Entretiens
Andreas Cleve, Co-Fondateur et PDG de Corti – Série d’entretiens
Andreas Cleve, Co-Fondateur et PDG de Corti, est un entrepreneur axé 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 au Danemark avant d’être acquise en 2013. Il a ensuite co-fondé Hyvi, une initiative de recherche explorant les modèles de langage sensibles au contexte capables de comprendre des conversations complexes en temps réel, qui a finalement évolué vers 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 la 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 surface 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 fondation de Corti, et quels problèmes spécifiques étiez-vous déterminé à résoudre dès le premier jour ?
Grandir dans un environnement où les soins de santé étaient omniprésents a rendu deux choses cruellement évidentes : l’expertise est extrêmement importante, et les processus qui transmettent cette expertise sont fragiles et échouent souvent à ceux qui en ont le plus besoin. Ces expériences familiales, qui comprenaient voir les soignants lutter, observer la perte de connaissances lors des transferts et ressentir la peur qui découle des 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 premier jour, 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 la santé plutôt que comme un assistant IA autonome. Que signifie l’infrastructure dans ce contexte, et quels sont les avantages qu’elle débloque que les solutions ponctuelles ou les outils basés sur le chat ne peuvent pas offrir ?
Lorsque nous parlons d’infrastructure, nous voulons dire que nous ne livrons pas un simple assistant ou un widget ; nous construisons la pile fondamentale qui rend possible l’IA de classe clinique à travers de nombreux flux de travail. L’infrastructure signifie ici : des modèles et des données natifs de la santé (et non des données génériques du web), une couche de raisonnement clinique qui met en surface des 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, points de terminaison privés ou sur site), 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 capacité de déploiement, signifiant 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, signifiant 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, signifiant 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. Quels sont les moyens les plus courants par lesquels 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 de 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 de réglementation et de remboursement. Rendre cela correct nécessite une formation sur des données cliniques, une validation par rapport à des références cliniques et l’intégration 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 de 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 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 honorant les normes de documentation locales, les lois sur la vie privée et la gouvernance institutionnelle. Il est important de noter que nous traitons la recherche comme un échelon vers la production ; chaque progrès doit être traçable, testable et déployable dans le monde réel, et non prometteur uniquement 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 ?
L’impact le plus immédiat de Corti aujourd’hui se situe 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 basée sur les agents 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 erreurs de la prestation de soins. Lorsque les conversations deviennent des notes prêtes pour les dossiers électroniques de santé 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 de l’efficacité et de 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 opérant 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 patient au quotidien. Quelles leçons sont apparues en exploitant l’IA à cette échelle qui ne sont pas évidentes dans les pilotes ou les environnements de laboratoire ?
Fonctionner à grande échelle expose des frictions que les pilotes cachent : une qualité hétérogène des données (aucun deuxième ensemble de données de dossiers électroniques de santé ou de transcriptions d’appels ne ressemble à un autre), des contraintes de latence et de diffusion en production, une 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 curatifs ; la production force à résoudre le routage, l’observabilité, la détection du dérive, le rollback de modèle et les traces d’audit responsables. Une autre leçon : la confiance réelle est gagnée en rendant les modèles explicables, répétables et certifiables, plutôt que par des performances 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 standard 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, complexes et à haut risque d’une manière qui est 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 s’exécute 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 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 atteinte avec des options d’hébergement local ou régional (nuages souverains et sur site), des points de terminaison de modèles privés, un contrôle total du cycle de vie et de la traçabilité, et des garanties contractuelles et techniques (BAAs, SLAs, DPIAs). La souveraineté n’est pas anti-nuage ; c’est à propos de donner aux fournisseurs 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 d’accéder à des capacités de pointe tout en répondant aux obligations légales et institutionnelles.
En tant que fondateur et conseiller pour les 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 la façon dont l’IA clinique opérationnelle fonctionne. La certification n’est pas une approbation unique ; elle nécessite une surveillance continue, un contrôle de version et une validation continue. Dans le même temps, nous devons éviter de sur-réglementer. Si la conformité devient disproportionnée, l’innovation ralentit et les outils utiles ne parviennent jamais aux 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 rétroagir 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 les fondements. L’équilibre dont l’Europe a besoin est rigoureux mais pratique : protéger les patients mais permettre de construire et de déployer en toute sécurité à grande échelle.
En regardant vers les 12-24 prochains mois, quels sont les principaux changements que les dirigeants de la santé devraient attendre de Corti, et comment ces plans établissent-ils les fondements pour 2026 ?
Attendez-vous à ce que Corti redouble 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), toutes conçues explicitement pour faire passer les clients des pilotes à la production certifiée. Les plans de la feuille de route à venir incluent des références améliorées de STT et de latence, des agents vocaux, des modèles de codage médical allant en production et de multiples lancements de cloud souverain, le tout conçu pour déplacer les clients des pilotes à la 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 d’émerger – la fondation de nos ambitions pour 2026.
Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter Corti.
