KI im Fintech: Projekte, Erkenntnisse und Ergebnisse von Startup House

Die wichtigsten Fakten auf einen Blick

• Fintech-Erfolgsbilanz: Partnerschaft mit Siemens Financial Services Poland seit 2016; eine Cyber‑Risk‑Plattform für Kunden aus dem Finanzsektor und Private Equity seit 2020; 4+ Jahre Team‑Augmentation für das Climate‑Fintech CHOOOSE
• Ergebnis der Automatisierung: Leasing‑Anträge in ca. 2 Minuten, automatisierte Kreditentscheidungen in ca. 7 Minuten, 24/7
• Wachstumseffekte: 150 % Umsatzwachstum und 225 % mehr B2B‑Kunden innerhalb eines Jahres nach dem Plattform‑Launch
• Compliance‑Grundlage: ISO 27001‑konform, Entwicklung an den DORA‑Anforderungen der Kunden ausgerichtet, sensible Daten auf dedizierten GCP‑Clustern
• KI‑Ansatz: RAG‑gestützte Systeme, die nur aus verifizierten Kundendaten antworten, mit nachvollziehbaren Quellen und ohne Training auf Kundendaten

Fintech ist dort, wo Tempo auf Beweispflicht trifft

Finanzsoftware steht in einem besonderen Spannungsfeld. Kundinnen und Kunden erwarten Consumer‑App‑Tempo. Aufsichtsbehörden erwarten Kontrolle auf Bankniveau. Die meisten Fintech‑Fehlschläge passieren, wenn ein Team nur eine Seite optimiert und die andere als Formalie behandelt.

Unsere Position – gewachsen über ein Jahrzehnt Fintech‑Projekte: Compliance ist ein Ingenieurthema, keine Rechtsprüfung am Ende. Systeme werden nach dem Prinzip „Secure by Design“ entworfen, mit Code‑Qualitätsreviews und integriertem Cloud‑Monitoring, sodass Probleme gelöst werden, bevor sie Nutzerinnen und Nutzer erreichen. So sah das in drei Projekten aus – und das haben wir gelernt.

Projekt 1: Siemens Financial Services – Automatisierung als Produkt

Seit 2016 haben wir drei Cloud‑Produkte für Siemens Financial Services Poland gebaut, integriert in die Unternehmenssysteme von Siemens und externe Anbieter. Das Flaggschiff, SimplyLease Online, machte Leasing zum Self‑Service‑Prozess: ein Antrag in ca. 2 Minuten und eine automatisierte Kreditentscheidung in ca. 7 Minuten – 24/7 verfügbar. SimplyLease gewann den Polish E‑commerce Award 2017.

Die Lehre: Die Entscheidungslogik ist das Produkt. Das Formular zu digitalisieren ändert nichts, wenn weiterhin ein Mensch jeden Fall zu Bürozeiten prüft. Die Automatisierung der Entscheidung – innerhalb der Sicherheitsstandards der Siemens‑Gruppe – beseitigte den Engpass. Das ist das Muster hinter den meisten erfolgreichen KI‑ und Automatisierungsprojekten im Finanzbereich: den Schritt finden, an dem der Prozess auf eine Person wartet – und genau diesen Schritt technisch gestalten.

Case Study lesen

Projekt 2: Eine Cyber‑Risk‑Plattform für Fortune 500 und Private Equity

Seit Juli 2020 arbeiten wir mit einem US‑Unternehmen (unter NDA) zusammen, dessen Plattform Cyber‑Risk‑Entscheidungen für C‑Level‑Führungskräfte, Fortune‑500‑Unternehmen und Private‑Equity‑Firmen unterstützt. Risikobewertung liegt nah an Finanzentscheidungen: Die Plattform übersetzt komplexe mathematische Modelle in umsetzbare Entscheidungen für Vorstände – ausgerichtet an NIST‑ und CIS‑Frameworks.

Wir starteten mit einer 2‑monatigen Product Discovery und führten das Produkt vom Prototyp über das MVP zur skalierten SaaS. Sensible Daten laufen auf einem dedizierten GCP‑Cluster am vom Kunden gewählten Standort. Die Anwendung antwortet in Millisekunden.

Die Ergebnisse: 150 % Umsatzwachstum im ersten Jahr nach der Implementierung, 225 % Wachstum bei B2B‑Kunden inklusive Fortune‑500‑Unternehmen sowie der Eintritt in ein neu identifiziertes Private‑Equity‑Segment.

2025 erhielt dieselbe Plattform einen von unserem Team entwickelten eingebetteten KI‑Agenten, der das Client‑Onboarding um 95 % verkürzte – von 45 Minuten auf unter 2 Minuten. Der Agent läuft auf LangGraph mit Claude‑Modellen von Anthropic, mit so gestalteter Mandantenisolierung, dass das Modell nicht auf Daten außerhalb seiner Grenzen zugreifen kann; die Namen von Geschäftseinheiten werden pseudonymisiert, bevor irgendeine Nachricht das Modell erreicht.

Die Lehre: In regulierten, datenintensiven Kategorien ist nicht die Intelligenz die KI‑Herausforderung, sondern die Grenzen. Ein Agent für Finanzdaten muss architektonisch verhindern, dass Daten über Mandantengrenzen hinweg preisgegeben werden – Anweisungen allein genügen nicht.

Case Study lesen

Projekt 3: CHOOOSE – ein Climate‑Fintech‑Team in 2 Wochen skalieren

CHOOOSE, ein in Oslo ansässiger Climate‑Tech‑ und Climate‑Fintech‑Leader, musste nach der Seed‑Runde schnell skalieren. Wir stellten das Team in 2 Wochen auf: Design, QA, Frontend und Backend – passend zu Kultur und Kompetenz. Die Zusammenarbeit lief über 4 Jahre als flexibles Staff‑Augmentation‑Partnership, unterstützte eine CO₂‑Kompensationsplattform in Klima‑Programmen führender Reise‑ und Transportmarken und lieferte dem Kunden signifikante operative Kosteneinsparungen.

Die Lehre: Geschwindigkeit im Fintech ist oft ein Talentthema. Ein Finanzierungsprodukt mit starkem Modell, aber ohne Entwickler:innen, verliert gegen den Wettbewerber mit durchschnittlichen Ideen und vollständigem Team. Die Geschwindigkeit beim Teamaufbau ist eine Fintech‑Fähigkeit für sich.

Case Study lesen

Wie KI im Fintech aussieht, wenn sie belastbar sein muss

Über diese Projekte und unsere KI‑Produktarbeit hinweg wiederholen sich fünf Regeln:

1. Jede Antwort auf verifizierte Daten stützen. Unsere KI‑Produkte nutzen eine RAG‑Architektur: Das System antwortet ausschließlich aus den freigegebenen Daten des Kunden, und jede Antwort ist bis zur Quelle nachvollziehbar. Im Finanzbereich ist eine nicht nachvollziehbare Antwort ein Risiko, kein Feature.

2. Kundendaten nicht zum Modelltraining verwenden. Kunden‑ und Nutzerdaten werden niemals zum Training öffentlicher oder geteilter Modelle genutzt. Die Verarbeitung erfolgt in der sicheren Umgebung des Kunden, unter bestehenden Zugriffsrichtlinien und SSO.

3. Mandantenisolierung architektonisch verankern. Zugriffsgrenzen, die bereits bei der Tool‑Erstellung erzwungen werden, lassen sich durch Prompt Injection nicht umgehen. Nachgelagerte Filter hingegen schon.

4. Aufsichtsbehörden auf Augenhöhe begegnen. Wir sind ISO 27001‑konform und richten die Entwicklung an den DORA‑Anforderungen unserer Kunden aus. Für sensible Finanzdaten setzen wir dedizierte GCP‑Cluster an kundenpräferierten Standorten auf und orchestrieren Prozesse mit minimaler Datenspeicherung, um Risiken zu reduzieren.

5. Integrieren, nicht ersetzen. Unsere API‑First‑Architektur verbindet sich mit bestehenden IT‑Landschaften, Drittanbietern sowie Ökosystemen wie Google und Microsoft. Die meisten Finanzinstitute brauchen keinen neuen Core – sondern eine intelligente Schicht oberhalb des funktionierenden Kerns.

Unser KI‑Toolkit für den Finanzbereich

Neben individuellen Entwicklungen eignen sich drei Startup House Produkte direkt für Finanzprozesse:

• InProduct AI, ein Compliance‑bewusster KI‑Copilot, der sich in Ihre Codebasis integriert, die Dokumentation synchron hält und Nutzerprobleme im Kontext löst.
• SmartSearch, halluzinationsfreie Finanzsuche, die Business‑Intent versteht und zu jedem Ergebnis einen prüfbaren Faktennachweis liefert.
• KnowHub, ein sicheres Wissensportal, das verstreute Prozesse, Anforderungen und interne Richtlinien in eine Single Source of Truth überführt.

Über Startup House

Startup House ist ein 50‑köpfiges Softwareentwicklungsunternehmen mit Sitz in Warschau, Polen, gegründet 2016, ISO 27001‑konform, mit über 100 ausgelieferten Produkten für Kunden auf 5 Kontinenten. Co‑Founder Alexander Stasiak bringt es auf den Punkt: „Wir bauen nicht nur Software; wir lösen Geschäftsprobleme – mit transparenten Prozessen und geteilter Verantwortung.“

Planen Sie KI in einem Finanzprodukt? Buchen Sie ein 30‑minütiges Gespräch.

FAQ

Welche Fintech‑Projekte hat Startup House umgesetzt?

Startup House hat Cloud‑Finanzierungsplattformen für Siemens Financial Services Poland gebaut (darunter SimplyLease Online, mit 2‑Minuten‑Anträgen und automatisierten 24/7‑Kreditentscheidungen), eine Cyber‑Risk‑Plattform für Fortune 500 und Private Equity skaliert (150 % Umsatzwachstum im ersten Jahr) und das Climate‑Fintech CHOOOSE über mehr als 4 Jahre in einem Staff‑Augmentation‑Modell unterstützt.

Wie geht Startup House mit sensiblen Finanzdaten um?

Sensible Daten laufen auf dedizierten GCP‑Clustern an vom Kunden bevorzugten Standorten, mit Prozessen, die auf minimale Datenspeicherung ausgelegt sind. Startup House ist ISO 27001‑konform und richtet die Entwicklung an den DORA‑Anforderungen der Kunden aus.

Kann Startup House KI in Legacy‑Bank‑ oder Finanzsysteme integrieren?

Ja. Eine API‑First‑Architektur ermöglicht kontrollierte Integrationen mit bestehenden IT‑Landschaften, Drittanbietern und Ökosystemen wie Google und Microsoft. Für Legacy‑Systeme bauen wir eine konversationelle KI‑Schicht darüber, damit die Kernlogik unangetastet bleibt.

Wie verhindert Startup House KI‑Halluzinationen in Finanzanwendungen?

Alle KI‑Produkte nutzen Retrieval‑Augmented Generation: Antworten stammen ausschließlich aus verifizierten Kundendaten, mit Nachweisbarkeit bis zur Quelle. Kundendaten werden nie zum Training von Modellen verwendet, und Mandantenisolierung wird architektonisch erzwungen.

Wie schnell kann ein Fintech‑Produkt auf den Markt kommen?

Über Product Discovery priorisieren wir Features, um schnell ein MVP oder eine Demo zu launchen – bei gleichbleibender Qualität. KI‑Produkte können, sobald die Daten vorbereitet sind, in nur 2 Wochen ausgerollt werden; die Discovery für komplexe Plattformen dauert typischerweise 4 bis 8 Wochen.