IA dans la fintech : projets, leçons apprises et résultats de Startup House

Chiffres clés en un coup d’œil

• Références fintech : partenariat avec Siemens Financial Services Poland depuis 2016 ; une plateforme de cyber risk pour le secteur financier et le private equity depuis 2020 ; plus de 4 ans de renfort d’équipe pour la climate fintech CHOOOSE
• Résultats de l’automatisation : demandes de leasing en environ 2 minutes, décisions de crédit automatisées en environ 7 minutes, 24h/24 et 7j/7
• Impact sur la croissance : +150% de revenus et +225% de clients B2B un an après le lancement de la plateforme
• Socle de conformité : conformité ISO 27001, développement aligné sur les exigences DORA des clients, données sensibles sur des clusters GCP dédiés
• Approche IA : systèmes fondés sur RAG, ne répondant qu’à partir de données client vérifiées, avec sources traçables et aucun entraînement sur les données client

La fintech, là où l’exigence d’aller vite rencontre l’obligation de faire ses preuves

Les logiciels financiers sont soumis à une tension particulière. Les clients attendent une rapidité digne du grand public. Les régulateurs exigent un contrôle de niveau bancaire. La plupart des échecs en fintech surviennent quand une équipe optimise un côté et réduit l’autre à de la paperasse.

Notre position, forgée au fil d’une décennie de projets fintech : la conformité est une discipline d’ingénierie, pas une relecture juridique en fin de parcours. Les systèmes sont « sécurité dès la conception », avec des revues de qualité du code et un monitoring cloud intégrés pour que les problèmes soient résolus avant d’atteindre les utilisateurs. Voici ce que cela a donné sur trois projets et ce que nous en avons retenu.

Projet 1 : Siemens Financial Services, l’automatisation comme produit

Depuis 2016, nous avons construit trois produits cloud pour Siemens Financial Services Poland, intégrés aux systèmes du groupe Siemens et à des prestataires externes. Le produit phare, SimplyLease Online, a transformé le leasing en parcours en libre-service : une demande qui prend environ 2 minutes et une décision de crédit automatisée livrée en environ 7 minutes, disponible 24h/24, 7j/7. SimplyLease a remporté le Polish E-commerce Award 2017.

L’enseignement : le moteur de décision est le produit. Numériser le formulaire ne change rien si un humain examine encore chaque dossier aux heures de bureau. C’est l’automatisation de la décision, dans le respect des standards de sécurité du Groupe Siemens, qui a supprimé le goulot d’étranglement. C’est le schéma derrière la plupart des réussites IA et automatisation en finance : identifiez l’étape où le processus attend une personne et ingénieriez cette étape.

Lire l’étude de cas

Projet 2 : une plateforme de cyber risk pour le Fortune 500 et le private equity

Depuis juillet 2020, nous collaborons avec une entreprise américaine (sous NDA) dont la plateforme soutient les décisions de risque cyber pour des dirigeants C-level, des entreprises du Fortune 500 et des fonds de private equity. La quantification des risques est proche de la finance : la plateforme traduit des modèles mathématiques complexes en décisions actionnables par les conseils d’administration, alignées sur les cadres NIST et CIS.

Nous avons commencé par une phase de Product Discovery de 2 mois, puis mené le produit du prototype au MVP, jusqu’à un SaaS à l’échelle. Les données sensibles tournent sur un cluster GCP dédié, dans un lieu choisi par le client. L’application répond en millisecondes.

Résultats : +150% de croissance des revenus dans l’année suivant l’implémentation, +225% de clients B2B dont des entreprises du Fortune 500, et expansion vers un nouveau segment private equity identifié.

En 2025, la même plateforme a reçu un agent IA embarqué développé par nos soins, qui a réduit de 95% l’onboarding client, passant de 45 minutes à moins de 2 minutes. L’agent fonctionne sur LangGraph avec les modèles Claude d’Anthropic, avec une isolation par tenant conçue pour empêcher le modèle d’accéder à des données hors de son périmètre, et des noms de business units pseudonymisés avant que tout message n’atteigne le modèle.

L’enseignement : dans les environnements réglementés et riches en données, le défi de l’IA n’est pas l’intelligence, ce sont les périmètres. Un agent manipulant des données financières doit être architecturalement incapable de fuites entre tenants, pas seulement prié de ne pas le faire.

Lire l’étude de cas

Projet 3 : CHOOOSE, mise à l’échelle d’une équipe climate fintech en 2 semaines

CHOOOSE, leader climate tech et climate fintech basé à Oslo, devait accélérer après sa levée seed. Nous avons constitué l’équipe en 2 semaines : design, QA, spécialistes frontend et backend, assortis à la culture et aux compétences. La collaboration a duré plus de 4 ans sous un modèle flexible de staff augmentation, au service d’une plateforme de compensation carbone utilisée par les programmes climat de grandes marques du voyage et du transport, avec à la clé d’importantes économies de coûts opérationnels pour le client.

L’enseignement : la vitesse en fintech est souvent une question de talents. Un produit de financement avec un excellent modèle mais sans ingénieurs pour le livrer perd face à un concurrent aux idées moyennes mais avec une équipe au complet. La rapidité d’assemblage d’une équipe est une capacité fintech à part entière.

Lire l’étude de cas

Ce à quoi ressemble l’IA en fintech quand elle doit tenir la route

Sur ces projets et nos produits IA, cinq règles reviennent constamment :

1. Fonder chaque réponse sur des données vérifiées. Nos produits IA utilisent une architecture RAG : le système répond uniquement à partir des données approuvées du client, et chaque réponse est traçable à sa source. En finance, une réponse non traçable est un risque, pas une fonctionnalité.

2. Exclure les données client de l’entraînement des modèles. Les données client et utilisateur ne servent jamais à entraîner des modèles publics ou partagés. Le traitement se fait dans l’environnement sécurisé du client, selon ses politiques d’accès et son SSO.

3. Concevoir l’isolation par tenant dans l’architecture. Des frontières d’accès imposées dès la création des outils ne peuvent pas être contournées par du prompt injection. Des filtres en aval, si.

4. Répondre aux exigences des régulateurs. Nous sommes conformes ISO 27001 et alignons le développement sur les exigences DORA de nos clients. Pour les données financières sensibles, nous mettons en place des clusters GCP dédiés dans des emplacements choisis par le client et orchestrons des processus avec un stockage minimal pour réduire le risque.

5. Intégrer, ne pas remplacer. Notre architecture API-first s’intègre aux SI existants, aux prestataires tiers et aux écosystèmes Google et Microsoft. La plupart des institutions financières n’ont pas besoin d’un nouveau core. Elles ont besoin d’une couche intelligente au-dessus de l’existant qui fonctionne.

Notre boîte à outils IA pour la finance

Au-delà des développements sur mesure, trois produits Startup House s’appliquent directement aux opérations financières :

• InProduct AI, un copilote conscient des contraintes de conformité qui s’intègre à votre codebase, garde la documentation synchronisée et résout les problèmes utilisateurs en contexte.
• SmartSearch, une recherche financière sans hallucinations qui comprend l’intention métier et fournit, pour chaque résultat, une vérification avec preuve à l’appui.
• KnowHub, un portail de connaissance sécurisé qui transforme des procédures, exigences et politiques internes éparses en une source de vérité unique.

À propos de Startup House

Startup House est une société de développement logiciel de 50 personnes basée à Varsovie, Pologne, fondée en 2016, conforme ISO 27001, avec plus de 100 produits livrés pour des clients sur 5 continents. Comme le dit le cofondateur Alexander Stasiak : « Nous ne faisons pas que développer des logiciels ; nous résolvons des problèmes métier avec des processus transparents et une responsabilité partagée. »

Vous envisagez l’IA dans un produit financier ? Réservez un appel de 30 minutes.

FAQ

Quels projets fintech Startup House a-t-il réalisés ?

Startup House a construit des plateformes de financement cloud pour Siemens Financial Services Poland (dont SimplyLease Online, avec demandes en 2 minutes et décisions de crédit automatisées 24h/24, 7j/7), mis à l’échelle une plateforme de cyber risk pour des clients du Fortune 500 et du private equity (+150% de revenus la première année), et accompagné la climate fintech CHOOOSE plus de 4 ans dans un modèle de staff augmentation.

Comment Startup House gère-t-il les données financières sensibles ?

Les données sensibles tournent sur des clusters GCP dédiés dans des emplacements choisis par le client, avec des processus orchestrés pour minimiser le stockage. Startup House est conforme ISO 27001 et aligne le développement sur les exigences DORA des clients.

Startup House peut-il intégrer l’IA à des systèmes bancaires ou financiers legacy ?

Oui. Une architecture API-first permet des intégrations maîtrisées avec les SI existants, les prestataires tiers et les écosystèmes Google et Microsoft. Pour les systèmes legacy, nous construisons une couche d’IA conversationnelle par-dessus, afin que la logique cœur reste intacte.

Comment Startup House évite-t-il les hallucinations IA dans les applications financières ?

Tous nos produits IA utilisent la Retrieval-Augmented Generation (RAG) : les réponses proviennent uniquement des données vérifiées du client, avec des preuves de source. Les données client ne servent jamais à entraîner les modèles, et l’isolation par tenant est imposée architecturalement.

À quelle vitesse un produit fintech peut-il être mis sur le marché ?

Grâce à la Product Discovery, les fonctionnalités sont priorisées pour lancer rapidement un MVP ou une démo, tout en maintenant la qualité de livraison. Les produits IA peuvent être déployés en 2 semaines une fois les données prêtes ; la discovery pour des plateformes complexes dure généralement de 4 à 8 semaines.