Sundar Subramanian、Zyter CEO – インタビューシリーズ

Sundar Subramanian、Zyter の CEO は、経営コンサルティング、デジタルトランスフォーメーション、 大規模医療オペレーションにわたる経験を持つ戦略・ヘルスケアのエグゼクティブです。2025 年 7 月に CEO に就任する前は、PwC の Strategy& で 16 年以上勤務し、米国の戦略コンサルティング事業およびエンタープライズ戦略・価値・デジタルトランスフォーメーション部門を統括し、成長、オペレーティングモデルの再設計、AI 活用の変革について大手組織に助言してきました。キャリア初期には Booz & Company の Medicaid と Medicare のセンター・オブ・エクセレンスを共同でリードし、WellCare や McKinsey & Company の上級職を経て医療支払者と幅広く協業しました。Zyter では、エージェント型 AI とインテリジェントなワークフローオーケストレーションを中心に事業拡大を牽引し、個別タスクの自動化に留まらず、AI を活用してエンドツーエンドのビジネスプロセスを再設計することに重点を置いています。

Zyter は、デジタルヘルスケアで 20 年以上の実績を持つプライベート企業で、TruCare 人口健康プラットフォームは 45 以上の医療機関で 4,400 万人以上の生活を支援しています。同社は現在、医療だけでなく政府や金融サービスといった高度に規制された複雑なワークフロー向けに設計された AI 実行プラットフォームを構築しています。アーキテクチャは、AI エージェント、エンタープライズシステム、人的アクションを調整する Zyter Symphony、エージェント・ルール・データ・人的監視をエンドツーエンドのワークフローモジュールにパッケージ化する Zyter Praxis、そしてこれらのワークフローを電子カルテ、クレームプラットフォーム、ERP、CRM などのシステムに接続する TruCare Digital Core で構成されています。最終的な目標は、ガバナンス・監査可能性・重要な意思決定に対する人的監視を維持しつつ、既存のエンタープライズ環境内でエージェント型 AI を運用可能にすることです。

Strategy& で 16 年以上米国の戦略コンサルティング事業を率い、WellCare での経験を経てヘルスケアに深く関わってきましたが、次の大きな飛躍が従来型ソフトウェアの次世代ではなく、エージェント型 AI とワークフロー実行にあると確信した理由は何ですか？

私のキャリアを通じて、オペレーター、戦略コンサルタント、そして現在はテクノロジー構築者という複数の視点からヘルスケアを見てきました。その中で次第に明らかになったのは、ヘルスケアが抱える課題は技術の不足ではなく、技術が業務のやり方を変えていないことにある、ということです。

過去 10 年間、業界はデジタル化に多額の投資を行ってきました。インフラを近代化し、分析機能を拡充し、相互運用性を向上させ、最近では AI を導入しました。これらの投資は重要な新機能をもたらしましたが、医療従事者、システム、ポリシー、組織間での業務調整という、ヘルスケアが長年抱えてきた最大の課題を解決できていません。技術は既存のオペレーティングモデルに重ねられることが多く、モデル自体を変えることはほとんどありませんでした。

その認識は変革への考え方を変えました。次のフェーズは単に AI を導入することではなく、業務のやり方そのものを再設計することです。AI は卓越した支援ツールですが、最大の価値は人・システム・ポリシー・AI を横断的にオーケストレーションし、組織の実行力を高めることにあります。

それが私が Zyter に惹かれた理由です。組織の変革戦略策定を支援してきた経験を活かし、戦略を測定可能な成果に変える実行層の構築に貢献したいと考えました。私にとってヘルスケアの未来は、AI をより賢くすることではなく、ヘルスケアがより賢く機能するようにすることです。

Zyter はエージェント型エンタープライズの実行層として、Symphony がエージェントと人間をオーケストレーションし、Praxis がワークフローを実行、TruCare がエンタープライズデータに基づかせています。このアーキテクチャが個別の AI コパイロットでは実現できないことは何ですか？

エンタープライズの変革は、アイデアやインテリジェンスの不足が障壁になることはありません。組織は通常、何をすべきかを把握しています。課題は、その決定を人・システム・ポリシー・ワークフローに一貫して落とし込むことです。

そこで私が見る次のフェーズは、エンタープライズ AI です。個々の AI アシスタントは人の生産性を向上させますが、エンタープライズ AI は組織全体の効果性を高めるべきです。業務を調整し、ワークフローを実行し、状況変化に適応し、組織の運用を継続的に改善すべきです。

私たちのアーキテクチャはその哲学を具現化しています。Symphony は AI エージェント、エンタープライズシステム、人的専門知識をオーケストレーションし、Praxis はワークフローを実行、TruCare は信頼できるエンタープライズデータに基づく運用基盤を提供します。これらが組み合わさることで、AI が業務の一部として機能し、単なるツールに留まらない実行層が実現します。

組織は最終的に、AI が成果を改善できるかどうかで評価します。生産性は重要ですが、長期的な価値は、企業がより一貫して実行し、迅速に適応し、実行したすべてのワークフローから学習できるかにあります。

複数のエージェントがデータを共有し、タスクを引き継ぎ、人間に意思決定をエスカレーションする際、エージェント型 AI ははるかに複雑になります。Zyter が大規模医療でマルチエージェントシステムを信頼できるようにするために学んだことは何ですか？

AI が個別ユースケースを超えて日常業務の一部になるにつれ、課題は変わります。重要なのは、単一エージェントの知能ではなく、システム・ポリシー・人・AI 間での業務調整です。

私たちは、専門化が重要であることを確認しました。医療は一人がすべてを担うわけではなく、AI も同様です。明確に責任が定義されたエージェントは、信頼性が高く、ガバナンスが容易で、時間とともに改善しやすいです。オーケストレーション層がエージェントを調整し、ハンドオフを管理し、ポリシーを一貫して適用し、人間の専門知識が必要なタイミングを判断します。

可視性も同様に重要です。チームは意思決定の根拠、参照情報、結果への貢献を理解する必要があります。意思決定の系譜を記録することで透明性が確保され、すべてのワークフローが学習と継続的改善の源となります。

信頼できる AI は展開されたエージェント数で測られるのではなく、業務がどれだけ一貫して遂行されるか、人々が結果をどれだけ自信を持って受け入れられるか、システムが時間とともにどれだけ効果的に改善されるかで評価されます。

医療機関は AI システムに時間とともに改善してほしいと望む一方で、予測可能な動作と監査可能性も求めます。臨床ガイドラインや支払者ポリシー、承認済みワークフローから逸脱しないようにしながら、継続的学習をどのように実現していますか？

すべての意思決定を AI に自動化すべきだとは考えていません。医療では、決定論的ロジックや確立されたビジネスルール、臨床ポリシーが明確で一貫した答えを提供できる場面が多くあります。そうした場面では、不要な不確実性を導入せずにそれらを活用すべきです。

興味深い機会は、これらの決定論的手法と AI を組み合わせることです。私たちは、AI 主導の推論の周囲に検証層を構築する神経シンボリックロジックを導入し、成功させています。AI が複雑または非構造化情報を解釈し、決定論的ルールとシンボリックロジックが結果の行動が既存のポリシー、ガイドライン、承認済みワークフローと整合しているかを検証します。これにより、不確実性が低減し、単なる AI 主導アプローチに比べて精度が向上します。

このことは、継続的学習に対する考え方も変えます。目的は AI に時間とともに意思決定の自由度を高めさせることではなく、実行から学びつつ、重要な意思決定を支えるコントロールを保持することです。システムが情報を解釈し、例外を処理し、業務を調整する方法を改善しても、根底にあるプロセスを支配するルールから逸脱させてはなりません。

この AI 推論、決定論的判断、継続的検証の組み合わせこそが、時間とともに改善しながらも予測可能で監査可能、かつ責任を持てるシステムを構築する方法です。

Zyter は長く断片的な臨床履歴を統合する再帰的手法 C‑RLM を検討しています。医療において長文脈推論はどれほど重要になると考えますか？また、エージェントは最終的に各患者の継続的に進化する理解を保持できるでしょうか？

医療は情報不足に悩んでいるわけではありません。課題は、患者のストーリーが何年にもわたる診療記録、検査結果、投薬、画像、請求、ケアインタラクションに分散していることです。その履歴を把握するには大量のデータ処理だけでなく、証拠を結びつけ、パターンを認識し、患者ごとの旅路を一貫した理解にまとめ上げる必要があります。

長文脈推論は、AI が個別タスク支援から縦断的ケア支援へと拡大するにつれてますます重要になります。C‑RLM の取り組みはその方向性を示しています。目的は単に情報量を増やすことではなく、断片化された臨床証拠を構造化された理解に統合し、根底の記録に根拠付けることです。すべての結論はその出典に遡れるようにし、臨床医が根拠を確認できるようにします。

これらの機能が成熟すれば、AI エージェントは各患者の旅路を継続的に進化させた理解を保持する支援をますます行うようになるでしょう。その理解は新たな情報が入るたびに豊かになりつつ、透明性とエビデンスに基づき、信頼できる臨床データに根ざしたものとなります。AI の役割は、臨床医により完全な情報を提供し、より自信を持って意思決定できるようにすることです。

Zyter は CMS の WISeR プログラムに参加しており、AI がワークフローを支援しつつ、認定医師が意思決定権を保持します。現在の自律性の境界は大まかにそこにあると考えてよいでしょうか？また、AI エージェントがより重要な意思決定を担えるようになるには何が変わる必要がありますか？

医療に単一の自律性境界はないと考えています。AI の適切な役割はワークフロー、リスクレベル、組織がシステムの一貫した動作に対してどれだけ信頼できるかによって変わります。

WISeR のようなプログラムはその現実を反映しています。AI は情報統合、確立されたポリシーの一貫適用、管理業務の調整、反復作業の削減にすでに高い効果を発揮しています。認定医師は、文脈や曖昧さ、責任が最も重要になる意思決定に判断を提供し続けます。これは AI と人的専門知識の両方の強みを活かす運用モデルです。

時間とともにこれらの境界は変化しますが、変化はモデルがより優秀になったからではなく、信頼が獲得されたからです。信頼はエビデンス、透明性、検証、実運用での一貫したパフォーマンスから生まれます。AI の役割拡大は、医療が他の重要機能に対して適用するのと同様の基準で支えられるべきです。

成功は AI がどれだけ自律的になるかでは測りません。患者がより良いケアを受け、臨床医が複雑な意思決定により多くの時間を割け、医療システム全体がより効果的に機能するかどうかで測ります。

Zyter は最近、AI オーケストレーションをエンタープライズ規模で支えるために TruCare をクラウドネイティブな AWS 基盤へ移行しました。エージェント型 AI の課題は、モデル自体に起因するものと、データ・システム・ポリシー・人をつなぐインフラに起因するもの、どちらがどれだけ重要ですか？

基盤モデルは驚異的な速度で進化しており、業界全体にとって好材料です。議論は徐々に「モデルが何ができるか」から「実際のエンタープライズ内でどのように機能させるか」へとシフトしています。

データ・システム・ポリシー・人をつなぐことこそ、変革が成功するか停滞するかの分かれ道です。AI は既存の運用環境内で動作し、複数システムを横断して実行し、ポリシーを一貫して適用し、プロダクション規模で信頼性を保たなければなりません。基盤がなければ、最も優秀なモデルでも改善すべき業務から切り離されたままです。

クラウドネイティブな AWS アーキテクチャへの移行は、この進化を反映しています。これにより、エンタープライズワークフロー全体で AI をオーケストレーションするために必要な、回復性とスケーラビリティを備えた基盤が提供され、医療が要求する信頼性、ガバナンス、パフォーマンスが維持されます。インフラは、AI が日常業務の一部として機能することを可能にし、既存プロセスと並行する別アプリケーションに留まらないようにします。

長期的な機会は、単に優れたモデルだけで決まるものではありません。AI の進歩と、エンタープライズ規模で一貫した業務実行を支えるインフラと運用モデルを組み合わせることにあります。

Zyter は実行モデルを金融サービスや政府といった他の規制産業にも展開しようとしています。プラットフォームのどの部分が真に横断的で、どの利点が Zyter のヘルスケアでの経験に特有なのですか？

規制産業はしばしば「何が違うか」という視点で捉えられますが、共通点を理解することも同様に重要です。ヘルスケアであれ、金融リスク管理であれ、政府プログラムの支援であれ、成功は人・システム・ポリシー・データを横断して複雑な業務を調整し、すべての意思決定に対して説明責任を保つことに依存します。

ここが実行モデルが根本的に横断的であると私が見るポイントです。AI、エンタープライズシステム、人間の専門知識をオーケストレーションし、ポリシーを一貫して適用し、複数システムにまたがる業務を調整し、透明性を保つという課題はヘルスケアをはるかに超えて広がります。業務フローは業界ごとに異なりますが、信頼できる実行が必要とされる点は驚くほど共通しています。

ヘルスケアは私たちが構築したものを変えたわけではありません。構築基準を引き上げました。臨床ワークフローは、正確性、相互運用性、ガバナンス、レジリエンス、信頼性が求められます。なぜなら、ミスの代償が大きいからです。この高度な複雑性に対応して設計された実行モデルは、運用規律、コンプライアンス、説明責任が同様に重要な他の規制産業にも適応可能です。

AI がエンタープライズ業務に深く組み込まれるにつれ、機能が特定産業向けかどうかという議論は、複雑で規制された環境で信頼できて実行できるかという観点へと移行すると考えます。これが当初から設計した基準です。

Zyter の Rural Health Orchestrator はバーチャルケア、リモートモニタリング、ケアマネジメント、臨床サービスを統合します。エージェント型オーケストレーションは、テレヘルスだけでは解決できない農村医療のどの課題を解決できるのでしょうか？

テレヘルスは重要なアクセス課題を解決しました。次の課題は、すべてのインタラクションが調整された行動と測定可能な成果につながることです。

農村医療はテレヘルス、リモートモニタリング、ブロードバンド投資によりアクセス拡大に大きく前進しました。しかし、デジタルインタラクションの多くが全体のケアジャーニーと結びついていないため、成果が追いついていません。ケアプランを更新せず、フォローアップをトリガーせず、次のステップを調整しないバーチャル診療は、アクセスは向上させても必ずしも健康を改善しません。

そこでオーケストレーションが不可欠になります。テレヘルス、リモートモニタリング、ケアマネジメント、地域資源、臨床ワークフローを単一の調整されたシステムに結び付け、情報がシームレスに流れ、行動が自動的に続くようにします。すべてのインタラクションが連続的なケアジャーニーの一部となり、孤立したイベントではなくなります。

機会は単なるアクセス拡大ではなく、アクセスを成果に変換することです。人・システム・ワークフローが連携したケアにより、臨床医は断片化したプロセスに時間を取られず、患者は一貫したフォローアップを受け、農村医療システムは限られたリソースでより良い成果を提供できます。これこそが AI オーケストレーションが最大の価値を発揮する領域だと考えます。

新たな PwC との協業において、成功した AI 変革と他の医療 AI パイロットを区別する要因は何ですか？どのような測定可能な成果が、AI が支払者やプロバイダーの運用を根本的に改善したと納得させますか？

医療は長年にわたりデジタル能力に投資してきました。現在、ほとんどの組織がデータ、AI、最新技術にアクセスできるようになっています。次のフェーズは、機能を増やすことではなく、業務のやり方を再設計することです。

そのため、私は AI モデルの数やパイロットの数で変革を測りません。組織のオペレーティングモデルが変わったかどうかを見ます。意思決定は速くなったか？部門やシステムを横断したワークフローはより調整されたか？管理負担は減り、臨床医やケアチームは患者ケアを向上させる活動により多くの時間を割けるようになったか？これらの改善が企業全体で再現可能かどうかを評価します。

これが PwC との協業の哲学です。PwC は医療戦略と変革の深い専門知識を提供し、Zyter は複雑なワークフロー全体でこれらの戦略を実行化する実行層を提供します。AI、エンタープライズシステム、ポリシー、人を結びつけ、組織が戦略を継続的に行動に移せるようにします。

私にとって成功した AI 変革とは、AI が別個のイニシアティブとしてではなく、オペレーティングモデルの一部になる時です。その時点で組織は AI 自体の成功を測定しません。より良い成果、管理コストの削減、調整されたケア、そして実行が根本的に改善されたために医療システムがより効果的に機能することを測ります。

素晴らしいインタビューをありがとうございました。詳しく知りたい読者は Zyter をご覧ください。