AI i fintech: Startup House-projekter, erfaringer og resultater

Indholdsfortegnelse
Projekt 1: Siemens Financial Services, automatisering som produktet
Projekt 2: en cyberrisikoplatform for Fortune 500 og private equity
Projekt 3: CHOOOSE, skalering af et climate fintech-team på 2 uger
Vigtige fakta i korte træk
- Fintech-erfaring: partnerskab med Siemens Financial Services Poland siden 2016; en cyberrisikoplatform for finanssektoren og private equity-kunder siden 2020; 4+ år med team-augmentation for climate fintech CHOOOSE
- Automatiseringsresultat: leasingansøgninger på ca. 2 minutter, automatiserede kreditbeslutninger på ca. 7 minutter, 24/7
- Vækstresultat: 150 % omsætningsvækst og 225 % flere B2B-kunder inden for et år efter en platformslancering
- Compliance-grundlag: ISO 27001-compliant, udvikling mappet til kunders DORA-krav, følsomme data på dedikerede GCP-klynger
- AI-tilgang: RAG-baserede systemer, der kun svarer ud fra verificerede kundedata, med sporbare kilder og ingen træning på kundedata
Fintech er der, hvor "move fast" møder "prove it"
Finansiel software rummer en særlig spænding. Kunder forventer hastighed på forbrugerniveau. Tilsynsmyndigheder forventer kontrol på bankniveau. De fleste fintech-fejl opstår, når et team optimerer for den ene side og betragter den anden som papirarbejde.
Vores position, opbygget gennem et årti med fintech-projekter: compliance er en ingeniørdisciplin, ikke en juridisk gennemgang til sidst. Systemer designes "secure by design", med code reviews og cloud-overvågning integreret, så problemer løses, før de når brugerne. Sådan så det ud i tre projekter – og det lærte vi.
Projekt 1: Siemens Financial Services, automatisering som produktet
Siden 2016 har vi bygget tre cloud-produkter for Siemens Financial Services Poland, integreret med Siemens’ virksomhedssystemer og eksterne udbydere. Flagskibet, SimplyLease Online, gjorde leasing til et selvbetjeningsflow: en ansøgning, der tager omkring 2 minutter, og en automatiseret kreditbeslutning leveret på omkring 7 minutter – tilgængelig 24/7. SimplyLease vandt Polish E-commerce Award 2017.
Læringen: beslutningsmotoren er produktet. At digitalisere ansøgningsskemaet ændrer intet, hvis et menneske stadig gennemgår hver sag i kontortiden. At automatisere afgørelsen – inden for Siemens Groups sikkerhedsstandarder – var det, der fjernede flaskehalsen. Dette er mønsteret bag de fleste succesfulde AI- og automatiseringsinitiativer i finans: find det trin, hvor processen venter på et menneske, og automatisér netop det trin.
Projekt 2: en cyberrisikoplatform for Fortune 500 og private equity
Siden juli 2020 har vi samarbejdet med et amerikansk selskab (under NDA), hvis platform understøtter cyberrisikobeslutninger for C-level-ledere, Fortune 500-virksomheder og private equity-fonde. Risikokvantificering ligger tæt på finans: platformen oversætter komplekse matematiske modeller til beslutninger, bestyrelser kan handle på, på linje med NIST- og CIS-rammeværkerne.
Vi startede med et 2-måneders Product Discovery og tog derefter produktet fra prototype over MVP til skaleret SaaS. Følsomme data kører på en dedikeret GCP-klynge i en lokation valgt af kunden. Applikationen svarer på millisekunder.
Resultaterne: 150 % omsætningsvækst inden for et år efter implementering, 225 % vækst i B2B-kunder inkl. Fortune 500-virksomheder og udvidelse til et nyidentificeret private equity-segment.
I 2025 fik samme platform en indlejret AI-agent bygget af vores team, som reducerede kunde-onboarding med 95 %, fra 45 minutter til under 2 minutter. Agenten kører på LangGraph med Anthropics Claude-modeller, med tenant isolation designet, så modellen ikke kan få adgang til data uden for sin grænse, og forretningsenhedsnavne pseudonymiseres, før nogen besked når modellen.
Læringen: i regulerede, data-tunge kategorier er AI-udfordringen ikke intelligens. Det er grænser. En agent til finansielle data skal være arkitektonisk ude af stand til at lække på tværs af tenants – ikke blot instrueret i ikke at gøre det.
Projekt 3: CHOOOSE, skalering af et climate fintech-team på 2 uger
CHOOOSE, en Oslo-baseret climate tech- og climate fintech-leder, skulle skalere hurtigt efter sin seed-runde. Vi byggede teamet på 2 uger: design, QA, frontend- og backend-specialister, matchet på kultur og kompetence. Samarbejdet kørte i mere end 4 år som et fleksibelt team-augmentation-partnerskab, der understøttede en klimakompensationsplatform brugt i klimaprogrammer hos førende rejse- og transportbrands og leverede betydelige driftsomkostningsbesparelser for kunden.
Læringen: fintech-velocity er ofte et talentproblem. Et finansieringsprodukt med en stærk model og ingen ingeniører til at levere det taber til en konkurrent med gennemsnitlige idéer og et fuldt team. Hastigheden for teambygning er en fintech-kapabilitet i sin egen ret.
Sådan ser AI i fintech ud, når det skal stå distancen
På tværs af disse projekter og vores AI-produktarbejde gentager fem regler sig:
1. Forankr hvert svar i verificerede data. Vores AI-produkter bruger RAG-arkitektur: Systemet svarer kun ud fra kundens godkendte data, og hvert svar kan spores til en kilde. I finans er et usporbart svar en risiko, ikke en feature.
2. Hold kundedata ude af modeltræning. Kunde- og kundedata bruges aldrig til at træne offentlige eller delte modeller. Behandlingen sker i kundens sikre miljø, under eksisterende adgangspolitikker og SSO.
3. Design tenant isolation ind i arkitekturen. Adgangsgrænser, der håndhæves ved værktøjsoprettelsen, kan ikke omgås af prompt injection. Nedstrømsfiltre kan.
4. Mød tilsynsmyndighederne, hvor de er. Vi er ISO 27001-compliant og mapper udviklingen til vores kunders DORA-krav. For følsomme finansielle data opsætter vi dedikerede GCP-klynger i kundens foretrukne lokationer og orkestrerer processer med minimal datalagring for at reducere risiko.
5. Integrér, erstat ikke. Vores API-first-arkitektur forbinder til eksisterende IT-landskaber, tredjepartsudbydere og økosystemer som Google og Microsoft. De fleste finansielle institutioner har ikke brug for en ny kerne. De har brug for et intelligent lag oven på den, der virker.
Vores AI-værktøjskasse til finans
Ud over skræddersyede løsninger er tre Startup House-produkter direkte anvendelige i finansielle processer:
- InProduct AI, en compliance-bevidst copilot, der integrerer med jeres codebase, holder dokumentationen i sync og løser brugerproblemer i kontekst.
- SmartSearch, hallucinationsfri finansiel søgning, der forstår forretningsintention og returnerer dokumentation for hvert resultat.
- KnowHub, en sikker vidensportal, der gør spredte procedurer, krav og interne politikker til en single source of truth.
Om Startup House
Startup House er en 50-personers softwareudviklingsvirksomhed med base i Warszawa, Polen, grundlagt i 2016, ISO 27001-compliant, med over 100 produkter leveret til kunder på 5 kontinenter. Som medstifter Alexander Stasiak siger det: "Vi bygger ikke bare software; vi løser forretningsproblemer med transparente processer og delt ejerskab."
Planlægger du AI i et finansielt produkt? Book et 30-minutters opkald.
FAQ
Hvilke fintech-projekter har Startup House leveret?
Startup House har bygget cloud-finansieringsplatforme for Siemens Financial Services Poland (inklusive SimplyLease Online med 2-minutters ansøgninger og automatiserede 24/7-kreditbeslutninger), skaleret en cyberrisikoplatform, der servicerer Fortune 500 og private equity-kunder (150 % omsætningsvækst i år ét), og understøttet climate fintech CHOOOSE i over 4 år i en team-augmentation-model.
Hvordan håndterer Startup House følsomme finansielle data?
Følsomme data kører på dedikerede GCP-klynger i kundens foretrukne lokationer, med processer orkestreret for at minimere datalagring. Startup House er ISO 27001-compliant og mapper udviklingen til kundernes DORA-krav.
Kan Startup House integrere AI med legacy-banking- eller finanssystemer?
Ja. En API-first-arkitektur muliggør kontrollerede integrationer med eksisterende IT-landskaber, tredjepartsudbydere og økosystemer som Google og Microsoft. For legacy-systemer bygger vi et samtalende AI-lag ovenpå, så kernelogikken forbliver intakt.
Hvordan forhindrer Startup House AI-hallucinationer i finansielle applikationer?
Alle AI-produkter bruger Retrieval-Augmented Generation: Svar kommer kun fra kundens verificerede data, med sporbar dokumentation. Kundedata bruges aldrig til at træne modeller, og tenant isolation håndhæves arkitektonisk.
Hvor hurtigt kan et fintech-produkt nå markedet?
Gennem Product Discovery prioriteres funktioner for hurtigt at lancere et MVP eller en demoversion med bevaret leveringskvalitet. AI-produkter kan implementeres på helt ned til 2 uger, når data er forberedt; discovery for komplekse platforme tager typisk 4 til 8 uger.
Sådan blev denne artikel til. Udarbejdet med AI-assistance, derefter faktatjekket og redigeret af vores team. Redaktionelt ansvar: Startup Development House sp. z o.o. Læs vores politik for AI-indhold
Digital Transformation Strategy for Siemens Finance
Cloud-based platform for Siemens Financial Services in Poland

Du kan også lide...

AI-værktøjer til økonomistyring: prognoser, anomalidetektering, rapportering (2027)
I controlling supplerer man i stigende grad traditionelle regneark med systemer, der automatisk udarbejder prognoser, identificerer afvigelser fra budgettet og genererer kommentarer til resultaterne. Nedenfor har vi samlet AI-værktøjer til controlling – prognoser, anomalidetektering og rapportering – samt virksomheder, der implementerer disse teknologier i Polen. Oversigten er målrettet finansdirektører (CFO’er), controllere og FP&A-teams i mellemstore og store virksomheder, som planlægger implementering i 2026 eller 2027.

Alexander Stasiak
24. okt. 2026・12 min. læsning

De bedste AI-virksomheder til fintech og forsikring (2027)
Valget af en teknologipartner i regulerede sektorer er et strategisk valg med store konsekvenser. Hvis du vil vide, hvilke af de bedste AI-virksomheder inden for fintech og forsikring der er aktive i Polen, finder du her et samlet overblik: Artiklen sammenligner softwarehuse, integratorer og softwareproducenter, som implementerer AI-agenter, RAG-vidensbaser og dataanalyse i banker, fintech-virksomheder og hos forsikringsselskaber. Du får en sammenligningstabel, virksomhedsprofiler, kravene i DORA, GDPR og AI Act, implementeringsprocessen samt et casestudie fra Startup House med tal.

Alexander Stasiak
03. nov. 2026・12 min. læsning

AI Act: Hvad skal en virksomhed, der implementerer AI, gøre? (tidslinje frem mod 2027, forpligtelser, AI-kompetencer)
EU's AI Act (forordning 2024/1689) trådte i kraft i august 2024 og fases ind i etaper. I juli 2026 vedtog EU den såkaldte Digital Omnibus (forordning 2026/1744), som udskød en række frister, især for højrisikosystemer. For en virksomhed, der implementerer AI i sine processer, betyder det to ting: Nogle forpligtelser gælder allerede, mens der er mere tid til andre, end tidligere vejledninger lagde op til.

Alexander Stasiak
20. okt. 2026・12 min. læsning

Sådan vælger du en leverandør til AI-implementering: tjekliste med 20 spørgsmål og aftalevilkår (AI Act, GDPR, IP, acceptkriterier)
Forskellen mellem en AI-implementering, der skaber målbar effekt, og et projekt, der ender med en præsentation, ligger sjældent i teknologien. Den ligger i, hvordan partneren arbejder med data, hvordan de måler effekten, og hvad I skriver under på i kontrakten. Denne artikel er en liste over spørgsmål til de første møder med leverandøren samt punkter, der bør med i kontrakten, før projektet går i gang.

Alexander Stasiak
23. okt. 2026・12 min. læsning

AI til kreditvurdering
Få indblik i, hvordan kunstig intelligens (AI) ændrer, hvem der bliver godkendt til lån, og hvad det betyder for fremtidens långivning.

Alexander Stasiak
03. nov. 2025・10 min. læsning

AI i formueforvaltning
Traditionel formueforvaltning bygger for meget på mavefornemmelser og for lidt på data. AI i formueforvaltning ændrer det — afdækker skjulte tendenser, øger præcisionen og leverer personlig rådgivning, der hjælper kunderne med trygt at få deres formue til at vokse.

Alexander Stasiak
29. okt. 2025・8 min. læsning
Senest tilføjet

Implementering af PLLuM i virksomheden: sådan vælger du den rette implementeringspartner, og sådan kommer du i gang
PLLuM, en polsk open source-sprogmodel, kan hentes gratis, men selve modellen er kun begyndelsen. Vi viser, hvordan en implementering af PLLuM forløber fra idé til drift, hvad infrastrukturen koster, og hvilke spørgsmål du bør stille en implementeringspartner.

Alexander Stasiak
06. nov. 2026・10 min. læsning

Tilskud og lån til AI og digitalisering i 2026 – sådan vælger du en teknologileverandør
Fra november 2026 kan virksomheder søge PARP-lån på op til 15 mio. PLN med eftergivelse på op til 15 %, samt midler fra Ścieżka SMART B+R og Dig.IT. Vi viser, hvilke programmer der finansierer AI-implementeringer og digitalisering, og hvilke krav en teknologileverandør skal opfylde, for at projektet kan komme igennem evaluering, gennemførelse og afregning.

Alexander Stasiak
05. nov. 2026・10 min. læsning

De bedste AI-virksomheder i Central- og Østeuropa til enterprise-kunder
Valget af en teknologipartner til at implementere AI i enterprise-segmentet kræver, at man går ud over de gængse kriterier for et softwarehus. I CEE-regionen (Central- og Østeuropa) opererer aktører, der kombinerer global skala med dyb teknisk ekspertise og tilbyder agentbaserede systemer og RAG-vidensbaser i overensstemmelse med AI Act og DORA. Denne artikel præsenterer en oversigt over verificerede virksomheder med dokumenterede AI-implementeringer til enterprise-segmentet.

Alexander Stasiak
04. nov. 2026・10 min. læsning

De bedste AI-virksomheder til fintech og forsikring (2027)
Valget af en teknologipartner i regulerede sektorer er et strategisk valg med store konsekvenser. Hvis du vil vide, hvilke af de bedste AI-virksomheder inden for fintech og forsikring der er aktive i Polen, finder du her et samlet overblik: Artiklen sammenligner softwarehuse, integratorer og softwareproducenter, som implementerer AI-agenter, RAG-vidensbaser og dataanalyse i banker, fintech-virksomheder og hos forsikringsselskaber. Du får en sammenligningstabel, virksomhedsprofiler, kravene i DORA, GDPR og AI Act, implementeringsprocessen samt et casestudie fra Startup House med tal.

Alexander Stasiak
03. nov. 2026・12 min. læsning

AI i fødevareproduktionen: eksempler på implementeringer og implementeringspartnere (2027)
Fødevareproducenter står over for korte holdbarheder, svingende råvarepriser og stigende krav fra detailkæderne, og derfor bliver efterspørgselsprognoser og produktionsplanlægning i stigende grad understøttet af AI (kunstig intelligens). I denne oversigt viser vi, hvordan AI anvendes i fødevareproduktionen i 2026 og 2027: eksempler på implementeringer og implementeringspartnere i Polen. Her finder du en sammenligning af implementeringspartnere (Startup House, Comarch, Sii Polska, TTMS) og værktøjer (RELEX, o9 Solutions, Kinaxis), implementeringsprocessen, risici og svar på de ofte stillede spørgsmål.

Alexander Stasiak
02. nov. 2026・11 min. læsning

AI-integration med ERP og CRM (SAP, Comarch, Dynamics): sådan fungerer det i praksis (2027)
Integration af AI med ERP og CRM (SAP, Comarch, Dynamics) betyder i praksis at vælge mellem tre modeller: en indbygget assistent fra systemproducenten, et eget AI‑lag forbundet via API eller AI‑agenter, der opererer på systemerne via MCP. Artiklen henvender sig til mellemstore og store virksomheder i Polen, der vil koble sprogmodeller til deres eksisterende ERP‑ eller CRM‑løsninger, herunder legacy‑systemer. Her finder du en sammenligning af producenternes værktøjer (SAP Joule, Microsoft Dynamics 365, Comarch ERP, Salesforce Agentforce, Oracle NetSuite), implementeringspartnere, implementeringsprocessen, risici samt casestudier med konkrete tal.

Alexander Stasiak
01. nov. 2026・13 min. læsning
Klar til at centralisere din knowhow med AI?
Start et nyt kapitel inden for vidensstyring — hvor AI-assistenten bliver den centrale søjle i din digitale supportoplevelse.
Arbejd med et team, som topvirksomheder stoler på.
