Sundar Subramanian, VD för Zyter – Intervjuserie

Sundar Subramanian, VD för Zyter, är en erfaren strategi‑ och hälso‑ och sjukvårdschef med en bakgrund som spänner över managementkonsulting, digital transformation och storskalig hälso‑ och sjukvårdsverksamhet. Innan han blev VD i juli 2025 tillbringade han mer än 16 år på PwC:s Strategy&, där han ledde den amerikanska strategi‑konsultverksamheten samt dess Enterprise Strategy, Value and Digital Transformation‑praktik och rådgav stora organisationer om tillväxt, omdesign av operativ modell och AI‑driven transformation. Tidigare i sin karriär var Subramanian medledare för Booz & Companys Medicaid‑ och Medicare Center of Excellence och arbetade omfattande med vårdgivare, efter seniora roller på WellCare och McKinsey & Company. På Zyter leder han företagets expansion kring agentisk AI och intelligent arbetsflödesorkestrering, med betoning på att använda AI för att omdesigna helhetsprocesser snarare än att bara automatisera enskilda uppgifter.

Zyter är ett privatägt företag inom företags‑teknik med mer än två decennier av erfarenhet inom digital hälso‑ och sjukvård, där deras TruCare‑plattform för befolkningshälsa har etablerat ett fotavtryck som stödjer över 44 miljoner liv hos mer än 45 hälso‑ och sjukvårdsorganisationer. Företaget bygger nu vidare bortom sina hälso‑ och sjukvårdssrotar med en AI‑exekveringsplattform avsedd för komplexa och starkt reglerade arbetsflöden inom hälso‑ och sjukvård, offentlig sektor och finansiella tjänster. Deras arkitektur kombinerar Zyter Symphony, som koordinerar AI‑agenter, företags‑system och mänskliga handlingar; Zyter Praxis, som paketerar agenter, regler, data och mänsklig tillsyn i helhetsarbetsflödesmoduler; samt TruCare Digital Core, som kopplar dessa arbetsflöden till system som elektroniska patientjournaler, skade‑plattformar, ERP‑system och CRM‑programvara. Det övergripande målet är att göra agentisk AI operativ inom befintliga företagsmiljöer samtidigt som styrning, spårbarhet och mänsklig tillsyn över viktiga beslut bibehålls.

Du tillbringade mer än 16 år på Strategy&, ledde den amerikanska strategi‑konsultverksamheten och arbetade omfattande inom hälso‑ och sjukvård, efter tidigare erfarenhet på WellCare. Vad övertygade dig om att hälso‑ och sjukvårdens nästa stora språng skulle komma från agentisk AI och arbetsflödesexekvering snarare än en ny generation traditionell mjukvara?

Genom min karriär har jag haft möjlighet att se hälso‑ och sjukvården från flera perspektiv – som operatör, strategi‑konsult och nu som teknikbyggare. Över dessa erfarenheter blev en observation allt tydligare. Hälso‑ och sjukvården hade inte problem för att den saknade teknik. Den hade problem för att tekniken inte förändrade hur arbetet utfördes.

Under det senaste decenniet har branschen investerat kraftigt i digitalisering. Vi moderniserade infrastruktur, utökade analys, förbättrade interoperabilitet och har på senare tid omfamnat AI. Dessa investeringar skapade viktiga nya möjligheter, men de löste inte en av hälso‑ och sjukvårdens mest envisa utmaningar: att samordna arbete mellan människor, system, policyer och organisationer. Alltför ofta lagts tekniken på befintliga operativa modeller i stället för att förändra hur de fungerar.

Den insikten förändrade hur jag ser på transformation. Nästa fas definieras inte av att distribuera mer AI. Det handlar om att omdesigna hur arbete utförs. AI är en extraordinär möjliggörare, men dess största värde kommer från att hjälpa organisationer att verkställa mer effektivt genom att orkestrera arbete mellan människor, system, policyer och AI.

Det var det som lockade mig till Zyter. Efter år av att hjälpa organisationer att utveckla transformationsstrategier ville jag bidra till att bygga exekveringslagret som förvandlar dessa strategier till mätbara resultat. För mig handlar framtiden för hälso‑ och sjukvården inte om att göra AI mer intelligent. Det handlar om att hjälpa hälso‑ och sjukvården att fungera mer intelligent.

Zyter positionerar sig som ett exekveringslager för den agentiska företagsverksamheten, med Symphony som orkestrerar agenter och människor, Praxis som verkställer arbetsflöden och TruCare som förankrar dem i företagsdata. Vad kan denna arkitektur åstadkomma som enskilda AI‑kopiloter inte kan?

Företagstransformation har aldrig varit begränsad av brist på idéer eller intelligens. Organisationer vet oftast vad de behöver göra. Den svårare utmaningen är att konsekvent översätta dessa beslut till handling över människor, system, policyer och arbetsflöden.

Det är där jag ser nästa fas av företags‑AI. Enskilda AI‑assistenter gör människor mer produktiva. Företags‑AI bör göra organisationer mer effektiva. Den bör samordna arbete, verkställa arbetsflöden, anpassa sig när förutsättningar förändras och kontinuerligt förbättra hur organisationen opererar.

Vår arkitektur speglar den filosofin. Symphony orkestrerar AI‑agenter, företags‑system och mänsklig expertis. Praxis verkställer arbetsflöden, och TruCare tillhandahåller den operativa grunden som förankrar dessa arbetsflöden i pålitlig företagsdata. Tillsammans skapar de ett exekveringslager där AI blir en del av hur arbete utförs snarare än ett ytterligare verktyg som människor använder vid sidan av sitt arbete.

Organisationer kommer i slutändan att mäta AI efter dess förmåga att förbättra resultat. Produktivitet är viktigt, men långsiktigt värde kommer från att hjälpa företag att verkställa mer konsekvent, anpassa sig snabbare och lära av varje arbetsflöde de kör.

Agentisk AI blir mycket mer komplex när flera agenter delar data, överlämnar uppgifter och eskalerar beslut till människor. Vad har Zyter lärt sig om att göra multi‑agent‑system tillräckligt pålitliga för hälso‑ och sjukvård i stor skala?

Allteftersom AI går bortom enskilda användningsfall och blir en del av den dagliga verksamheten förändras utmaningen. Det handlar mindre om hur intelligent en enskild agent är och mer om hur arbete koordineras över system, policyer, människor och AI.

Vi har funnit att specialisering är avgörande. Hälso‑ och sjukvården förlitar sig inte på en person som gör allt, och AI bör inte heller göra det. Agenter med tydligt definierade ansvarsområden är mer pålitliga, enklare att styra och lättare att förbättra över tid. Orkestreringslagret koordinerar dessa agenter, hanterar överlämningar, tillämpar policyer konsekvent och avgör när mänsklig expertis ska tas in i arbetsflödet.

Synlighet är lika viktig. Team måste förstå hur beslut fattades, vilken information som låg till grund och hur de bidrog till resultatet. Att fånga beslutslinjen skapar den transparensen samtidigt som varje arbetsflöde blir en källa till lärande och kontinuerlig förbättring.

Pålitlig AI definieras inte av hur många agenter som distribueras. Den visas i hur konsekvent arbete utförs, hur säkert människor kan lita på resultaten och hur effektivt systemet förbättras över tid.

Hälso‑ och sjukvårdsorganisationer vill att AI‑system ska förbättras över tid, men de behöver också förutsägbart beteende och spårbarhet. Hur möjliggör du kontinuerligt lärande utan att låta systemen glida bort från kliniska riktlinjer, betalar‑policyer eller godkända arbetsflöden?

Jag tror inte att varje beslut bör automatiseras genom AI. Inom hälso‑ och sjukvården finns många beslut där deterministisk logik, etablerade affärsregler eller kliniska policyer kan ge ett tydligt och konsekvent svar. Där det är möjligt bör vi använda dem istället för att införa onödig osäkerhet.

Den mer intressanta möjligheten är att kombinera dessa deterministiska tillvägagångssätt med AI. Vi har framgångsrikt implementerat neuro‑symbolisk logik som skapar ett verifieringslager runt AI‑drivet resonemang. AI kan tolka komplex eller ostrukturerad information, medan deterministiska regler och symbolisk logik verifierar att den resulterande handlingen förblir i linje med etablerade policyer, riktlinjer och godkända arbetsflöden. Det minskar osäkerheten och förbättrar noggrannheten jämfört med att enbart förlita sig på ett AI‑drivet tillvägagångssätt.

Det förändrar också hur jag ser på kontinuerligt lärande. Målet är inte att ge AI större frihet att fatta beslut över tid. Det är att lära av verkställandet samtidigt som kontrollmekanismerna som styr hur viktiga beslut fattas bevaras. Du kan förbättra hur systemet tolkar information, hanterar undantag och koordinerar arbete utan att låta det glida bort från de regler som styr den underliggande processen.

Den kombinationen av AI‑resonemang, deterministisk beslutsfattning och kontinuerlig verifiering är hur du skapar system som kan förbättras över tid samtidigt som de förblir förutsägbara, spårbara och ansvariga.

Zyter har utforskat C‑RLM, ett rekursivt tillvägagångssätt för att syntetisera långa och fragmenterade kliniska historik. Hur viktig kommer lång‑kontext‑resonemang att bli inom hälso‑ och sjukvård, och kan agenter så småningom upprätthålla en kontinuerligt utvecklande förståelse av varje patient?

Hälso‑ och sjukvården har aldrig haft brist på information. Utmaningen är att en patients berättelse är spridd över år av läkaranteckningar, laboratorieresultat, mediciner, bilddiagnostik, skadeanspråk och vårdinteraktioner. Att förstå den historiken kräver mer än att bearbeta en stor mängd data. Det kräver att koppla ihop bevis, känna igen mönster och bygga en sammanhängande förståelse av varje patients resa.

Lång‑kontext‑resonemang kommer att bli allt viktigare när AI går bortom att assistera enskilda uppgifter och börjar stödja longitudinell vård. Vårt arbete med C‑RLM speglar den utvecklingen. Målet är inte bara att sammanfatta mer information. Det är att syntetisera fragmenterad klinisk evidens till en strukturerad förståelse som förblir förankrad i den underliggande journalen. Varje slutsats måste också vara spårbar till sin källa så att kliniker kan förstå hur den nåddes och validera den mot bevisen.

När dessa förmågor mognar kommer AI‑agenter i allt högre grad att hjälpa till att upprätthålla en kontinuerligt utvecklande förståelse av varje patients resa. Den förståelsen bör bli rikare när ny information blir tillgänglig, samtidigt som den förblir transparent, evidensbaserad och förankrad i pålitliga kliniska data. AI:s roll är att ge kliniker en mer komplett bild så att de kan fatta bättre informerade beslut med större förtroende.

Zyter deltar i CMS WISeR‑programmet, där AI kan stödja arbetsflöden medan licensierade kliniker behåller beslutsfattande myndighet. Är det ungefär där autonomigränsen bör ligga idag, och vad skulle behöva förändras innan AI‑agenter kan ta på sig mer avgörande beslut?

Jag tror inte att det finns en enda autonomigräns för hälso‑ och sjukvården. AI:s lämpliga roll beror på arbetsflödet, risknivån och hur mycket förtroende organisationerna har för att systemet beter sig konsekvent under verkliga förhållanden.

Program som WISeR speglar den verkligheten. AI är redan mycket effektivt på att syntetisera information, tillämpa etablerade policyer konsekvent, samordna administrativa arbetsflöden och minska repetitivt arbete. Licensierade kliniker fortsätter att tillhandahålla omdöme för beslut där kontext, tvetydighet och ansvar är mest kritiska. Det är en operativ modell som utnyttjar styrkorna hos både AI och mänsklig expertis.

Med tiden kommer dessa gränser att fortsätta utvecklas, men de bör utvecklas för att förtroendet har byggts, inte för att modellerna har blivit mer kapabla. Förtroende kommer från bevis, transparens, validering och konsekvent prestanda i produktion. Varje expansion av AI:s roll bör stödjas av samma standarder som hälso‑ och sjukvården tillämpar på annan kritisk funktion.

Jag tror inte att framgång kommer att mätas efter hur autonom AI blir. Den kommer att mätas efter huruvida patienter får bättre vård, kliniker får mer tid att fokusera på komplexa beslut och hälso‑ och sjukvården fungerar mer effektivt som en följd.

Zyter flyttade nyligen TruCare till en molnbaserad AWS‑grund för att stödja AI‑orkestrering i företags‑skala. Hur mycket av utmaningen i agentisk AI handlar om modellerna själva kontra infrastrukturen som kopplar data, system, policyer och människor?

Grundmodeller utvecklas i en extraordinär takt, och det är bra för hela branschen. Diskussionen skiftar gradvis från vad modeller kan göra till hur de fungerar i verkliga företag.

Att koppla data, system, policyer och människor är där transformation antingen lyckas eller stannar. AI måste fungera inom befintliga operativa miljöer, verkställa över flera system, tillämpa policyer konsekvent och prestera pålitligt i produktionsskala. Utan den grunden förblir även den mest kapabla modellen frikopplad från det arbete den är avsedd att förbättra.

Vår övergång till en molnbaserad AWS‑arkitektur speglar den utvecklingen. Den ger den resilienta, skalbara grund som behövs för att orkestrera AI över företags‑arbetsflöden samtidigt som den upprätthåller den pålitlighet, styrning och prestanda som hälso‑ och sjukvården kräver. Infrastruktur är viktig eftersom den möjliggör att AI blir en del av hur arbete utförs varje dag, inte bara en annan applikation som körs parallellt med befintliga processer.

Den långsiktiga möjligheten definieras inte bara av bättre modeller. Den kommer från att kombinera framsteg inom AI med den infrastruktur och operativa modell som krävs för att verkställa arbete konsekvent i företags‑skala.

Zyter positionerar också sin exekveringsmodell för andra reglerade industrier, inklusive finansiella tjänster och offentlig sektor. Vilka delar av plattformen är verkligen horisontella, och vilka fördelar kommer specifikt från Zyters erfarenhet inom hälso‑ och sjukvård?

Reglerade industrier ses ofta genom linsen av vad som gör dem olika. Jag har funnit att det är lika viktigt att förstå vad de har gemensamt. Oavsett om du levererar hälso‑ och sjukvård, hanterar finansiell risk eller stödjer offentliga program, beror framgång på att samordna komplext arbete mellan människor, system, policyer och data samtidigt som ansvar för varje beslut upprätthålls.

Det är där jag ser exekveringsmodellen som fundamentalt horisontell. Att orkestrera AI, företags‑system och mänsklig expertis, tillämpa policyer konsekvent, samordna arbete över flera system och upprätthålla transparens är utmaningar som sträcker sig långt bortom hälso‑ och sjukvården. Arbetsflödena skiljer sig åt per bransch, men behovet av pålitlig verkställighet är anmärkningsvärt konsekvent.

Hälso‑ och sjukvården förändrade inte vad vi byggde. Den höjde standarden för hur vi var tvungna att bygga det. Kliniska arbetsflöden kräver precision, interoperabilitet, styrning, motståndskraft och förtroende eftersom konsekvenserna av fel är betydande. Att designa för den nivån av komplexitet skapade en exekveringsmodell som kan anpassas till andra reglerade industrier där operativ disciplin, efterlevnad och ansvar är lika kritiska.

När AI blir djupare integrerad i företagsverksamhet tror jag att samtalet kommer att skifta från huruvida en funktion byggdes för en specifik bransch till huruvida den kan verkställas pålitligt i komplexa, reglerade miljöer. Det är den standard vi designade från början.

Zyters Rural Health Orchestrator samlar virtuell vård, fjärrövervakning, vårdhantering och kliniska tjänster. Vad kan agentisk orkestrering lösa i landsbygdens hälso‑ och sjukvård som enbart telehälsa inte kan?

Telehälsa löste en viktig tillgänglighetsutmaning. Nästa utmaning är att säkerställa att varje interaktion leder till samordnad handling och mätbara resultat.

Landsbygdens hälso‑ och sjukvård har gjort betydande framsteg med att utöka tillgången via telehälsa, fjärrövervakning och bredbandsinvesteringar. Men resultaten har inte hållit jämna steg eftersom för många digitala interaktioner förblir fristående från den bredare vårdresan. Ett virtuellt besök som inte uppdaterar en vårdplan, triggar uppföljning eller koordinerar nästa steg förbättrar tillgången, men nödvändigtvis inte hälsan.

Det är där orkestrering blir avgörande. Den kopplar telehälsa, fjärrövervakning, vårdhantering, samhällsresurser och kliniska arbetsflöden till ett enhetligt, koordinerat system så att information flödar sömlöst och handling följer automatiskt. Varje interaktion blir en del av en kontinuerlig vårdresa snarare än ett isolerat tillfälle.

Möjligheten är inte bara att utöka tillgången. Det handlar om att omvandla tillgång till resultat. När vården är kopplad över människor, system och arbetsflöden spenderar kliniker mindre tid på att navigera fragmenterade processer, patienter får mer konsekvent uppföljning och landsbygdens vårdsystem kan leverera bättre resultat med de resurser de redan har. Det är där jag tror att AI‑orkestrering skapar sitt största värde.

Med det nya samarbetet med PwC, vad skulle skilja en framgångsrik AI‑transformation från ett annat AI‑pilotprojekt inom hälso‑ och sjukvård? Vilka mätbara resultat skulle övertyga dig om att AI fundamentalt förbättrat hur en betalare eller leverantör arbetar?

Hälso‑ och sjukvården har åratal av investeringar i digitala förmågor. Idag har de flesta organisationer tillgång till data, AI och modern teknik. Nästa fas handlar inte om att lägga till fler förmågor. Det handlar om att omdesigna hur arbete utförs.

Därför mäter jag inte transformation efter antalet AI‑modeller som distribueras eller pilotprojekt som lanseras. Jag tittar på om en organisations operativa modell har förändrats. Går besluten snabbare? Är arbetsflödena mer samordnade över avdelningar och system? Minskar administrativa bördor medan kliniker och vårdteam spenderar mer tid på aktiviteter som förbättrar patientvården? Är dessa förbättringar upprepbara över hela företaget snarare än isolerade till ett enda användningsfall?

Det är filosofin bakom vårt samarbete med PwC. PwC bidrar med djup expertis inom hälso‑ och sjukvårdsstrategi och transformation. Zyter tillhandahåller exekveringslagret som operationaliserar dessa strategier över komplexa arbetsflöden, kopplar AI, företags‑system, policyer och människor så att organisationer konsekvent kan omvandla strategi till handling.

För mig sker en lyckad AI‑transformation när AI inte längre ses som ett separat initiativ. Det blir en del av den operativa modellen. Då mäter organisationer inte AI:s framgång i sig. De mäter bättre resultat, lägre administrativa kostnader, mer samordnad vård och ett hälso‑ och sjukvårdssystem som fungerar mer effektivt eftersom verkställigheten har förbättrats i grunden.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Zyter.