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

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.

Læs casen

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.

Læs casen

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.

Læs casen

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.