im großen Maßstab anzugehen. Das ist, wo das Gesundheits-KI-Labor praktische, messbare Rendite liefert.

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

Der Betrieb im großen 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. Labore können Genauigkeit auf kuratierten Datensätzen messen; Produktion zwingt zur Lösung von Routing, Beobachtbarkeit, Drift-Erkennung, Modellrückgängigstellung und rechenschaftspflichtigen Audit-Trails. Eine weitere Lektion: wahres Vertrauen wird durch Erklärbarkeit, Wiederholbarkeit und Zertifizierbarkeit von Modellen erworben, anstatt durch Einzelstandort-Leistung. Schließlich unterschätzen Pilotprojekte die Gesamtkosten des Besitzes: Entwickler in der Produktion benötigen SDKs, konsistente Endpunkte und Governance-Primitiven, um Sicherheit zu wahren und produktiv zu iterieren.

Gesundheitswesen verlangt höhere Erklärbarkeit als Verbraucher-KI. Wie gehen Sie bei klinischer Argumentation, Transparenz und Rechenschaftspflicht vor, wenn KI medizinische Entscheidungen beeinflusst?

Gesundheitswesen verlangt einen höheren Standard, weil der Fehlerkosten real sind. Klinische KI kann nicht nur plausible Sprache generieren; sie muss über komplexe, regulierte, hochriskante Informationen auf eine Weise argumentieren, die transparent und überprüfbar ist.

Deshalb haben wir GIM, unsere Gradient Interaction Modifications-Methode, entwickelt, um klinische Argumentation auf Modell-Ebene interpretierbarer zu machen. GIM hat kürzlich die Hugging Face Mechanistic Interpretability Benchmark geschnürt und den ersten Platz auf dem Leaderboard unter interpretierbaren Ansätzen belegt. Das ist wichtig, weil Interpretierbarkeit im Gesundheitswesen keine akademische Übung ist – sie ist grundlegend für Vertrauen, Sicherheit und regulatorische Akzeptanz.

Über Forschung hinaus 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 Klinikpersonal als Unterstützung von Entscheidungen und nicht als Ersatz durch eine undurchsichtige Blackbox dienen.

Im Gesundheitswesen ist Erklärbarkeit kein Feature. Sie ist eine Voraussetzung für Vertrauen. Deshalb behandeln wir klinische KI als Labor-Disziplin und stellen sicher, dass Forschung in produktionsreifen Systemen geliefert wird, die überprüft, geregelt und sicher bereitgestellt werden können.

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

Im Gesundheitswesen bedeutet Souveränität, dass Anbieter die Kontrolle über Datenresidenz, Modellauswahl und operative Regulierung behalten. Praktisch wird Souveränität durch Optionen für lokale oder regionale Hosting (souveräne Clouds und On-Premises), private Modell-Endpunkte, vollständige Audit- und Lebenszyklus-Kontrolle 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 von klinischer KI?

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

Wo Politiker manchmal die Realität unterschätzen, ist in der operativen klinischen KI. 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 Klinikpersonal nie.

Bei Corti gehen wir davon aus, dass Regulierung von Tag eins an gilt. Wir bauen Prüfbarkeit, Modell-Governance und souveräne Bereitstellungsoptionen direkt in unsere Modelle und APIs ein, sodass 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.

Blicken Sie 12-24 Monate voraus, welche großen Veränderungen sollten Gesundheitsführer von Corti erwarten, und wie legen diese Pläne den Grundstein für 2026?

Erwarten Sie, dass Corti den laborgestützten Weg zur Produktion verdoppelt: forschungsbasierte, klinisch einsetzbare Modelle und sie als bereitstellbare Infrastruktur verpacken (Sprache, Kodierung und Agent-Endpunkte, eine klinische Argumentations-Ebene und souveräne Bereitstellungsoptionen). Geplante Roadmap-Pläne umfassen verbesserte STT- und Latenz-Benchmarks, Sprachagenten, medizinische Kodierungsmodelle, die in die Produktion gehen, und mehrere souveräne Cloud-Starts, alle explizit darauf ausgelegt, Kunden von Pilotprojekten zu zertifizierter Produktion zu bringen. Corti ist nicht eine einzelne Anwendung; es ist das Gesundheits-KI-Labor, gebaut, um 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.