Entrevistas
Andreas Cleve, Co-Fundador e CEO da Corti – Série de Entrevistas
Andreas Cleve, Co-Fundador e CEO da Corti, é um empreendedor focado em avançar a inteligência artificial na área de saúde. Seu trabalho no setor começou com a Ovivo, uma plataforma de planejamento de força de trabalho conversacional para hospitais que se expandiu rapidamente por toda a Dinamarca antes de ser adquirida em 2013. Ele mais tarde co-fundou a Hyvi, uma iniciativa de pesquisa que explora modelos de linguagem cientes do contexto capazes de entender conversas complexas em tempo real, que eventualmente evoluiu para a Corti em 2018. Além de construir empresas, Cleve desempenhou um papel fundamental no fortalecimento do ecossistema de IA nórdico por meio de iniciativas como a Nordic.ai e funções de consultoria em organizações, incluindo a DIGITALEUROPE e o Conselho Nacional de Digitalização da Dinamarca.
Corti é uma empresa de IA em saúde com sede em Copenhague que desenvolve modelos especializados projetados para entender conversas médicas e apoiar os clínicos em tempo real. Sua plataforma atua como um assistente de IA para profissionais de saúde, gerando documentação clínica, revelando insights durante interações com pacientes e automatizando fluxos de trabalho administrativos. Ao oferecer sua tecnologia por meio de APIs e integrações com sistemas de saúde, a Corti visa reduzir a carga de trabalho dos clínicos, melhorando a eficiência e a tomada de decisões em hospitais e plataformas de saúde digital.
Você cresceu em uma família onde a saúde era uma parte constante da vida cotidiana… Como essas experiências iniciais moldaram a fundação da Corti, e quais problemas específicos você estava determinado a resolver desde o início?
Crescer em torno da saúde tornou duas coisas dolorosamente claras: a expertise é enormemente importante, e os processos que transferem essa expertise são frágeis e frequentemente falham as pessoas que mais precisam deles. Essas experiências iniciais em casa, que incluíam ver cuidadores lutando, assistir ao conhecimento se perder nas transferências e sentir o medo que vem de cuidados inconsistentes, plantaram a crença de que a saúde deve ser previsível e que os clínicos nunca devem estar sozinhos quando uma decisão difícil chega. Isso se traduziu diretamente na missão de fundação da Corti: construir sistemas que subscrevam a expertise, para que os clínicos sempre tenham suporte de decisão confiável em tempo real.
Desde o início, nos esforçamos para abordar o desequilíbrio entre a oferta e a demanda na saúde: a lacuna entre a complexidade da medicina moderna e a capacidade humana limitada para aplicá-la em todos os lugares, criando IA que reduz a variância, acelera a detecção e apoia decisões mais seguras nos momentos que mais importam.
A Corti se posiciona como infraestrutura de IA em saúde, e não como um assistente de IA autônomo. O que significa infraestrutura nesse contexto, e quais capacidades isso desbloqueia que soluções pontuais ou ferramentas baseadas em chat não podem?
Quando falamos de infraestrutura, queremos dizer que não estamos enviando um único assistente ou widget; estamos construindo o conjunto de fundamentos que torna a IA clínica possível em muitos fluxos de trabalho. Infraestrutura aqui significa: modelos e dados nativos em saúde (não dados genéricos da web), uma camada de raciocínio clínico que revela respostas com contexto clínico, ferramentas de ciclo de vida e governança (cartões de modelo, rastros de auditoria, linhagem verificável), opções de implantação que atendem aos reguladores (nuvens soberanas, pontos finais privados), e APIs e SDKs voltados para desenvolvedores que permitem que as equipes de produto incorporem inteligência clínica em seus aplicativos sem se tornarem especialistas em ML ou conformidade.
Essa abordagem desbloqueia três coisas que soluções pontuais não podem: (1) implantabilidade, significando modelos e tempos de execução que sobrevivem a restrições clínicas reais (latência, residência de dados, auditoria); (2) escala em especialidades, significando blocos de construção reutilizáveis e certificados (fala, codificação, pontos de extremidade com escopo clínico) que reduzem o custo de construir muitos aplicativos verticais; e (3) confiança regulatória e empresarial, significando políticas, BAAs e primitivos de conformidade integrados à plataforma para que os clientes possam mudar de pilotos para produção. Em resumo, a infraestrutura transforma a R&D clínica em serviços implantáveis que os desenvolvedores e os hospitais podem enviar, certificar e escalar.
Modelos de IA de propósito geral são frequentemente aplicados a ambientes clínicos com resultados mistos. Quais são as maneiras mais comuns pelas quais esses modelos falham quando usados em ambientes de saúde reais?
Modelos de propósito geral fizeram um progresso notável, e para muitas tarefas eles funcionam bem. Mas a saúde recompensa a profundidade de maneiras que a IA horizontal não pode facilmente replicar. O raciocínio clínico depende de pistas sutis, terminologia especializada, contexto institucional e compreensão de como a documentação flui através dos sistemas de regulamentação e reembolso. Conseguir isso certo requer treinamento em dados clínicos, validação contra benchmarks clínicos e construção de conformidade na pilha desde o início. Não é um problema de prompt; é um problema de pesquisa, que é por que pensamos que a saúde precisa de um laboratório de IA dedicado, um que possa ir fundo no domínio em vez de amplo em muitos.
A Corti opera na Europa, nos EUA e além, cada um com diferentes modelos de cuidados e governança. Como você projeta sistemas de IA que se adaptam a essa complexidade do mundo real?
Projetamos para complexidade, possuindo mais da pilha e tornando a implantação e a governança cidadãos de primeira classe. Praticamente, isso significa treinar em dados de saúde apenas e ajustar modelos para raciocínio clínico; construir rastros de auditoria, cartões de modelo e APIs prontas para BAA; e arquitetar rotas para que os controles de conformidade sejam selecionados por geografia e perfil de risco. Para clientes que precisam, oferecemos opções de implantação de nuvem soberana e local, para que os provedores possam escolher onde seus dados vivem e manter o controle sobre os modelos em execução neles.
Essa flexibilidade nos permite executar a mesma IA clínica em diferentes modelos de cuidados, honrando padrões de documentação locais, leis de privacidade e governança institucional. É importante que tratemos a pesquisa como uma escada para a produção; cada avanço deve ser rastreável, testável e implantável no mundo real, e não apenas promissor no laboratório. É isso que significa ser construído para prosperar na realidade clínica.
Olhando para os fluxos de trabalho clínicos de linha de frente hoje, onde a Corti entrega o impacto mais imediato e mensurável, e por que essas áreas importam mais para os clínicos sobrecarregados?
O impacto mais imediato da Corti hoje está nos fluxos de trabalho clínicos e administrativos que carregam a maior carga. Nossos modelos e APIs alimentam a documentação ambiental, codificação e automação baseada em agentes dentro do software de saúde usado por clínicos todos os dias.
Essas áreas importam porque a documentação e a cobrança são entre as partes mais demoradas e propensas a erros da entrega de cuidados. Quando as conversas se tornam notas prontas para o prontuário em tempo real, quando a codificação é mais completa e precisa, e quando os fluxos de trabalho rotineiros são automatizados com segurança dentro de sistemas regulamentados, os clínicos gastam menos tempo com papelada e as organizações veem melhorias mensuráveis na eficiência e na qualidade do reembolso.
A saúde não é um problema monolítico, mas milhares de fluxos de trabalho específicos de especialidade operando sob pressão regulatória. Ao construir IA de produção que prospera na realidade clínica, habilitamos as empresas de software e os sistemas de saúde a abordar esses problemas em escala. É aí que o laboratório de IA em saúde entrega retorno prático e mensurável.
A Corti apoia centenas de milhares de interações de pacientes todos os dias. Quais lições surgiram ao operar a IA nessa escala que não são óbvias em pilotos ou ambientes de laboratório?
Operar em escala expõe a fricção que os pilotos escondem – qualidade heterogênea dos dados (nenhum dois prontuários ou transcrições de chamadas se parecem), restrições de latência e streaming de produção, complexidade legal e contratual em todo o cliente e geografia, e os casos de bordo perpetuais que só aparecem sob carga. Laboratórios podem medir a precisão em conjuntos curados; a produção força a resolver roteamento, observabilidade, detecção de deriva, reversão de modelo e rastros de auditoria responsáveis. Outra lição: a confiança real é conquistada tornando os modelos explicáveis, repetíveis e certificáveis, e não apenas pelo desempenho em um único local. Finalmente, os pilotos subestimam o custo total de propriedade: os desenvolvedores em produção precisam de SDKs, pontos de extremidade consistentes e primitivos de governança para manter a segurança e iterar produtivamente.
A saúde exige mais explicabilidade do que a IA de consumo. Como você aborda o raciocínio clínico, a transparência e a responsabilidade quando a IA influencia decisões médicas?
A saúde exige um padrão mais alto porque o custo do erro é real. A IA clínica não pode apenas gerar linguagem plausível; ela tem que raciocinar sobre informações complexas, regulamentadas e de alto risco de uma maneira transparente e inspecionável.
É por isso que desenvolvemos o GIM, nosso método de Modificações de Interação de Gradiente, para tornar o raciocínio clínico mais interpretável no nível do modelo. O GIM recentemente liderou o Benchmark de Interpretabilidade Mecanicista da Hugging Face, classificando #1 no leaderboard entre as abordagens de interpretabilidade. Isso importa porque a interpretabilidade não é um exercício acadêmico na saúde – é fundamental para a confiança, a segurança e a adoção regulatória.
Além da pesquisa, a transparência tem que se estender à implantação. Fornecemos cartões de modelo, benchmarks de validação, rastros de auditoria e controle de versão para que os clientes saibam exatamente o que está em execução e como foi avaliado. As saídas são vinculadas à evidência, a incerteza é explícita e os sistemas são projetados para apoiar os clínicos como um subscritor de decisões, e não substituí-los com uma caixa preta opaca.
Na saúde, a explicabilidade não é um recurso. É um pré-requisito para a confiança. É por isso que abordamos a IA clínica como uma disciplina de laboratório primeiro e garantimos que a pesquisa seja enviada em sistemas de produção de classe que possam ser inspecionados, governados e implantados com segurança.
A soberania da IA é um tópico crítico em setores regulamentados. O que significa soberania na saúde, e como os provedores podem manter o controle enquanto ainda se beneficiam da IA avançada?
Na saúde, a soberania significa que os provedores retêm o controle sobre a residência dos dados, a escolha do modelo e a governança operacional. Praticamente, a soberania é alcançada com opções de hospedagem local ou regional (nuvens soberanas e pontos de extremidade privados), pontos de extremidade de modelo privados, controle total de ciclo de vida e auditoria, e garantias contratuais e técnicas (BAAs, SLAs, DPIAs). A soberania não é anti-nuvem; é sobre dar aos provedores a capacidade de escolher onde seus workloads são executados e ter controle e rastreabilidade verificáveis sobre os modelos e os dados. Essa combinação permite que os provedores acessem capacidades de ponta enquanto atendem às obrigações legais e institucionais.
Como fundador e consultor de iniciativas da UE, como você vê a regulamentação evoluindo, e onde os formuladores de políticas ainda subestimam as realidades técnicas da IA clínica?
A Europa está certa em levar a regulamentação a sério. Na saúde, a auditoria, a rastreabilidade e a responsabilidade não são opcionais – são pré-requisitos para a confiança.
Onde os formuladores de políticas às vezes subestimam a realidade é em como a IA clínica operacional é. A certificação não é uma aprovação única; requer monitoramento contínuo, controle de versão e validação contínua. Ao mesmo tempo, temos que evitar a super-regulamentação. Se a conformidade se torna desproporcional, a inovação desacelera e as ferramentas úteis nunca alcançam os clínicos.
Na Corti, assumimos a regulamentação desde o dia um. Construímos a auditoria, a governança do modelo e as opções de implantação soberana diretamente em nossos modelos e APIs, para que as startups e os fornecedores estabelecidos não precisem retroajustar para a conformidade mais tarde. A saúde é complexa e fragmentada, e a única maneira de se mover a um ritmo é incorporar a prontidão regulatória à fundação. O equilíbrio que a Europa precisa é rigoroso, mas prático: proteger os pacientes, mas tornar possível construir e implantar com segurança em escala.
Olhando para os próximos 12–24 meses, quais mudanças principais os líderes de saúde devem esperar da Corti, e como esses planos estabelecem a base para 2026?
Espere que a Corti duplique a aposta na via laboratório-para-produção: enviando modelos de classe clínica apoiados pela pesquisa e embalando-os como infraestrutura implantável (pontos de extremidade de fala, codificação e agente, uma camada de raciocínio clínico e opções de implantação soberana), todos explicitamente projetados para mover os clientes de pilotos para produção certificada. Os planos da estrada incluem melhorias nos benchmarks de STT e latência, agentes de voz, modelos de codificação médica indo para a produção e vários lançamentos de nuvem soberana, todos projetados para mover os clientes de pilotos para produção certificada. A Corti não é um aplicativo único; é o laboratório de IA em saúde, construído para habilitar classes inteiras de software clínico seguro e auditável – a base para nossas ambições de 2026.
Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Corti.
