Andreas Cleve, medgrunnlegger og CEO av Corti – Intervju-serie

Andreas Cleve, medgrunnlegger og CEO av Corti, er en entrepreneur som fokuserer på å fremme kunstig intelligens i helsevesenet. Hans arbeid i sektoren begynte med Ovivo, en plattform for samtalebasert arbeidsstyring for sykehus som raskt utvidet seg over hele Danmark før det ble kjøpt opp i 2013. Han grunnla senere Hyvi, en forskningsinitiativ som utforsker kontekst-bevisste språkmodeller som kan forstå komplekse samtaler i sanntid, som til slutt utviklet seg til Corti i 2018. Foruten å bygge selskaper, har Cleve spilt en nøkkelrolle i å styrke det nordiske AI-økosystemet gjennom initiativer som Nordic.ai og rådgivende roller med organisasjoner som DIGITALEUROPE og Danmarks nasjonale digitaliseringsråd.

Corti er et København-basert helsevesen AI-selskap som utvikler spesialiserte modeller designet for å forstå medisinske samtaler og støtte kliniske ansatte i sanntid. Deres plattform fungerer som en AI-assistent for helsepersonell ved å generere klinisk dokumentasjon, fremheve innsikter under pasientinteraksjoner og automatisere administrative arbeidsflyter. Ved å tilby teknologien gjennom API-er og integrasjoner med helsevesenssystemer, har Corti som mål å redusere kliniske ansattes arbeidsbyrde samtidig som effektiviteten og beslutningstakingen forbedres over sykehus og digitale helseplattformer.

Du vokste opp i en familie der helsevesenet var en konstant del av hverdagslivet… Hvordan påvirkte disse tidlige erfaringene grunnleggelsen av Corti, og hvilke spesifikke problemer var du bestemt på å løse fra dag én?

Å vokse opp omgitt av helsevesenet gjorde to ting smertelig tydelige: ekspertise betyr enormt, og prosessene som overfører denne ekspertisen er skjøre og ofte feiler de menneskene som trenger dem mest. Disse tidlige erfaringene hjemme, som inkluderte å se påplegning personale kjempe, å se kunnskap gå tapt i håndoverføringer, og å føle frykten som kommer fra ujevn omsorg, sådde troen på at helsevesenet burde være forutsigbart og at kliniske ansatte aldri burde være alene når en vanskelig beslutning dukker opp. Det oversatte direkte til Cortis grunnleggende misjon: bygge systemer som understøtter ekspertise, så kliniske ansatte alltid har pålitelig, sanntids beslutningsstøtte.

Fra dag én satte vi oss som mål å løse forsynings- og etterspørsels-ubalansen i helsevesenet: gapet mellom kompleksiteten i moderne medisin og den begrensede menneskelige kapasiteten til å anvende den overalt, ved å skape AI som reduserer variasjon, akselerer oppdaging og støtter tryggere beslutninger i øyeblikkene som betyr mest.

Corti stiller seg som helsevesen AI-infrastruktur i stedet for en selvstendig AI-assistent. Hva betyr infrastruktur i denne sammenhengen, og hvilke evner låser det opp som punktløsninger eller chat-baserte verktøy ikke kan?

Når vi snakker om infrastruktur, mener vi at vi ikke sender en enkelt assistent eller widget; vi bygger den grunnleggende stakken som gjør klinisk-gradert AI mulig over mange arbeidsflyter. Infrastruktur her betyr: helsevesen-naturlige modeller og data (ikke generisk webdata), en klinisk resonneringslag som fremhever svar med klinisk kontekst, livssyklus- og styringsverktøy (modellkort, audit-spor, verifiserbar avstamning), deploy-muligheter som møter regulatorer (sårbare skyer, på-prem eller private endepunkter), og utvikler-tilgjengelige API-er og SDK-er som lar produktteamene plugge inn klinisk intelligens i sine apper uten å bli ML- eller compliance-eksperter.

Denne tilnærmingen låser opp tre ting punktløsninger ikke kan: (1) deploy-mulighet, som betyr modeller og kjøretid som overlever reelle kliniske begrensninger (latens, data-residens, audit-tilgjengelighet); (2) skala over spesialiteter, som betyr gjenbrukbare, sertifiserte byggeklosser (tale, kodning, klinisk-omfattende endepunkter) som reduserer kostnadene ved å bygge mange vertikale apper; og (3) regulatorisk og bedrifts-tillit, som betyr politikker, BAAs og compliance-primitiver bygget inn i plattformen så kunder kan gå fra piloter til produksjon. Kort sagt, infrastruktur omgjør klinisk R&D til deploy-graderte tjenester som utviklere og sykehus kan levere, sertifisere og skala.

Generiske AI-modeller brukes ofte i kliniske sammenhenger med blandede resultater. Hva er de vanligste måtene disse modellene svikter når de brukes i virkelige helsemiljøer?

Generiske modeller har gjort bemerkelsesverdige fremskritt, og for mange oppgaver fungerer de godt. Men helsevesenet belønner dybde på måter som horisontal AI ikke lett kan replikere. Klinisk resonnering avhenger av subtile signaler, spesialisert terminologi, institusjonell kontekst og en forståelse av hvordan dokumentasjon flyter gjennom regulatoriske og refunderte systemer. Å få det rett krever trening på klinisk data, validering mot kliniske benchmark, og bygging av compliance inn i stakken fra starten. Det er ikke et prompt-problem; det er et forskningsproblem, som er hvorfor vi mener helsevesenet trenger et dedikert AI-laboratorium, ett som kan gå dypt inn i domenet i stedet for bredt over mange.

Corti opererer over hele Europa, USA og utover, hver med forskjellige omsorgsmodeller og styring. Hvordan designer du AI-systemer som tilpasser seg denne virkelige kompleksiteten?

Vi designer for kompleksitet ved å eie mer av stakken og ved å gjøre deploy og styring til førsteklasses borgere. Praktisk talt betyr det å trene på helsevesen-data og finjustere modeller for klinisk resonnering; bygge audit-spor, modellkort og BAA-klare API-er; og arkitektur-ruting så compliance-kontroller er valgt av geografi og risikoprofil. For kunder som trenger det, tilbyr vi suverene sky og på-prem deploy-muligheter, så leverandører kan velge hvor deres data bor og beholde kontroll over modellene som kjører på det.

Denne fleksibiliteten lar oss kjøre den samme kliniske AI over forskjellige omsorgsmodeller samtidig som vi respekterer lokale dokumentasjonsstandarder, personvernlover og institusjonell styring. Viktigst, behandler vi forskning som en stige til produksjon; hver fremgang må være sporbart, testbart og deploybart i den virkelige verden, ikke bare løftende i laboratoriet. Det er hva det betyr å være bygget for å trives i klinisk virkelighet.

Se på frontlinje-kliniske arbeidsflyter i dag, hvor leverer Corti den mest umiddelbare, målbare innvirkningen, og hvorfor betyr disse områdene mest for overbelastede kliniske ansatte?

Cortis mest umiddelbare innvirkning i dag er i de kliniske og administrative arbeidsflytene som bærer den største byrden. Våre modeller og API-er gir kraft til bakgrunnsdokumentasjon, kodning og agent-drevet automatisering innen helsevesensprogramvare brukt av kliniske ansatte hver dag.

Disse områdene betyr fordi dokumentasjon og fakturering er blant de mest tidskrevende og feilfylte delene av omsorgsleveringen. Når samtaler blir strukturerte, EHR-klare notater i sanntid, når kodning er fullstendig og mer nøyaktig, og når rutinearbeidsflyter er automatisert trygt innen regulerte systemer, bruker kliniske ansatte mindre tid på papirarbeid og organisasjoner ser målbare forbedringer i effektivitet og fakturingskvalitet.

Helsevesenet er ikke ett monolittisk problem, men tusenvis av spesifikke arbeidsflyter som opererer under regulatorisk press. Ved å bygge produksjons-gradert AI som trives i klinisk virkelighet, lar vi software-selskaper og helsevesenssystemer løse disse problemene i skala. Det er der helsevesenets AI-laboratorium leverer praktisk, målbar avkastning.

Corti støtter hundretusener av pasientinteraksjoner hver dag. Hva lærdommer har dukket opp ved å operere AI på den skalaen som ikke er åpenbare i piloter eller laboratoriemiljøer?

Å operere på skala avdekker friksjon piloter skjuler heterogen datakvalitet (ingen to EHR-er eller samtaletranskripter ser like ut), produksjons-forsinkelse og strømmingsbegrensninger, juridiske og kontraktmessige kompleksiteter over kunder og geografier, og de evige kant-tilfeller som bare viser seg under belastning. Laboratorier kan måle nøyaktighet på kurerte sett; produksjon tvinger deg til å løse ruting, observasjon, driftsdeteksjon, modell-tilbakeføring og ansvarlig audit-spor. En annen lærdom: ekte tillit er tjent ved å gjøre modeller forklarbare, gjentakbare og sertifiserbare, i stedet for bare enkelt-sted-prestasjon. Til slutt understår piloter totalt eierskapskostnad: utviklere i produksjon trenger SDK-er, konsistente endepunkter og styringsprimitiver for å opprettholde sikkerhet og å iterere produktivt.

Helsevesenet krever høyere forklarbarhet enn forbruker-AI. Hvordan nærmer du deg klinisk resonnering, transparens og ansvarlighet når AI påvirker medisinske beslutninger?

Helsevesenet krever en høyere standard fordi feil-kostnaden er virkelig. Klinisk AI kan ikke bare generere plausibel språk; det må resonnere over kompleks, regulert, høyrisiko-informasjon på en måte som er gjennomsiktig og inspekterbar.

Det er hvorfor vi utviklet GIM, vår Gradient Interaction Modifications-metode, for å gjøre klinisk resonnering mer tolkbar på modellnivå. GIM toppet nylig Hugging Face Mechanistic Interpretability Benchmark, rangert #1 på listen over tolkbarhets-tilnærmingene. Det betyr noe fordi tolkbarhet ikke er en akademisk øvelse i helsevesenet – det er grunnleggende for tillit, sikkerhet og regulatorisk adopsjon.

Utenfor forskning, må transparens gå videre til deploy. Vi tilbyr modellkort, validerings-benchmark, audit-spor og versjonskontroll så kunder vet nøyaktig hva som kjører og hvordan det ble evaluert. Utdata er knyttet til bevis, usikkerhet er eksplisitt, og systemer er designet for å støtte kliniske ansatte som en underwriter av beslutninger, ikke erstatter dem med en uigjennomsiktig svart boks.

I helsevesenet er forklarbarhet ikke en funksjon. Det er en forutsetning for tillit. Det er hvorfor vi nærmer oss klinisk AI som en laboratorie-disiplin først og sikrer at forskning leveres i produksjons-graderte systemer som kan inspekteres, styres og trygt deployes.

AI-suverenitet er et kritisk tema i regulerte sektorer. Hva betyr suverenitet i helsevesenet, og hvordan kan leverandører opprettholde kontroll samtidig som de nyter godt av avansert AI?

I helsevesenet betyr suverenitet at leverandører beholder kontroll over data-residens, modell-valg og operativ styring. Praktisk talt oppnås suverenitet med alternativer for lokal eller regional vertshus (suverene skyer og på-prem), private modell-endepunkter, fullstendig audit- og livssyklus-kontroll, og kontraktmessige og tekniske garantier (BAAs, SLAs, DPIAs). Suverenitet er ikke anti-sky; det handler om å gi leverandører evnen til å velge hvor deres arbeidsflyter kjører og å ha verifiserbar kontroll og sporbarhet over modeller og data. Den kombinasjonen lar leverandører få tilgang til avanserte kapasiteter samtidig som de møter juridiske og institusjonelle forpliktelser.

Som grunnlegger og rådgiver til EU-initiativer, hvordan ser du på reguleringen utvikler seg, og hvor underestimerer politikere fortsatt de tekniske realitetene av klinisk AI?

Europa har rett i å ta regulering alvorlig. I helsevesenet er audit-tilgjengelighet, sporbarhet og ansvarlighet ikke valgfrie – de er forutsetninger for tillit.

Hvor politikere noen ganger underestimerer realiteten er i hvordan operasjonell klinisk AI er. Sertifisering er ikke en engangs-godkjenning; det krever kontinuerlig overvåking, versjonskontroll og pågående validering. Samtidig må vi unngå å over-regulere. Hvis compliance blir ubetydelig, sakter innovasjon og nyttige verktøy når aldri kliniske ansatte.

Ved Corti antar vi regulering fra dag én. Vi bygger audit-tilgjengelighet, modell-styring og suverene deploy-alternativer direkte inn i våre modeller og API-er, så startups og etablerte leverandører ikke må tilpasse for compliance senere. Helsevesenet er komplekst og fragmentert, og den eneste måten å bevege seg i rask takt er å bake regulatorisk beredskap inn i grunnlaget. Balansen Europa trenger er streng, men praktisk: beskytte pasienter, men gjøre det mulig å bygge og deploye trygt i skala.

Se fremover 12–24 måneder, hva store endringer bør helseledere forvente fra Corti, og hvordan setter disse planene grunnlaget for 2026?

Forvent at Corti skal doble innsatsen på laboratorium-til-produksjon-veien: levere forsknings-basert, klinisk-gradert modeller og pakke dem som deploy-gradert infrastruktur (tale, kodning og agent-endepunkter, et klinisk resonneringslag og suverene deploy-alternativer). Fremtidige veikart-planer inkluderer forbedret STT og latens-benchmark, tale-agenter, medisinsk kodningsmodeller som går i produksjon og flere suverene sky-lanseringer, alle eksplisitt designet for å flytte kunder fra piloter til sertifisert produksjon. Corti er ikke en enkelt applikasjon; det er helsevesenets AI-laboratorium, bygget for å muliggjøre hele klasser av trygg, audit-gradert klinisk programvare – grunnlaget for våre 2026-ambisjoner.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Corti.