Andreas Cleve, Co-Founder dan CEO Corti – Seri Wawancara

Andreas Cleve, Co-Founder dan CEO Corti, adalah seorang wirausaha yang fokus pada pengembangan kecerdasan buatan di bidang kesehatan. Karyanya di sektor ini dimulai dengan Ovivo, sebuah platform perencanaan tenaga kerja konversasional untuk rumah sakit yang berkembang pesat di seluruh Denmark sebelum diakuisisi pada tahun 2013. Ia kemudian menjadi co-founder Hyvi, sebuah inisiatif penelitian yang menjelajahi model bahasa kontekstual yang dapat memahami percakapan kompleks secara real-time, yang akhirnya berkembang menjadi Corti pada tahun 2018. Di luar membangun perusahaan, Cleve telah memainkan peran kunci dalam memperkuat ekosistem AI Nordik melalui inisiatif seperti Nordic.ai dan peran penasihat dengan organisasi termasuk DIGITALEUROPE dan Dewan Digitalisasi Nasional Denmark.

Corti adalah sebuah perusahaan kesehatan AI yang berbasis di Kopenhagen yang mengembangkan model-model khusus yang dirancang untuk memahami percakapan medis dan mendukung klinisi secara real-time. Platformnya berfungsi sebagai asisten AI untuk para profesional kesehatan dengan menghasilkan dokumentasi klinis, menyajikan wawasan selama interaksi pasien, dan mengotomatisasi alur kerja administratif. Dengan menawarkan teknologinya melalui API dan integrasi dengan sistem kesehatan, Corti bertujuan untuk mengurangi beban kerja klinisi sambil meningkatkan efisiensi dan pengambilan keputusan di seluruh rumah sakit dan platform kesehatan digital.

Anda tumbuh dalam sebuah keluarga di mana kesehatan adalah bagian konstan dari kehidupan sehari-hari… Bagaimana pengalaman awal itu membentuk pendirian Corti, dan apa masalah spesifik yang Anda tentukan untuk diselesaikan sejak hari pertama?

Berkembang di sekitar kesehatan membuat dua hal menjadi jelas: keahlian sangat penting, dan proses yang memindahkan keahlian itu rapuh dan sering gagal bagi orang-orang yang paling membutuhkannya. Pengalaman awal itu, yang termasuk melihat para perawat bergelut, menyaksikan pengetahuan hilang dalam proses serah terima, dan merasakan ketakutan yang datang dari perawatan yang tidak konsisten, menanamkan keyakinan bahwa kesehatan harus dapat diprediksi dan bahwa para klinisi tidak pernah sendirian ketika keputusan sulit harus diambil. Itu diterjemahkan langsung ke dalam misi pendirian Corti: membangun sistem yang mendukung keahlian, sehingga para klinisi selalu memiliki dukungan keputusan yang andal dan real-time.

Sejak hari pertama, kami bertujuan untuk mengatasi ketidakseimbangan antara kompleksitas pengobatan modern dan kapasitas manusia yang terbatas untuk menerapkannya di mana-mana, dengan menciptakan AI yang mengurangi variansi, mempercepat deteksi, dan mendukung keputusan yang lebih aman pada momen-momen yang paling penting.

Corti memposisikan diri sebagai infrastruktur AI kesehatan daripada asisten AI mandiri. Apa yang dimaksud dengan infrastruktur dalam konteks ini, dan apa kemampuan yang dihasilkan yang tidak dapat dilakukan oleh solusi titik atau alat berbasis obrolan?

Ketika kami berbicara tentang infrastruktur, kami tidak berarti bahwa kami mengirimkan asisten tunggal atau widget; kami membangun tumpukan dasar yang membuat AI klinis menjadi mungkin di seluruh alur kerja. Infrastruktur di sini berarti: model dan data asli kesehatan (bukan data web umum), lapisan penalaran klinis yang menyajikan jawaban dengan konteks klinis, alat pengembangan dan pemerintahan (kartu model, jejak audit, garis keturunan yang dapat diverifikasi), opsi penerapan yang memenuhi regulator (awan berdaulat, on-prem atau titik akhir pribadi), dan API dan SDK yang menghadap pengembang yang memungkinkan tim produk memasukkan kecerdasan klinis ke dalam aplikasi mereka tanpa harus menjadi ahli ML atau kepatuhan.

Pendekatan itu membuka tiga hal yang tidak dapat dilakukan oleh solusi titik: (1) kemampuan penerapan, yang berarti model dan runtime yang dapat bertahan dalam konstrain klinis yang sebenarnya (latensi, residensi data, auditabilitas); (2) skala di seluruh spesialisasi, yang berarti blok bangunan yang dapat digunakan kembali, bersertifikat (percakapan, pengkodean, titik akhir yang diberi label klinis) yang mengurangi biaya membangun banyak aplikasi vertikal; dan (3) kepercayaan regulator dan perusahaan, yang berarti kebijakan, BAAs, dan primitif kepatuhan yang dibangun ke dalam platform sehingga pelanggan dapat berpindah dari pilot ke produksi. Dengan singkat, infrastruktur mengubah R&D klinis menjadi layanan yang dapat diterapkan yang dapat dikembangkan dan diskalakan oleh pengembang dan rumah sakit.

Model AI umum sering diterapkan pada pengaturan klinis dengan hasil yang beragam. Apa cara paling umum model-model ini gagal ketika digunakan dalam lingkungan kesehatan nyata?

Model umum telah membuat kemajuan yang luar biasa, dan untuk banyak tugas mereka bekerja dengan baik. Namun, kesehatan menghargai kedalaman dengan cara yang AI horizontal tidak dapat dengan mudah tiru. Penalaran klinis bergantung pada petunjuk halus, terminologi khusus, konteks lembaga, dan pemahaman tentang bagaimana dokumentasi mengalir melalui sistem regulasi dan pembayaran. Mendapatkan itu benar memerlukan pelatihan pada data klinis, validasi melawan benchmark klinis, dan membangun kepatuhan ke dalam tumpukan dari awal. Ini bukanlah masalah prompting; ini adalah masalah penelitian, yang mengapa kami pikir kesehatan memerlukan laboratorium AI khusus, satu yang dapat mendalam pada domain daripada luas di banyak.

Corti beroperasi di seluruh Eropa, AS, dan di luar, masing-masing dengan model perawatan dan pemerintahan yang berbeda. Bagaimana Anda merancang sistem AI yang menyesuaikan dengan kompleksitas dunia nyata ini?

Kami merancang untuk kompleksitas dengan memiliki lebih banyak tumpukan dan membuat penerapan dan pemerintahan sebagai warga negara kelas satu. Secara praktis, itu berarti pelatihan pada data kesehatan saja dan penyetelan model untuk penalaran klinis; membangun jejak audit, kartu model, dan API yang siap BAA; dan mengarsitektur rute sehingga kontrol kepatuhan dipilih oleh geografi dan profil risiko. Untuk pelanggan yang memerlukannya, kami menawarkan opsi penerapan awan berdaulat dan on-prem, sehingga penyedia dapat memilih di mana data mereka tinggal dan mempertahankan kontrol atas model yang berjalan di atasnya.

Fleksibilitas itu memungkinkan kami untuk menjalankan AI klinis yang sama di seluruh model perawatan yang berbeda sambil menghormati standar dokumentasi lokal, hukum privasi, dan pemerintahan lembaga. Yang penting, kami memperlakukan penelitian sebagai tangga menuju produksi; setiap kemajuan harus dapat dilacak, diuji, dan diterapkan di dunia nyata, bukan hanya menjanjikan di laboratorium. Itulah yang dimaksud dengan dibangun untuk berkembang dalam kenyataan klinis.

Melihat alur kerja klinis garis depan saat ini, di mana Corti memberikan dampak langsung dan terukur paling besar, dan mengapa area-area tersebut paling penting bagi para klinisi yang terlalu berat?

Dampak langsung Corti saat ini ada di alur kerja klinis dan administratif yang membawa beban terbesar. Model dan API kami memberdayakan dokumentasi ambient, pengkodean, dan otomatisasi agen yang didorong di dalam perangkat lunak kesehatan yang digunakan oleh para klinisi setiap hari.

Area-area tersebut penting karena dokumentasi dan penagihan adalah bagian paling memakan waktu dan rentan kesalahan dari pengiriman perawatan. Ketika percakapan menjadi catatan yang terstruktur, siap EHR secara real-time, ketika pengkodean lebih lengkap dan akurat, dan ketika alur kerja rutin diotomatisasi dengan aman di dalam sistem yang diatur, para klinisi menghabiskan waktu lebih sedikit untuk kertas kerja dan organisasi melihat perbaikan yang terukur dalam efisiensi dan kualitas penagihan.

Kesehatan bukanlah satu masalah monolitik tetapi ribuan alur kerja khusus spesialisasi yang beroperasi di bawah tekanan regulasi. Dengan membangun AI produksi yang berkembang dalam kenyataan klinis, kami memungkinkan perusahaan perangkat lunak dan sistem kesehatan untuk menangani masalah-masalah tersebut secara besar-besaran. Itulah di mana laboratorium AI kesehatan memberikan pengembalian yang praktis dan terukur.

Corti mendukung ratusan ribu interaksi pasien setiap hari. Apa pelajaran yang muncul dari operasi AI pada skala itu yang tidak jelas dalam pilot atau lingkungan laboratorium?

Operasi pada skala itu memperlihatkan gesekan yang tersembunyi dalam pilot – kualitas data yang heterogen (tidak ada dua EHR atau transkrip panggilan yang terlihat sama), konstrain latensi dan streaming produksi, kompleksitas hukum dan kontraktual di seluruh pelanggan dan geografi, dan kasus tepi yang hanya muncul di bawah beban. Laboratorium dapat mengukur akurasi pada set yang dikurasi; produksi memaksa Anda untuk menyelesaikan routing, observabilitas, deteksi drift, rollback model, dan jejak audit yang dapat diandalkan. Pelajaran lain: kepercayaan yang sebenarnya diperoleh dengan membuat model yang dapat dijelaskan, diulang, dan disertifikasi, bukan hanya dengan kinerja tunggal. Akhirnya, pilot memperkecil biaya total kepemilikan: pengembang dalam produksi memerlukan SDK, endpoint konsisten, dan primitif pemerintahan untuk memelihara keamanan dan mengembangkan produk dengan baik.

Kesehatan menuntut kemampuan menjelaskan lebih tinggi daripada AI konsumen. Bagaimana Anda mendekati penalaran klinis, transparansi, dan akuntabilitas ketika AI mempengaruhi keputusan medis?

Kesehatan menuntut standar yang lebih tinggi karena biaya kesalahan adalah nyata. AI klinis tidak hanya dapat menghasilkan bahasa yang masuk akal; itu harus menalar di atas informasi yang kompleks, diatur, dan berisiko tinggi dengan cara yang transparan dan dapat diinspeksi.

Itulah mengapa kami mengembangkan GIM, metode Modifikasi Interaksi Gradien kami, untuk membuat penalaran klinis lebih dapat diinterpretasikan pada tingkat model. GIM baru-baru ini menduduki peringkat #1 pada leaderboard benchmark interpretasi mekanis Hugging Face, yang menempati peringkat pertama di antara pendekatan interpretasi. Ini penting karena interpretasi bukanlah latihan akademis di kesehatan – itu adalah fondasi kepercayaan, keamanan, dan adopsi regulasi.

Di luar penelitian, transparansi harus melanjutkan ke penerapan. Kami menyediakan kartu model, benchmark validasi, jejak audit, dan kontrol versi sehingga pelanggan tahu secara pasti apa yang berjalan dan bagaimana itu dievaluasi. Keluaran diikat dengan bukti, ketidakpastian adalah eksplisit, dan sistem dirancang untuk mendukung para klinisi sebagai penjamin keputusan, bukan menggantikan mereka dengan kotak hitam yang tidak transparan.

Dalam kesehatan, kemampuan menjelaskan bukanlah fitur. Itu adalah prasyarat untuk kepercayaan. Itulah mengapa kami mendekati AI klinis sebagai disiplin laboratorium terlebih dahulu dan memastikan penelitian dikirim dalam sistem produksi yang dapat diinspeksi, dikelola, dan diterapkan dengan aman.

Kedaulatan AI adalah topik kritis di sektor yang diatur. Apa yang dimaksud dengan kedaulatan dalam kesehatan, dan bagaimana penyedia dapat mempertahankan kontrol sambil masih memanfaatkan AI canggih?

Dalam kesehatan, kedaulatan berarti bahwa penyedia mempertahankan kontrol atas residensi data, pilihan model, dan pemerintahan operasional. Secara praktis, kedaulatan dicapai dengan opsi hosting lokal atau regional (awan berdaulat dan on-prem), titik akhir model pribadi, kontrol audit dan siklus hidup penuh, dan jaminan kontraktual dan teknis (BAAs, SLAs, DPIAs). Kedaulatan bukanlah anti-awan; itu tentang memberikan penyedia kemampuan untuk memilih di mana pekerjaan mereka berjalan dan memiliki kontrol dan jejak yang dapat diverifikasi atas model dan data. Kombinasi itu memungkinkan penyedia mengakses kemampuan canggih sambil memenuhi kewajiban hukum dan lembaga.

Sebagai pendiri dan penasihat untuk inisiatif UE, bagaimana Anda melihat evolusi regulasi, dan di mana para pembuat kebijakan masih meremehkan kenyataan teknis AI klinis?

Eropa tepat untuk mengambil regulasi secara serius. Dalam kesehatan, auditabilitas, jejak, dan akuntabilitas bukanlah opsional – mereka adalah prasyarat untuk kepercayaan.

Di mana para pembuat kebijakan kadang-kadang meremehkan kenyataan adalah bagaimana operasional AI klinis. Sertifikasi bukanlah persetujuan satu kali; itu memerlukan pemantauan terus-menerus, kontrol versi, dan validasi yang berkelanjutan. Pada saat yang sama, kami harus menghindari mengatur terlalu banyak. Jika kepatuhan menjadi tidak seimbang, inovasi melambat dan alat yang berguna tidak pernah mencapai para klinisi.

Di Corti, kami menganggap regulasi dari hari pertama. Kami membangun auditabilitas, pemerintahan model, dan opsi penerapan berdaulat langsung ke dalam model dan API kami, sehingga perusahaan rintisan dan vendor yang mapan tidak perlu memasang kembali untuk kepatuhan nanti. Kesehatan kompleks dan terfragmentasi, dan satu-satunya cara untuk bergerak dengan kecepatan adalah dengan memasukkan kesiapan regulasi ke dalam fondasi. Keseimbangan yang dibutuhkan Eropa adalah ketat tetapi praktis: melindungi pasien tetapi membuatnya memungkinkan untuk membangun dan menerapkan dengan aman secara besar-besaran.

Melihat ke depan 12-24 bulan, apa pergeseran besar yang harus diharapkan para pemimpin kesehatan dari Corti, dan bagaimana rencana tersebut meletakkan dasar untuk 2026?

Harapkan Corti untuk menggandakan upaya pada jalur laboratorium-ke-produksi: mengirimkan model klinis yang didukung penelitian dan mengemasnya sebagai infrastruktur yang dapat diterapkan (percakapan, pengkodean, dan titik akhir agen, lapisan penalaran klinis, dan opsi penerapan berdaulat), semua secara eksplisit dirancang untuk memindahkan pelanggan dari pilot ke produksi bersertifikat. Corti bukanlah satu aplikasi; itu adalah laboratorium AI kesehatan, dibangun untuk memungkinkan kelas-kelas perangkat lunak klinis yang aman dan dapat diaudit – fondasi untuk ambisi 2026 kami.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Corti.