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 yang sadar konteks 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 AI kesehatan 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, menampilkan 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 selalu menjadi bagian dari kehidupan sehari-hari… Bagaimana pengalaman awal itu membentuk pendirian Corti, dan apa masalah spesifik yang Anda tentukan untuk diselesaikan sejak hari pertama?

Tumbuh 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 rumah tangga awal, yang termasuk melihat para perawat bergumul, menyaksikan pengetahuan hilang dalam penyerahan, dan merasakan ketakutan yang datang dari perawatan yang tidak konsisten, membangkitkan keyakinan bahwa kesehatan seharusnya dapat diprediksi dan bahwa klinisi tidak boleh pernah sendirian ketika keputusan sulit harus diambil. Itu diterjemahkan langsung ke dalam misi pendirian Corti: membangun sistem yang mendukung keahlian, sehingga klinisi selalu memiliki dukungan keputusan yang dapat diandalkan secara real-time.

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

Corti memposisikan diri sebagai infrastruktur AI kesehatan bukan sebagai 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 maksudkan bahwa kami tidak mengirimkan asisten atau widget tunggal; kami membangun tumpukan dasar yang membuat AI klinis kelas-klinis memungkinkan di seluruh alur kerja. Infrastruktur di sini berarti: model dan data asli kesehatan (bukan data web generik), lapisan penalaran klinis yang menampilkan jawaban dengan konteks klinis, alat siklus hidup dan tata kelola (kartu model, jejak audit, garis keturunan yang dapat diverifikasi), pilihan penerapan yang memenuhi regulator (awan berdaulat, on-prem atau endpoint 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 dan bersertifikat (percakapan, pengkodean, endpoint 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 dikirim, disertifikasi, dan diperluas oleh perusahaan pengembang dan rumah sakit.

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

Model tujuan 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 mereplikasi. Penalaran klinis bergantung pada petunjuk halus, terminologi khusus, konteks institusional, 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 memperdalam domain daripada meluas ke banyak.

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

Kami merancang untuk kompleksitas dengan memiliki lebih banyak tumpukan dan membuat penerapan dan tata kelola menjadi warga kelas satu. Secara praktis, itu berarti pelatihan pada data kesehatan saja dan penyetelan model untuk penalaran klinis; membangun jejak audit, kartu model, dan API siap BAA; dan merancang routing 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 berbagai model perawatan sambil menghormati standar dokumentasi lokal, hukum privasi, dan tata kelola institusional. 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.

Memandang alur kerja klinis garis depan saat ini, di mana Corti memberikan dampak langsung dan terukur, dan mengapa area-area tersebut paling penting bagi klinisi yang kelebihan beban?

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 klinisi setiap hari.

Area-area tersebut penting karena dokumentasi dan penagihan adalah bagian paling memakan waktu dan rentan kesalahan dari penyampaian perawatan. Ketika percakapan menjadi catatan yang siap EHR secara real-time, ketika pengkodean lebih lengkap dan akurat, dan ketika alur kerja rutin diotomatisasi dengan aman di dalam sistem yang diatur, 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 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 percakapan yang terlihat sama), konstrain latensi produksi dan streaming, 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 memecahkan routing, observabilitas, deteksi drift, rollback model, dan jejak audit yang dapat diandalkan. Pelajaran lain: kepercayaan nyata diperoleh dengan membuat model yang dapat dijelaskan, diulang, dan disertifikasi, bukan oleh kinerja situs tunggal. Akhirnya, pilot mengecilkan biaya total kepemilikan: pengembang dalam produksi memerlukan SDK, endpoint konsisten, dan primitif tata kelola untuk mempertahankan keamanan dan untuk berinovasi secara produktif.

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 nyata. AI klinis tidak hanya dapat menghasilkan bahasa yang masuk akal; itu harus berpikir 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 pendekatan interpretasi Mechanistic Interpretability Benchmark dari Hugging Face. Itu penting karena interpretasi bukanlah latihan akademis di kesehatan – itu fundamental untuk kepercayaan, keamanan, dan adopsi regulasi.

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

Di kesehatan, kemampuan menjelaskan bukanlah fitur. Itu adalah prasyarat untuk kepercayaan. Itulah mengapa kami mendekati AI klinis sebagai disiplin laboratorium pertama 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 tetap mendapat manfaat dari AI canggih?

Di kesehatan, kedaulatan berarti bahwa penyedia mempertahankan kontrol atas residensi data, pilihan model, dan tata kelola operasional. Secara praktis, kedaulatan dicapai dengan opsi hosting lokal atau regional (awan berdaulat dan on-prem), endpoint model pribadi, kontrol siklus hidup dan tata kelola penuh, dan jaminan kontraktual dan teknis (BAAs, SLAs, DPIAs). Kedaulatan bukanlah anti-awan; itu tentang memberi penyedia kemampuan untuk memilih di mana beban kerja 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 institusional.

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

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

Di mana pembuat kebijakan kadang-kadang meremehkan kenyataan adalah dalam seberapa operasional AI klinis. Sertifikasi bukanlah persetujuan satu kali; itu memerlukan pemantauan terus-menerus, kontrol versi, dan validasi 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 klinisi.

Di Corti, kami menganggap regulasi dari hari pertama. Kami membangun auditabilitas, tata kelola 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 mungkin untuk membangun dan menerapkan dengan aman pada skala.

Memandang ke depan 12–24 bulan, apa pergeseran besar yang harus diprediksi oleh pemimpin kesehatan dari Corti, dan bagaimana rencana-rencana tersebut meletakkan dasar untuk 2026?

Harapkan Corti untuk menggandakan komitmen pada jalur laboratorium-ke-produksi: mengirimkan model klinis kelas-klinis yang didukung oleh penelitian dan mengemasnya sebagai infrastruktur yang dapat diterapkan (endpoint percakapan, pengkodean, dan agen, lapisan penalaran klinis, dan opsi penerapan berdaulat). Rencana jalan yang akan datang termasuk benchmark latensi STT yang ditingkatkan, agen suara, model pengkodean medis yang masuk produksi, dan peluncuran awan berdaulat多, semua dirancang secara eksplisit untuk memindahkan pelanggan dari pilot ke produksi bersertifikat. Corti bukanlah aplikasi tunggal; itu adalah laboratorium AI kesehatan, dibangun untuk memungkinkan kelas-kelas perangkat lunak klinis yang aman, dapat diaudit, dan dapat diterapkan – fondasi untuk ambisi 2026 kami.

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