Andreas Cleve, medgrundare och VD för Corti – Intervjuserie

Andreas Cleve, medgrundare och VD för Corti, är en entreprenör som fokuserar på att främja artificiell intelligens inom hälso- och sjukvården. Hans arbete inom sektorn började med Ovivo, en konversationsbaserad arbetsstyrkeplaneringsplattform för sjukhus som snabbt expanderade över hela Danmark innan den förvärvades 2013. Han medgrundade senare Hyvi, ett forskningsinitiativ som undersöker kontextmedvetna språkmodeller som kan förstå komplexa samtal i realtid, vilket slutligen utvecklades till Corti 2018. Utöver att bygga företag har Cleve spelat en nyckelroll i att stärka den nordiska AI-ekosystemet genom initiativ som Nordic.ai och rådgivningsroller med organisationer som DIGITALEUROPE och Danmarks nationella digitaliseringsråd.

Corti är ett Köpenhamnsbaserat hälso- och sjukvårdsföretag som utvecklar specialiserade modeller som är utformade för att förstå medicinska samtal och stödja kliniker i realtid. Dess plattform fungerar som en AI-assistent för hälso- och sjukvårdspersonal genom att generera klinisk dokumentation, visa insikter under patientinteraktioner och automatisera administrativa arbetsflöden. Genom att erbjuda sin teknik via API:er och integrationer med hälso- och sjukvårdssystem syftar Corti till att minska arbetsbördan för kliniker samtidigt som effektivitet och beslutsfattning förbättras över hela sjukhus och digitala hälso- och sjukvårdsplattformar.

Du växte upp i en familj där hälso- och sjukvård var en konstant del av vardagslivet… Hur formade dessa tidiga upplevelser grundandet av Corti, och vilka specifika problem var du fast besluten att lösa från dag ett?

Att växa upp i en miljö där hälso- och sjukvård var närvarande gjorde två saker smärtsamt tydliga: expertis är enormt viktigt, och de processer som överför den expertisen är ömtåliga och ofta misslyckas med att tillgodose de människor som mest behöver dem. Dessa tidiga upplevelser, som inkluderade att se vårdgivare kämpa, se kunskap gå förlorad i överlämnanden och känna rädslan som kommer från ojämn vård, gav upphov till övertygelsen att hälso- och sjukvården borde vara förutsägbar och att kliniker aldrig borde vara ensamma när ett svårt beslut måste fattas. Det översattes direkt till Cortis grundläggande uppdrag: bygga system som garanterar expertis, så att kliniker alltid har tillförlitligt, realtidsbaserat beslutsstöd.

Från dag ett satte vi oss att lösa obalansen mellan utbud och efterfrågan inom hälso- och sjukvården: gapet mellan den komplexitet som modern medicin kräver och den begränsade mänskliga förmågan att tillämpa den överallt, genom att skapa AI som minskar variation, påskyndar upptäckt och stödjer säkrare beslut i de ögonblick som betyder mest.

Corti positionerar sig som hälso- och sjukvårds-AI-infrastruktur snarare än en fristående AI-assistent. Vad betyder infrastruktur i detta sammanhang, och vilka funktioner låser det upp som punktlösningar eller chattbaserade verktyg inte kan?

När vi pratar om infrastruktur menar vi att vi inte levererar en enskild assistent eller widget; vi bygger den grundläggande stacken som gör det möjligt att skapa kliniskt godkänd AI över många arbetsflöden. Infrastruktur i detta sammanhang betyder: hälso- och sjukvårdsinriktade modeller och data (inte generisk webbdata), ett kliniskt resonemangsskikt som visar svar med klinisk kontext, livscykel- och styrverktyg (modellkort, revisionshistorik, spårbar härstamning), distributionsalternativ som uppfyller regulatoriska krav (suveräna moln, lokala eller privata slutpunkter) och utvecklarvänliga API:er och SDK:er som låter produktteam integrera klinisk intelligens i sina appar utan att behöva bli ML- eller efterlevnads experter.

Detta tillvägagångssätt låser upp tre saker som punktlösningar inte kan: (1) distribuerbarhet, vilket innebär modeller och körningar som överlever verkliga kliniska begränsningar (latens, dataresidens, granskbarhet); (2) skala över specialiteter, vilket innebär återanvändbara, certifierade byggblock (tal, kodning, kliniskt inriktade slutpunkter) som minskar kostnaden för att bygga många vertikala appar; och (3) regulatorisk och företagssäkerhet, vilket innebär policyer, BA:er och efterlevnadsprimitiver inbyggda i plattformen så att kunder kan flytta från piloter till produktion. Kort sagt, infrastruktur omvandlar klinisk forskning och utveckling till distribuerbara tjänster som mjukvaruföretag och hälso- och sjukvårdssystem kan leverera, certifiera och skala.

Generella AI-modeller används ofta i kliniska miljöer med varierande resultat. Vilka är de vanligaste sätten dessa modeller brister när de används i verkliga hälso- och sjukvårdsmiljöer?

Generella modeller har gjort betydande framsteg, och för många uppgifter fungerar de bra. Men hälso- och sjukvården belönar djup på sätt som horisontell AI inte lätt kan replikera. Kliniskt resonemang beror på subtila ledtrådar, specialiserad terminologi, institutionell kontext och förståelse för hur dokumentation flödar genom regulatoriska och ersättningsystem. Att få det rätt kräver utbildning på klinisk data, validering mot kliniska benchmark och byggnad av efterlevnad i stacken från början. Det är inte ett problem med att mata in data; det är ett forskningsproblem, vilket är varför vi tror att hälso- och sjukvården behöver ett dedikerat AI-laboratorium, ett som kan gå djupt in i domänen snarare än brett över många.

Corti verkar över hela Europa, USA och bortom, var och en med olika vårdmodeller och styrning. Hur designar du AI-system som anpassar sig till denna verkliga komplexitet?

Vi designar för komplexitet genom att äga mer av stacken och genom att göra distribution och styrning till första klassens medborgare. Praktiskt sett betyder det att utbilda på hälso- och sjukvårdsdata och finjustera modeller för kliniskt resonemang; bygga revisionshistorik, modellkort och BAA-klara API:er; och arkitektera routning så att efterlevnadskontroller väljs av geografi och riskprofil. För kunder som behöver det erbjuder vi suveräna moln- och lokala distributionsalternativ, så att vårdgivare kan välja var deras data bor och upprätthålla kontroll över de modeller som körs på den.

Den flexibiliteten låter oss köra samma kliniska AI över olika vårdmodeller samtidigt som vi hedrar lokala dokumentationsstandarder, sekretesslagar och institutionell styrning. Viktigt är att vi behandlar forskning som en stege till produktion; varje framsteg måste vara spårbar, testbar och distribuerbar i den verkliga världen, inte bara lovande i labbet. Det är vad det innebär att vara byggt för att trivas i klinisk verklighet.

När man tittar på kliniska arbetsflöden idag, var levererar Corti den mest omedelbara, mätbara effekten, och varför är dessa områden viktigast för överbelastade kliniker?

Cortis mest omedelbara effekt idag är i de kliniska och administrativa arbetsflöden som bär den största bördan. Våra modeller och API:er driver ambient dokumentation, kodning och agentdriven automatisering inuti hälso- och sjukvårdsprogram som används av kliniker varje dag.

Dessa områden är viktiga eftersom dokumentation och fakturering är bland de mest tidskrävande och feldrabbade delarna av vården. När samtal blir strukturerade, EHR-klara anteckningar i realtid, när kodning är mer fullständig och exakt, och när rutinmässiga arbetsflöden automatiseras säkert inom reglerade system, tillbringar kliniker mindre tid på pappersarbete och organisationer ser mätbara förbättringar i effektivitet och fakturingskvalitet.

Hälso- och sjukvården är inte ett enda monolitiskt problem, utan tusentals specialinriktade arbetsflöden som fungerar under regulatorisk press. Genom att bygga produktionsklara AI som trivs i klinisk verklighet, möjliggör vi för mjukvaruföretag och hälso- och sjukvårdssystem att ta itu med dessa problem i stor skala. Det är där hälso- och sjukvårdens AI-laboratorium levererar praktisk, mätbar avkastning.

Corti stöder hundratusentals patientinteraktioner varje dag. Vilka lärdomar har kommit fram när man kör AI i den skalan som inte är uppenbara i piloter eller labbmiljöer?

Att köra i stor skala avslöjar friktion som piloter döljer: heterogen datakvalitet (inga två EHR:er eller samtalstranskriptioner ser likadana ut), produktionslatens och strömningsbegränsningar, juridisk och kontraktuell komplexitet över kunder och geografier, och de eviga kantfall som bara visas under belastning. Labb kan mäta noggrannhet på kuraterade uppsättningar; produktion tvingar dig att lösa routning, observerbarhet, drifthämtning, modellåterställning och ansvarsfulla revisionshistorik. En annan lärdom: riktigt förtroende vinns genom att göra modeller förklarliga, upprepningsbara och certifierbara, snarare än genom enstaka webbplatsprestation. Slutligen underskattar piloter den totala ägandekostnaden: utvecklare i produktion behöver SDK:er, konsekventa slutpunkter och styrningsprimitiver för att upprätthålla säkerhet och iterera produktivt.

Hälso- och sjukvården kräver högre förklarbarhet än konsument-AI. Hur närmar du dig kliniskt resonemang, transparens och ansvar när AI påverkar medicinska beslut?

Hälso- och sjukvården kräver en högre standard eftersom felets kostnad är verklig. Klinisk AI kan inte bara generera trovärdig språk; den måste resonera över komplex, reglerad, högriskinformation på ett sätt som är transparent och inspekterbart.

Därför utvecklade vi GIM, vår Gradient Interaction Modifications-metod, för att göra kliniskt resonemang mer tolkningsbart på modellnivå. GIM toppade nyligen Hugging Face Mechanistic Interpretability Benchmark, rankad #1 på leaderboard bland tolkningsbara tillvägagångssätt. Det betyder något eftersom tolkbarhet inte är en akademisk övning i hälso- och sjukvården – det är grundläggande för förtroende, säkerhet och regulatoriskt godkännande.

Utöver forskning måste transparens fortsätta till distribution. Vi tillhandahåller modellkort, valideringsbenchmark, revisionshistorik och versionskontroll så att kunder exakt vet vad som körs och hur det utvärderades. Utdata är bundna till bevis, osäkerhet är explicit och system är utformade för att stödja kliniker som en underwriter av beslut, inte ersätta dem med en ogenomskinlig svart låda.

I hälso- och sjukvården är förklarbarhet inte en funktion. Det är en förutsättning för förtroende. Därför närmar vi oss klinisk AI som ett labbdisciplin först och säkerställer att forskning levereras i produktionsklara system som kan inspekteras, styras och säkert distribueras.

AI-suveränitet är ett kritiskt ämne i reglerade sektorer. Vad betyder suveränitet i hälso- och sjukvården, och hur kan vårdgivare upprätthålla kontroll samtidigt som de drar nytta av avancerad AI?

I hälso- och sjukvården betyder suveränitet att vårdgivare behåller kontrollen över dataresidens, modellval och operativ styrning. Praktiskt sett uppnås suveränitet med alternativ för lokal eller regional värd (suveräna moln och lokala slutpunkter), privata modellslutpunkter, fullständig revisions- och livscykelkontroll och kontraktuell och teknisk garanti (BA:er, SLA:er, DPIA:er). Suveränitet är inte anti-moln; det handlar om att ge vårdgivare möjlighet att välja var deras arbetsbelastningar körs och att ha spårbar och verifierbar kontroll över modeller och data. Den kombinationen låter vårdgivare få tillgång till avancerade funktioner samtidigt som de uppfyller juridiska och institutionella skyldigheter.

Som grundare och rådgivare till EU-initiativ, hur ser du på hur regleringen utvecklas, och var underskattar policymakare fortfarande de tekniska realiteterna i klinisk AI?

Europa har rätt att ta reglering på allvar. I hälso- och sjukvården är granskbarhet, spårbarhet och ansvar inte valfria – de är förutsättningar för förtroende.

Där policymakare ibland underskattar verkligheten är i hur operativ klinisk AI är. Certifiering är inte en engångs godkännande; det kräver kontinuerlig övervakning, versionskontroll och fortlöpande validering. Samtidigt måste vi undvika att överreglera. Om efterlevnad blir oproportionerligt dyrt, bromsar innovationen och användbara verktyg når aldrig kliniker.

På Corti antar vi reglering från dag ett. Vi bygger granskbarhet, modellstyrning och suveräna distributionsalternativ direkt in i våra modeller och API:er, så att startups och etablerade leverantörer inte behöver retrofitta för efterlevnad senare. Hälso- och sjukvården är komplex och fragmenterad, och det enda sättet att röra sig i rätt takt är att integrera regulatorisk beredskap i grunden. Balansen som Europa behöver är rigorös men praktisk: skydda patienter men göra det möjligt att bygga och distribuera säkert i stor skala.

Om 12-24 månader, vilka stora förändringar bör hälso- och sjukvårdsledare förvänta sig från Corti, och hur sätter dessa planer grunden för 2026?

Förvänta er att Corti ska dubbla sin satsning på labb-till-produktionsvägen: leverera forskningsbaserade, kliniskt godkända modeller och paketera dem som distribuerbar infrastruktur (tal, kodning och agentdriven slutpunkter, ett kliniskt resonemangsskikt och suveräna distributionsalternativ), alla uttryckligen utformade för att flytta kunder från piloter till certifierad produktion. Corti är inte en enskild applikation; det är hälso- och sjukvårdens AI-laboratorium, byggt för att möjliggöra hela klasser av säker, granskbar klinisk programvara – grunden för våra 2026-ambitioner. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Corti.