Andreas Cleve, Co-Fondateur et PDG de Corti – Série d’entretiens

Andreas Cleve, Co-Fondateur et PDG de Corti, est un entrepreneur qui se concentre sur le développement de l’intelligence artificielle dans le domaine de la santé. Son travail dans ce secteur a commencé avec Ovivo, une plateforme de planification de la main-d’œuvre conversationnelle pour les hôpitaux qui s’est rapidement étendue à travers le Danemark avant d’être acquise en 2013. Il a ensuite co-fondé Hyvi, une initiative de recherche qui explore les modèles de langage sensibles au contexte capables de comprendre des conversations complexes en temps réel, qui a finalement évolué en Corti en 2018. Au-delà de la création d’entreprises, Cleve a joué un rôle clé dans le renforcement de l’écosystème de l’IA nordique grâce à des initiatives telles que Nordic.ai et des rôles de conseiller auprès d’organisations telles que DIGITALEUROPE et le Conseil national de numérisation du Danemark.

Corti est une entreprise de santé basée à Copenhague qui développe des modèles spécialisés conçus pour comprendre les conversations médicales et soutenir les cliniciens en temps réel. Sa plateforme agit comme un assistant IA pour les professionnels de la santé en générant des documents cliniques, en mettant en évidence des informations pendant les interactions avec les patients et en automatisant les flux de travail administratifs. En offrant sa technologie via des API et des intégrations avec les systèmes de santé, Corti vise à réduire la charge de travail des cliniciens tout en améliorant l’efficacité et la prise de décision dans les hôpitaux et les plateformes de santé numérique.

Vous avez grandi dans une famille où les soins de santé faisaient partie intégrante de la vie quotidienne… Comment ces expériences précoces ont-elles façonné la création de Corti, et quels problèmes spécifiques étiez-vous déterminé à résoudre dès le départ?

Grandir dans un environnement où les soins de santé étaient omniprésents a rendu deux choses cruellement évidentes : l’expertise compte énormément, et les processus qui transmettent cette expertise sont fragiles et souvent défaillants pour les personnes qui en ont le plus besoin. Ces expériences précoces, qui incluaient voir les soignants lutter, regarder les connaissances se perdre dans les passes de main et ressentir la peur qui vient de soins incohérents, ont semé la conviction que les soins de santé devraient être prévisibles et que les cliniciens ne devraient jamais être seuls lorsqu’une décision difficile se présente. Cela s’est traduit directement par la mission fondatrice de Corti : construire des systèmes qui sous-tendent l’expertise, afin que les cliniciens aient toujours un soutien décisionnel fiable et en temps réel.

Dès le départ, nous nous sommes efforcés de résoudre le déséquilibre entre l’offre et la demande dans les soins de santé : l’écart entre la complexité de la médecine moderne et la capacité humaine limitée à l’appliquer partout, en créant une IA qui réduit la variance, accélère la détection et soutient des décisions plus sûres dans les moments qui comptent le plus.

Corti se positionne comme une infrastructure d’IA pour les soins de santé plutôt que comme un assistant IA autonome. Que signifie l’infrastructure dans ce contexte, et quels sont les avantages qu’elle offre que les solutions ponctuelles ou les outils de chat ne peuvent pas offrir?

Lorsque nous parlons d’infrastructure, nous voulons dire que nous ne livrons pas un simple assistant ou widget ; nous construisons la pile fondamentale qui rend possible l’IA de niveau clinique à travers de nombreux flux de travail. L’infrastructure signifie ici : des modèles et des données natifs du secteur de la santé (et non des données génériques du web), une couche de raisonnement clinique qui met en évidence les réponses avec un contexte clinique, des outils de cycle de vie et de gouvernance (cartes de modèles, traces d’audit, lignée vérifiable), des options de déploiement qui répondent aux régulateurs (nuages souverains, déploiement sur site ou points de terminaison privés), et des API et des SDK destinés aux développeurs qui permettent aux équipes de produits d’intégrer l’intelligence clinique dans leurs applications sans devenir des experts en ML ou en conformité.

Cette approche débloque trois choses que les solutions ponctuelles ne peuvent pas : (1) la déployabilité, ce qui signifie des modèles et des temps d’exécution qui survivent aux contraintes cliniques réelles (latence, résidence des données, traçabilité) ; (2) l’échelle à travers les spécialités, ce qui signifie des blocs de construction réutilisables et certifiés (parole, codage, points de terminaison à portée clinique) qui réduisent le coût de construction de nombreuses applications verticales ; et (3) la confiance réglementaire et d’entreprise, ce qui signifie des politiques, des BAAs et des primitives de conformité intégrées à la plateforme afin que les clients puissent passer des pilotes à la production. En résumé, l’infrastructure transforme la R&D clinique en services déployables que les développeurs et les hôpitaux peuvent expédier, certifier et mettre à l’échelle.

Les modèles d’IA à usage général sont souvent appliqués dans des contextes cliniques avec des résultats mitigés. Quelles sont les principales façons dont ces modèles sont défaillants lorsqu’ils sont utilisés dans des environnements de soins de santé réels?

Les modèles à usage général ont réalisé des progrès remarquables, et pour de nombreuses tâches, ils fonctionnent bien. Mais les soins de santé récompensent la profondeur d’une manière que l’IA horizontale ne peut pas facilement reproduire. Le raisonnement clinique dépend de signaux subtils, de terminologie spécialisée, de contexte institutionnel et d’une compréhension de la façon dont la documentation s’écoule à travers les systèmes réglementaires et de remboursement. Rendre cela correct nécessite une formation sur des données cliniques, une validation contre des références cliniques et une construction de la conformité dans la pile dès le départ. Ce n’est pas un problème de promptage ; c’est un problème de recherche, c’est pourquoi nous pensons que les soins de santé ont besoin d’un laboratoire d’IA dédié, capable d’aller en profondeur dans le domaine plutôt que de s’étendre largement sur de nombreux.

Corti opère à travers l’Europe, les États-Unis et au-delà, chacun avec des modèles de soins et une gouvernance différents. Comment concevez-vous des systèmes d’IA qui s’adaptent à cette complexité du monde réel?

Nous concevons pour la complexité en possédant plus de la pile et en rendant le déploiement et la gouvernance des citoyens de première classe. Pratiquement, cela signifie une formation sur des données de soins de santé uniquement et un ajustement des modèles pour le raisonnement clinique ; la construction de traces d’audit, de cartes de modèles et d’API prêtes pour les BAAs ; et l’architecture de la routage de telle sorte que les contrôles de conformité soient sélectionnés par géographie et profil de risque. Pour les clients qui en ont besoin, nous offrons des options de déploiement de cloud souverain et sur site, afin que les fournisseurs de soins puissent choisir où leurs données vivent et maintenir le contrôle sur les modèles qui s’exécutent dessus.

Cette flexibilité nous permet de faire fonctionner la même IA clinique à travers différents modèles de soins tout en respectant les normes de documentation locales, les lois sur la vie privée et la gouvernance institutionnelle. Importamment, nous traitons la recherche comme un échelon vers la production ; chaque progrès doit être traçable, testable et déployable dans le monde réel, et non seulement prometteur en laboratoire. C’est ce que signifie être construit pour prospérer dans la réalité clinique.

En regardant les flux de travail cliniques de première ligne aujourd’hui, où Corti livre-t-elle l’impact le plus immédiat et mesurable, et pourquoi ces domaines sont-ils les plus importants pour les cliniciens surchargés de travail?

L’impact le plus immédiat de Corti aujourd’hui est dans les flux de travail cliniques et administratifs qui supportent la charge la plus lourde. Nos modèles et API alimentent la documentation ambiante, le codage et l’automatisation pilotée par agent à l’intérieur des logiciels de soins de santé utilisés par les cliniciens chaque jour.

Ces domaines sont importants parce que la documentation et la facturation sont parmi les parties les plus chronophages et sujettes à erreur de la prestation de soins. Lorsque les conversations deviennent des notes prêtes pour les dossiers médicaux électroniques en temps réel, lorsque le codage est plus complet et plus précis, et lorsque les flux de travail routiniers sont automatisés de manière sûre à l’intérieur des systèmes réglementés, les cliniciens passent moins de temps sur la paperasse et les organisations voient des améliorations mesurables dans l’efficacité et la qualité du remboursement.

Les soins de santé ne constituent pas un problème monolithique, mais des milliers de flux de travail spécifiques à chaque spécialité qui opèrent sous pression réglementaire. En construisant une IA de production de niveau clinique qui prospère dans la réalité clinique, nous permettons aux sociétés de logiciels et aux systèmes de santé d’aborder ces problèmes à grande échelle. C’est là que le laboratoire d’IA des soins de santé livre un retour pratique et mesurable.

Corti prend en charge des centaines de milliers d’interactions patientales chaque jour. Quelles leçons ont émergé de l’exploitation de l’IA à cette échelle qui ne sont pas évidentes dans les pilotes ou les environnements de laboratoire?

L’exploitation à grande échelle expose les frictions que les pilotes cachent : la qualité hétérogène des données (aucun deuxième système d’information hospitalier ou transcription de conversation ne ressemble à un autre), les contraintes de latence et de diffusion en production, la complexité juridique et contractuelle à travers les clients et les géographies, et les cas de bord perpétuels qui ne se présentent que sous charge. Les laboratoires peuvent mesurer la précision sur des ensembles curatés ; la production force à résoudre le routage, l’observabilité, la détection de dérive, le retour en arrière du modèle et les traces d’audit responsables. Une autre leçon : la confiance réelle est gagnée en rendant les modèles explicables, reproductibles et certifiables, plutôt que par la performance sur un seul site. Enfin, les pilotes sous-estiment le coût total de possession : les développeurs en production ont besoin de SDK, de points de terminaison cohérents et de primitives de gouvernance pour maintenir la sécurité et pour itérer de manière productive.

Les soins de santé exigent une explicabilité plus élevée que l’IA grand public. Comment abordez-vous le raisonnement clinique, la transparence et la responsabilité lorsque l’IA influence les décisions médicales?

Les soins de santé exigent un niveau plus élevé parce que le coût de l’erreur est réel. L’IA clinique ne peut pas simplement générer un langage plausible ; elle doit raisonner sur des informations réglementées, à haute prise, complexes de manière transparente et inspectable.

C’est pourquoi nous avons développé GIM, notre méthode de modification d’interaction de gradient, pour rendre le raisonnement clinique plus interprétable au niveau du modèle. GIM a récemment dominé le benchmark d’interprétabilité mécaniste de Hugging Face, se classant n°1 sur le tableau de bord parmi les approches d’interprétabilité. Cela compte parce que l’interprétabilité n’est pas un exercice académique dans les soins de santé – elle est fondamentale pour la confiance, la sécurité et l’adoption réglementaire.

Au-delà de la recherche, la transparence doit se poursuivre jusqu’au déploiement. Nous fournissons des cartes de modèles, des références de validation, des traces d’audit et un contrôle de version afin que les clients sachent exactement ce qui est en cours d’exécution et comment il a été évalué. Les sorties sont liées à des preuves, l’incertitude est explicite et les systèmes sont conçus pour soutenir les cliniciens en tant que souscripteur de décisions, et non les remplacer par une boîte noire opaque.

Dans les soins de santé, l’explicabilité n’est pas une fonctionnalité. C’est une condition préalable à la confiance. C’est pourquoi nous abordons l’IA clinique comme une discipline de laboratoire d’abord et nous nous assurons que la recherche est expédiée dans des systèmes de production de niveau qui peuvent être inspectés, gérés et déployés en toute sécurité.

La souveraineté de l’IA est un sujet critique dans les secteurs réglementés. Que signifie la souveraineté dans les soins de santé, et comment les fournisseurs de soins peuvent-ils maintenir le contrôle tout en bénéficiant de l’IA avancée?

Dans les soins de santé, la souveraineté signifie que les fournisseurs de soins maintiennent le contrôle sur la résidence des données, le choix du modèle et la gouvernance opérationnelle. Pratiquement, la souveraineté est réalisée avec des options d’hébergement local ou régional (nuages souverains et déploiement sur site), des points de terminaison de modèles privés, un contrôle total de cycle de vie et d’audit, et des garanties contractuelles et techniques (BAAs, SLAs, DPIAs). La souveraineté n’est pas anti-nuage ; il s’agit de donner aux fournisseurs de soins la capacité de choisir où leurs charges de travail s’exécutent et d’avoir un contrôle et une traçabilité vérifiables sur les modèles et les données. Cette combinaison permet aux fournisseurs de soins d’accéder à des capacités de pointe tout en respectant les obligations légales et institutionnelles.

En tant que fondateur et conseiller d’initiatives de l’UE, comment voyez-vous l’évolution de la réglementation, et où les décideurs politiques sous-estiment-ils encore les réalités techniques de l’IA clinique?

L’Europe a raison de prendre la réglementation au sérieux. Dans les soins de santé, la traçabilité, la traçabilité et la responsabilité ne sont pas optionnelles – elles sont des conditions préalables à la confiance.

Là où les décideurs politiques sous-estiment parfois la réalité, c’est dans l’opérationnalité de l’IA clinique. La certification n’est pas une approbation unique ; elle nécessite une surveillance continue, un contrôle de version et une validation permanente. En même temps, nous devons éviter de sur-réglementer. Si la conformité devient disproportionnée, l’innovation ralentit et les outils utiles n’atteignent jamais les cliniciens.

Chez Corti, nous supposons la réglementation dès le premier jour. Nous construisons la traçabilité, la gouvernance de modèle et les options de déploiement souverain directement dans nos modèles et API, afin que les startups et les fournisseurs établis n’aient pas à rétro-agencer pour la conformité plus tard. Les soins de santé sont complexes et fragmentés, et la seule façon de progresser à un rythme soutenu est d’intégrer la préparation réglementaire dans la fondation. L’équilibre dont l’Europe a besoin est rigoureux mais pratique : protéger les patients tout en rendant possible la construction et le déploiement en toute sécurité à grande échelle.

En regardant les 12-24 prochains mois, quels sont les principaux changements que les dirigeants des soins de santé devraient attendre de Corti, et comment ces plans établissent-ils la fondation pour 2026?

Attendez-vous à ce que Corti mise sur le chemin du laboratoire à la production : l’expédition de modèles de niveau clinique soutenus par la recherche et les conditionner comme une infrastructure déployable (points de terminaison de parole, de codage et d’agent, une couche de raisonnement clinique et des options de déploiement souverain), explicitement conçues pour faire passer les clients des pilotes à une production certifiée. Les plans de feuille de route à venir incluent des benchmarks de reconnaissance de parole et de latence améliorés, des agents vocaux, des modèles de codage médical allant en production et de multiples lancements de nuages souverains, tous explicitement conçus pour faire passer les clients des pilotes à une production certifiée. Corti n’est pas une application unique ; c’est le laboratoire d’IA des soins de santé, construit pour permettre à toute une classe de logiciels cliniques sûrs et auditable – la fondation pour nos ambitions 2026.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Corti.