Andreas Cleve, Co-Fundador y CEO de Corti – Serie de Entrevistas

Andreas Cleve, Co-Fundador y CEO de Corti, es un empresario enfocado en avanzar la inteligencia artificial en la atención médica. Su trabajo en el sector comenzó con Ovivo, una plataforma de planificación de la fuerza laboral conversacional para hospitales que se expandió rápidamente en Dinamarca antes de ser adquirida en 2013. Más tarde, co-fundó Hyvi, una iniciativa de investigación que explora modelos de lenguaje conscientes del contexto capaces de entender conversaciones complejas en tiempo real, que finalmente evolucionó en Corti en 2018. Más allá de construir empresas, Cleve ha desempeñado un papel clave en el fortalecimiento del ecosistema de inteligencia artificial nórdico a través de iniciativas como Nordic.ai y roles asesores con organizaciones que incluyen DIGITALEUROPE y el Consejo Nacional de Digitalización de Dinamarca.

Corti es una empresa de inteligencia artificial en la atención médica con sede en Copenhague que desarrolla modelos especializados diseñados para entender conversaciones médicas y apoyar a los clínicos en tiempo real. Su plataforma actúa como asistente de inteligencia artificial para profesionales de la salud al generar documentación clínica, mostrar información durante las interacciones con los pacientes y automatizar flujos de trabajo administrativos. Al ofrecer su tecnología a través de API y integraciones con sistemas de atención médica, Corti busca reducir la carga de trabajo de los clínicos mientras mejora la eficiencia y la toma de decisiones en hospitales y plataformas de salud digital.

Creciste en una familia donde la atención médica era una parte constante de la vida diaria… ¿Cómo esas experiencias tempranas dieron forma a la fundación de Corti, y qué problemas específicos estabas decidido a resolver desde el primer día?

Crecer alrededor de la atención médica hizo que dos cosas fueran dolorosamente claras: la experiencia es enormemente importante, y los procesos que transfieren esa experiencia son frágiles y a menudo fallan a las personas que más lo necesitan. Esas experiencias tempranas en el hogar, que incluyeron ver a los cuidadores luchar, ver cómo se perdía el conocimiento en la entrega de la atención y sentir el miedo que viene de la atención inconsistente, sembraron la creencia de que la atención médica debería ser predecible y que los clínicos nunca deberían estar solos cuando una decisión difícil llega. Eso se tradujo directamente en la misión fundadora de Corti: construir sistemas que respalden la experiencia, para que los clínicos siempre tengan un apoyo de decisión confiable y en tiempo real.

Desde el primer día, nos propusimos abordar el desequilibrio entre la oferta y la demanda en la atención médica: la brecha entre la complejidad de la medicina moderna y la capacidad humana limitada para aplicarla en todas partes, creando inteligencia artificial que reduce la variabilidad, acelera la detección y apoya decisiones más seguras en los momentos que más importan.

Corti se posiciona como infraestructura de inteligencia artificial en la atención médica en lugar de un asistente de inteligencia artificial autónomo. ¿Qué significa infraestructura en este contexto, y qué capacidades desbloquea que las soluciones puntuales o las herramientas basadas en chat no pueden?

Cuando hablamos de infraestructura, nos referimos a que no estamos enviando un asistente o widget único; estamos construyendo la pila fundamental que hace posible la inteligencia artificial clínica de grado en muchos flujos de trabajo. La infraestructura aquí significa: modelos y datos nativos de la atención médica (no datos genéricos de la web), una capa de razonamiento clínico que muestra respuestas con contexto clínico, herramientas de ciclo de vida y gobernanza (tarjetas de modelo, registros de auditoría, linaje verificable), opciones de implementación que cumplen con los reguladores (nubes soberanas, puntos finales privados o en premisas), y API y SDK de cara a los desarrolladores que permiten a los equipos de productos integrar inteligencia clínica en sus aplicaciones sin convertirse en expertos en aprendizaje automático o cumplimiento.

Ese enfoque desbloquea tres cosas que las soluciones puntuales no pueden: (1) la capacidad de desplegar, lo que significa modelos y tiempos de ejecución que sobreviven a las restricciones clínicas reales (latencia, residencia de datos, auditoría); (2) la escalabilidad en especialidades, lo que significa bloques de construcción reutilizables y certificados (puntos finales de habla, codificación, puntos finales clínicamente definidos) que reducen el costo de construir muchas aplicaciones verticales; y (3) la confianza regulatoria y empresarial, lo que significa políticas, acuerdos de asociación empresarial y primitivos de cumplimiento integrados en la plataforma para que los clientes puedan moverse desde pilotos a producción. En resumen, la infraestructura convierte la investigación clínica en servicios desplegables que los desarrolladores y los sistemas de salud pueden enviar, certificar y escalar.

Los modelos de inteligencia artificial de propósito general a menudo se aplican en entornos clínicos con resultados mixtos. ¿Cuáles son las formas más comunes en que estos modelos no cumplen cuando se utilizan en entornos de atención médica reales?

Los modelos de propósito general han hecho un progreso notable, y para muchas tareas funcionan bien. Pero la atención médica recompensa la profundidad de maneras que la inteligencia artificial horizontal no puede replicar fácilmente. El razonamiento clínico depende de señales, terminología especializada, contexto institucional y comprensión de cómo fluye la documentación a través de los sistemas regulatorios y de reembolso. Hacerlo bien requiere capacitación en datos clínicos, validación contra benchmarks clínicos y construcción de cumplimiento en la pila desde el principio. No es un problema de prompting; es un problema de investigación, lo que explica por qué pensamos que la atención médica necesita un laboratorio de inteligencia artificial dedicado, uno que pueda profundizar en el dominio en lugar de ser amplio en muchos.

Corti opera en Europa, EE. UU. y más allá, cada uno con diferentes modelos de atención y gobernanza. ¿Cómo diseñan sistemas de inteligencia artificial que se adapten a esta complejidad del mundo real?

Diseñamos para la complejidad al poseer más de la pila y al hacer que la implementación y la gobernanza sean ciudadanos de primera clase. En la práctica, eso significa capacitación en datos de atención médica exclusivamente y ajuste de modelos para el razonamiento clínico; construcción de registros de auditoría, tarjetas de modelo y API listas para BAA; y arquitectura de enrutamiento para que los controles de cumplimiento sean seleccionados por geografía y perfil de riesgo. Para los clientes que lo necesitan, ofrecemos opciones de implementación de nube soberana y en premisas, para que los proveedores puedan elegir dónde vive su datos y mantener el control sobre los modelos que se ejecutan en él.

Esa flexibilidad nos permite ejecutar la misma inteligencia artificial clínica en diferentes modelos de atención mientras honramos los estándares de documentación locales, las leyes de privacidad y la gobernanza institucional. Es importante que tratemos la investigación como una escalera hacia la producción; cada avance debe ser trazable, verificable y desplegable en el mundo real, no solo prometedor en el laboratorio. Eso es lo que significa estar construido para prosperar en la realidad clínica.

Al mirar los flujos de trabajo clínicos de primera línea hoy, ¿dónde Corti entrega el impacto más inmediato y medible, y por qué esas áreas importan más para los clínicos sobrecargados de trabajo?

El impacto más inmediato de Corti hoy está en los flujos de trabajo clínicos y administrativos que llevan la mayor carga. Nuestros modelos y API potencian la documentación ambiental, la codificación y la automatización basada en agentes dentro del software de atención médica utilizado por los clínicos todos los días.

Esas áreas importan porque la documentación y la facturación son partes de la entrega de la atención que consumen más tiempo y son propensas a errores. Cuando las conversaciones se convierten en notas de registro de salud electrónicas estructuradas en tiempo real, cuando la codificación es más completa y precisa, y cuando los flujos de trabajo rutinarios se automatizan de manera segura dentro de sistemas regulados, los clínicos dedican menos tiempo a la documentación y las organizaciones ven mejoras medibles en la eficiencia y la calidad de la facturación.

La atención médica no es un problema monolítico, sino miles de flujos de trabajo especializados que operan bajo presión regulatoria. Al construir inteligencia artificial de grado de producción que prospera en la realidad clínica, permitimos que las empresas de software y los sistemas de salud aborden esos problemas a escala. Ese es el lugar donde el laboratorio de inteligencia artificial de la atención médica entrega un retorno práctico y medible.

Corti admite cientos de miles de interacciones de pacientes todos los días. ¿Qué lecciones han surgido al operar la inteligencia artificial a esa escala que no son obvias en pilotos o entornos de laboratorio?

Operar a escala expone la fricción que los pilotos ocultan: la calidad heterogénea de los datos (ningún par de registros de salud electrónicos o transcripciones de llamadas se ve igual), las limitaciones de latencia y transmisión en producción, la complejidad legal y contractual en clientes y geografías, y los casos de borde perpetuos que solo aparecen bajo carga. Los laboratorios pueden medir la precisión en conjuntos curados; la producción obliga a resolver el enrutamiento, la observabilidad, la detección de deriva, la reversión del modelo y los registros de auditoría responsables. Otra lección: la confianza real se gana haciendo que los modelos sean explicables, repetibles y certificables, en lugar de solo rendimiento en un solo sitio. Finalmente, los pilotos subestiman el costo total de propiedad: los desarrolladores en producción necesitan SDK, puntos finales consistentes y primitivos de gobernanza para mantener la seguridad y iterar de manera productiva.

La atención médica exige una mayor explicabilidad que la inteligencia artificial del consumidor. ¿Cómo aborda el razonamiento clínico, la transparencia y la rendición de cuentas cuando la inteligencia artificial influye en las decisiones médicas?

La atención médica exige un estándar más alto porque el costo del error es real. La inteligencia artificial clínica no puede simplemente generar lenguaje plausible; debe razonar sobre información compleja, regulada y de alto riesgo de manera transparente y inspectable.

Es por eso que desarrollamos GIM, nuestro método de Modificaciones de Interacción de Gradiente, para hacer que el razonamiento clínico sea más interpretable a nivel de modelo. GIM encabezó recientemente la clasificación de interpretabilidad mecanicista de Hugging Face, clasificándose como el número uno en la clasificación entre los enfoques de interpretabilidad. Eso importa porque la interpretabilidad no es un ejercicio académico en la atención médica; es fundamental para la confianza, la seguridad y la adopción regulatoria.

Más allá de la investigación, la transparencia debe llevarse a la implementación. Proporcionamos tarjetas de modelo, benchmarks de validación, registros de auditoría y control de versiones para que los clientes sepan exactamente qué se está ejecutando y cómo se evaluó. Las salidas están vinculadas a la evidencia, la incertidumbre es explícita y los sistemas están diseñados para apoyar a los clínicos como garantes de las decisiones, no reemplazarlos con una caja negra opaca.

En la atención médica, la explicabilidad no es una característica; es un requisito previo para la confianza. Eso es por lo que abordamos la inteligencia artificial clínica como una disciplina de laboratorio primero y nos aseguramos de que la investigación se envíe en sistemas de grado de producción que puedan ser inspeccionados, gobernados y desplegados de manera segura.

La soberanía de la inteligencia artificial es un tema crítico en sectores regulados. ¿Qué significa la soberanía en la atención médica, y cómo pueden los proveedores mantener el control mientras aún se benefician de la inteligencia artificial avanzada?

En la atención médica, la soberanía significa que los proveedores retienen el control sobre la residencia de los datos, la elección del modelo y la gobernanza operativa. En la práctica, la soberanía se logra con opciones de alojamiento local o regional (nubes soberanas y en premisas), puntos finales de modelo privados, control de ciclo de vida y auditoría completo, y garantías contractuales y técnicas (BAA, SLA, DPIA). La soberanía no es anti-nube; se trata de dar a los proveedores la capacidad de elegir dónde se ejecutan sus cargas de trabajo y tener control y trazabilidad verificables sobre los modelos y los datos. Esa combinación permite a los proveedores acceder a capacidades de vanguardia mientras cumplen con las obligaciones legales e institucionales.

Como fundador y asesor de iniciativas de la UE, ¿cómo ve la evolución de la regulación, y dónde los formuladores de políticas aún subestiman las realidades técnicas de la inteligencia artificial clínica?

Europa tiene razón al tomar la regulación en serio. En la atención médica, la auditoría, la trazabilidad y la rendición de cuentas no son opcionales; son requisitos previos para la confianza.

Donde los formuladores de políticas a veces subestiman la realidad es en cómo opera la inteligencia artificial clínica. La certificación no es una aprobación única; requiere monitoreo continuo, control de versiones y validación en curso. Al mismo tiempo, debemos evitar la sobre-regulación. Si el cumplimiento se vuelve desproporcionado, la innovación se ralentiza y las herramientas útiles nunca llegan a los clínicos.

En Corti, asumimos la regulación desde el primer día. Construimos la auditoría, la gobernanza del modelo y las opciones de implementación soberana directamente en nuestros modelos y API, para que las startups y los vendedores establecidos no tengan que adaptarse para el cumplimiento más tarde. La atención médica es compleja y fragmentada, y la única manera de avanzar a ritmo es integrar la preparación regulatoria en la fundación. El equilibrio que necesita Europa es riguroso pero práctico: proteger a los pacientes pero hacer que sea posible construir y desplegar de manera segura a escala.

Mirando hacia adelante 12-24 meses, ¿qué cambios importantes deberían esperar los líderes de la atención médica de Corti, y cómo establecen esos planes la base para 2026?

Esperen que Corti se duplique en la ruta del laboratorio a la producción: envío de modelos de grado clínico respaldados por la investigación y empaquetados como infraestructura desplegable (puntos finales de habla, codificación y puntos finales de agente, una capa de razonamiento clínico y opciones de implementación soberana), todo diseñado para mover a los clientes desde los pilotos hasta la producción certificada. Los planes de la hoja de ruta que se avecinan incluyen mejoras en los benchmarks de STT y latencia, agentes de voz, modelos de codificación médica que entran en producción y múltiples lanzamientos de nubes soberanas, todos diseñados explícitamente para mover a los clientes desde los pilotos hasta la producción certificada. Corti no es una aplicación única; es el laboratorio de inteligencia artificial de la atención médica, construido para habilitar clases enteras de software clínico seguro y auditable – la base para nuestras ambiciones de 2026.

Gracias por la gran entrevista, los lectores que desean aprender más pueden visitar Corti.