Sådan reducerede en cybersikkerhedsplatform, der servicerer Fortune 500-kunder, onboardingtiden med 95 % ved hjælp af en AI-agent bygget af Startup House

Nøglefakta i korte træk

• Kunde: USA-baseret platform til reduktion af cyberrisiko, der betjener Fortune 500-kunder (under NDA)
• Partnerskab: siden juli 2020, igangværende; AI-fasen startede i 2025
• Hvad vi byggede: Aria, en indlejret AI-agent, der lever inde i kundens produkt
• Onboarding-tid: reduceret med 95 %, fra 45 minutters vejledt opsætning til under 2 minutter
• Brugsmønster: platformen gik fra kvartalsvis rapporteringsværktøj til dagligt beslutningsstøttesystem
• Selvbetjening: 100 % selvbetjent dataudforskning uden analytikerstøtte
• Arkitektur: LangGraph-orkestrering, Anthropic's Claude-modeller, MCP-integrationer, OAuth 2.1, tenant-isolation indbygget i designet
• Leveret uden at røre ved platformens kernesinfrastruktur, datamodel eller kodebase

Udgangspunktet: et respekteret produkt, som folk knap nok brugte

Denne case study dækker anden fase af vores arbejde med en amerikansk cybersikkerhedsvirksomhed, som vi har samarbejdet med siden juli 2020. I første fase tog Startup House produktet fra prototype til en SaaS brugt af Fortune 500-virksomheder, med 150 % omsætningsvækst i det første år og en stigning på 225 % i B2B-kunder.

I 2025 var platformen moden og respekteret. Den havde også tre problemer, som vil lyde velkendte for alle, der driver et datatungt produkt i en reguleret kategori:

• Kompleksitet i overfladen. Platformen håndterede rige data om cyberrisici, men tolkningen krævede ekspertviden.
• Lav engagements-frekvens. De fleste brugere åbnede værktøjet én gang i kvartalet for at lave periodiske rapporter.
• Tung onboarding. Nye kunder skulle bruge cirka 45 minutter på vejledt opsætning med aktiv kundesupport, før de kunne arbejde selvstændigt.

Da ChatGPT-lignende interaktion blev en markedss forventning, var kundens brief klar: bring den interaktionsmodel ind i cyberrisikoplatformen.

Det svære: én grænseflade, tre meget forskellige brugere

Det samme panel skulle betjene tre personaer på én gang. Et bestyrelsesmedlem har brug for et screenshot, der forklarer sig selv, klar til at sætte ind i en kvartalsrapport. En CFO har brug for fortællingen bag tallene. En CISO har brug for dybde i dialogen for at undersøge data og handle på dem.

At lægge en ChatGPT-klon ovenpå platformen ville have fejlet for alle tre. Det samme ville en co-pilot ved siden af produktet, fordi brugerne ville ende med to parallelle grænseflader.

Løsningen: Aria, en indlejret AI med en firelagsgrænseflade

Aria er en indlejret AI-agent, der lever inde i kundens produkt, brand og autentificeringsgrænse. Brugerne skifter aldrig til et separat værktøj. Vi byggede panelet om efter ét princip: enkelhed først, kompleksitet ved behov.

Grænsefladen er en stige med fire lag, hvor Aria er til stede på hvert niveau:

• Lag 0, Ledelse: "Hvad sker der?" Den første visning efter login. Klassisk dashboard, nøgleindikatorer for sikkerhedsstatus, forudgenererede svar uden modelkald og uden ventetid. Designet til bestyrelsesmedlemmer, der har brug for overblik på få sekunder.
• Lag 1, Finans: "Hvorfor sker det?" Undersøgelseslaget for CFO'er og finansledere. Kontekstuelle prompt-forslag anbefaler, hvad man kan spørge om ud fra det, brugeren kigger på, og åbner den indlejrede chat med Aria.
• Lag 2, Udførelse: "Gør det for mig." Handlingslaget for CISO'er og sikkerhedsoperatører. Knapperne går fra at være passive ("View") til at blive kommandoer ("Create", "Identify", "Prepare"). Produktet går fra at vise risiko til at løse den.
• Lag 3, Åben forespørgsel: "Hvad du end har på hjertet." Et frit prompt-felt, altid tilgængeligt, for brugere der ved præcis, hvad de vil.

Brugerne introduceres gradvist til at arbejde med en LLM, med sikkerhedsforanstaltninger på hvert trin. Ingen skal lære et nyt produkt for at få AI-kapabilitet. AI'en møder brugerne dér, hvor de allerede arbejder.

Arkitekturen: bygget til enterprise fra dag ét

Tre arkitektoniske beslutninger er afgørende for enterprise-AI-implementeringer, og Aria adresserer alle tre.

Orkestrering og ræsonnering. Aria kører på LangGraph, et stateful agent-orkestreringsrammeværk, der understøtter multi-agent-sammensætning, vedvarende hukommelse på tværs af flere samtalerunder og live streaming af værktøjseksekvering. Ræsonneringslaget bruger Anthropic's Claude-modeller. Modelvalg er konfigurerbart, ikke arkitektonisk, så platformen kan skifte udbyder uden omskrivninger.

Tenant-isolation indbygget i designet. Hvert værktøj, Aria bruger, er bundet til den autentificerede bruger, organisation og profil på det tidspunkt, det oprettes. Modellen kan ikke videregive, ændre eller endda se den identitet. Adgang på tværs af tenants er ikke et nedstrømsfilter, som prompt injection kan omgå. Agenten kan ganske enkelt ikke kalde værktøjer uden for sin tenant-grænse. På organisationdækkende chats pseudonymiseres navne på forretningsenheder, før nogen meddelelse når modellen.

Live-integrationer via MCP. Aria forespørger i kundens live sikkerhedsstak, startende med CrowdStrike Falcon og udvidende til ethvert MCP-kompatibelt værktøj, med OAuth 2.1 til at håndtere autentificering. Det flytter produktet fra et selvstændigt analyseværktøj til et orkestreringslag for hele kundens sikkerhedsoperation.

Der er én ting mere: admin-definerede agenter. Kundens administratorer opretter nye AI-specialister direkte fra applikationens UI med et navn, en prompt og et sæt værktøjer. Nye agenter går live for hele organisationen på få minutter uden at vente på en release.

Resultaterne

• 95 % reduktion i kunders onboarding-tid, fra 45 minutter til under 2 minutter.
• 100 % selvbetjent dataudforskning. Brugerne tolker deres egne risikodata uden analytikerstøtte.
• Fra kvartalsvis til dagligt. Produktet gik fra kvartalsvis rapporteringsværktøj til dagligt beslutningsstøttesystem.
• 3 distinkte personaer, ét panel. Bestyrelsesmedlemmer, finansledere og CISO'er følger hver deres arbejdsgang i samme grænseflade.
• Nul ændringer i kernesinfrastruktur. AI-integrationen blev leveret uden at røre ved platformens datamodel eller kodebase, og sikkerhedsarkitekturen (tenant-isolation, kryptering, adgangskontroller) krævede ingen udvidelse af compliance-omfanget.
• Nye agenter og connectorer leveres på minutter, konfigureret af kundens admin-team uden involvering af engineering.

Kundens COO, Kyle Ferguson, opsummerer forandringen:

"Vi brugte fem år på at bygge en analyseplatform, som vores Fortune 500-kunder respekterede, men ikke brugte hver dag. AI-laget, SH byggede, ændrede det. Kunder, der tidligere åbnede platformen én gang i kvartalet, kører nu deres beslutninger igennem den dagligt. Produktet er det samme produkt nedenunder, men måden vores kunder oplever det på, er fuldstændig anderledes."

Hvad det betyder, hvis du driver et datatungt produkt

Mønstret bag dette projekt er almindeligt i regnskab, bank, finans, compliance og sikkerhed: et produkt med rige data, ekspertkrævende fortolkning og lavt engagement. En indlejret AI-agent ændrer produktets økonomi på tre måder. Onboarding holder op med at trække på kundesucces-teamets kapacitet. Brugerne besvarer deres egne spørgsmål i stedet for at oprette supportanmodninger. Og engagementet flytter fra periodiske rapporter til daglige beslutninger, hvilket ændrer, hvordan kunder værdsætter produktet ved fornyelse.

Intet af dette krævede en genopbygning af platformen. AI-laget ligger oven på de eksisterende systemer, hvilket er grunden til, at hele integrationen blev leveret uden at røre ved kernekodebasen.

Om Startup House

Startup House (SH) er en 50-mands softwarevirksomhed med base i Warszawa, Polen, etableret i 2016. Vi bygger AI-produkter forankret i kundens egne data, fra generative AI-prototyper til produktionsklare AI-agenter, side om side med fuldcyklus digital produktudvikling. Vi overholder ISO 27001, og kundedata bruges aldrig til at træne AI-modeller.

Overvejer du et AI-lag til dit produkt? Book et 30-minutters opkald.

FAQ

Hvad er Aria?

Aria er en indlejret AI-agent, som Startup House byggede ind i en amerikansk cybersikkerhedsplatform, der betjener Fortune 500-kunder. Den kombinerer en firelagsgrænseflade med LangGraph-orkestrering og Anthropic's Claude-modeller og forbinder til kundens live sikkerhedsstak via MCP.

Hvilke resultater leverede AI-agenten?

Kundens onboarding-tid faldt med 95 %, fra 45 minutter til under 2 minutter. Dataudforskning blev 100 % selvbetjent, og platformen gik fra kvartalsvis rapportering til daglig beslutningsstøtte.

Krævede AI-integrationen en genopbygning af platformen?

Nej. AI-laget blev leveret uden ændringer i platformens kernesinfrastruktur, datamodel eller kodebase. Tenant-isolation, kryptering og adgangskontroller blev alle opretholdt uden ny compliance-omfang.

Hvordan forhindrer Aria prompt injection og datalæk på tværs af tenants?

Hvert værktøj er bundet til den autentificerede bruger, organisation og profil på oprettelsestidspunktet, så modellen ikke kan få adgang til noget uden for sin tenant-grænse. Det er en arkitektonisk garanti, ikke et filter. Navne på forretningsenheder pseudonymiseres også, før meddelelser når modellen.

Hvem er kunden?

Kunden er en USA-baseret platform til reduktion af cyberrisiko under NDA, der betjener Fortune 500- og private equity-kunder. Startup House har samarbejdet med virksomheden siden juli 2020.