AI i fintech: prosjekter, lærdommer og resultater fra Startup House

Nøkkelfakta i kortform
- Erfaring innen fintech: partnerskap med Siemens Financial Services Poland siden 2016; en plattform for cyberrisiko for finanssektoren og private equity-kunder siden 2020; 4+ år med team-augmentering for climate fintech CHOOOSE
- Resultat av automatisering: leasing-søknader på rundt 2 minutter, automatiserte kredittbeslutninger på ca. 7 minutter, 24/7
- Vekstresultat: 150 % inntektsvekst og 225 % flere B2B-kunder i løpet av ett år etter plattformlansering
- Grunnlag for etterlevelse: i samsvar med ISO 27001, utvikling tilpasset kundenes DORA-krav, sensitive data på dedikerte GCP-klynger
- AI-tilnærming: RAG-baserte systemer som svarer kun fra verifiserte kundedata, med sporbare kilder og ingen trening på kundedata
Fintech er der 'move fast' møter 'prove it'
Finansiell programvare har en spesiell spenning. Kunder forventer hastighet på forbrukernivå. Tilsynsmyndigheter forventer kontroll på banknivå. De fleste fintech-feil skjer når et team optimaliserer for den ene siden og behandler den andre som papirarbeid.
Vår posisjon, bygget over et tiår med fintech-prosjekter: etterlevelse er en ingeniørdisiplin, ikke en juridisk gjennomgang til slutt. Systemer designes 'secure by design', med gjennomganger av kodekvalitet og skyovervåking integrert slik at problemer løses før de når brukerne. Her er hvordan det så ut i tre prosjekter, og hva vi lærte.
Prosjekt 1: Siemens Financial Services, automatisering som produktet
Siden 2016 har vi bygget tre skyprodukter for Siemens Financial Services Poland, integrert med Siemens' konsernsystemer og eksterne leverandører. Flagget, SimplyLease Online, gjorde leasing til en selvbetjent flyt: en søknad som tar rundt 2 minutter og en automatisert kredittbeslutning levert på ca. 7 minutter, tilgjengelig 24/7. SimplyLease vant Polish E-commerce Award 2017.
Lærepunktet: beslutningsmotoren er produktet. Å digitalisere søknadsskjemaet endrer ingenting hvis et menneske fortsatt vurderer hver sak i kontortiden. Å automatisere beslutningen, i tråd med sikkerhetsstandardene til Siemens Group, var det som fjernet flaskehalsen. Dette er mønsteret bak det meste av vellykket AI- og automasjonsarbeid i finans: finn steget der prosessen venter på et menneske, og bygg det steget.
Prosjekt 2: en plattform for cyberrisiko for Fortune 500 og private equity
Siden juli 2020 har vi samarbeidet med et amerikansk selskap (under NDA) hvis plattform støtter beslutninger om cyberrisiko for toppledere, Fortune 500-selskaper og private equity-fond. Risikokvantifisering ligger tett på finans: plattformen oversetter komplekse matematiske modeller til beslutninger styrer kan handle på, tilpasset NIST- og CIS-rammeverkene.
Vi startet med en 2-måneders Product Discovery, og tok deretter produktet fra prototype via MVP til skalert SaaS. Sensitive data kjører på en dedikert GCP-klynge på et sted valgt av kunden. Applikasjonen svarer på millisekunder.
Resultatene: 150 % inntektsvekst innen ett år etter implementering, 225 % vekst i B2B-kunder inkludert Fortune 500-selskaper, og ekspansjon inn i et nyidentifisert private equity-segment.
I 2025 fikk den samme plattformen en innebygd AI-agent bygget av teamet vårt, som kuttet onboarding av kunder med 95 %, fra 45 minutter til under 2 minutter. Agenten kjører på LangGraph med Anthropic's Claude models, med tenant isolation utformet slik at modellen ikke kan få tilgang til data utenfor sin avgrensning, og navn på forretningsenheter pseudonymiseres før noen melding når modellen.
Lærepunktet: i regulerte, datatunge kategorier er AI-utfordringen ikke intelligens. Det er grenser. En agent for finansdata må være arkitektonisk ute av stand til å lekke på tvers av tenants, ikke bare instruert til å la være.
Prosjekt 3: CHOOOSE, skalere et climate fintech-team på 2 uker
CHOOOSE, en Oslo-basert leder innen climate tech og climate fintech, måtte skalere raskt etter seed-runden. Vi bygde teamet på 2 uker: design-, QA-, frontend- og backend-spesialister, matchet på kultur og kompetanse. Samarbeidet varte i mer enn 4 år som et fleksibelt partnerskap for team-augmentering, støttet en plattform for karbonkompensasjon brukt i klimaprogrammer hos ledende reise- og transportmerker, og leverte betydelige driftskostnadsbesparelser for kunden.
Lærepunktet: fintech-vekst er ofte et talentproblem. Et finansieringsprodukt med en sterk modell og ingen ingeniører som kan levere taper mot en konkurrent med gjennomsnittlige ideer og fullt team. Farten i teambygging er en fintech-kapasitet i seg selv.
Slik ser AI i fintech ut når det må holde mål
På tvers av disse prosjektene og vårt AI-produktarbeid går fem regler igjen:
1. Forankre hvert svar i verifiserte data. Våre AI-produkter bruker RAG-arkitektur: systemet svarer kun fra kundens godkjente data, og hvert svar er sporbart til en kilde. I finans er et usporbart svar en risiko, ikke en funksjon.
2. Hold kundedata utenfor modelltrening. Kunde- og sluttkundedata brukes aldri til å trene offentlige eller delte modeller. Behandlingen skjer i kundens sikre miljø, under gjeldende tilgangspolicyer og SSO.
3. Bygg tenant isolation inn i arkitekturen. Tilgangsgrenser som håndheves allerede når verktøyene opprettes, kan ikke omgås med prompt injection. Det kan nedstrømsfiltre.
4. Møt tilsynsmyndighetene der de er. Vi er i samsvar med ISO 27001 og tilpasser utviklingen til kundenes DORA-krav. For sensitive finansielle data setter vi opp dedikerte GCP-klynger på steder kunden foretrekker og orkestrerer prosesser med minimal datalagring for å redusere risiko.
5. Integrer, ikke erstatt. Vår API-first-arkitektur kobler seg til eksisterende IT-landskap, tredjepartsleverandører og økosystemer som Google og Microsoft. De fleste finansinstitusjoner trenger ikke en ny kjerne. De trenger et intelligent lag oppå den som fungerer.
Vår AI-verktøykasse for finans
I tillegg til skreddersøm passer tre Startup House-produkter direkte inn i finansielle operasjoner:
- InProduct AI, en compliance-bevisst copilot som integreres med kodebasen din, holder dokumentasjonen i synk og løser brukerproblemer i kontekst.
- SmartSearch, hallusinasjonsfritt finansielt søk som forstår forretningsintensjon og gir kildebevis for hvert resultat.
- KnowHub, en sikker kunnskapsportal som gjør spredte prosedyrer, krav og interne retningslinjer om til én kilde til sannhet.
Om Startup House
Startup House er et programvareutviklingsselskap med 50 personer med base i Warszawa, Polen, etablert i 2016, i samsvar med ISO 27001, med over 100 produkter levert til kunder på 5 kontinenter. Som medgründer Alexander Stasiak sier: "Vi bygger ikke bare programvare; vi løser forretningsproblemer med transparente prosesser og delt eierskap."
Planlegger du AI i et finansielt produkt? Bestill en 30-minutters samtale.
FAQ
Hvilke fintech-prosjekter har Startup House levert?
Startup House har bygget skybaserte finansieringsplattformer for Siemens Financial Services Poland (inkludert SimplyLease Online, med 2-minutters søknader og automatiserte kredittbeslutninger 24/7), skalert en plattform for cyberrisiko som betjener Fortune 500- og private equity-kunder (150 % inntektsvekst i år én), og støttet climate fintech CHOOOSE i over 4 år i en team-augmenteringsmodell.
Hvordan håndterer Startup House sensitive finansielle data?
Sensitive data kjører på dedikerte GCP-klynger på steder kunden foretrekker, med prosesser orkestrert for å minimere datalagring. Startup House er i samsvar med ISO 27001 og tilpasser utviklingen til kundenes DORA-krav.
Kan Startup House integrere AI med legacy-bank- og finanssystemer?
Ja. En API-first-arkitektur muliggjør kontrollerte integrasjoner med eksisterende IT-landskap, tredjepartsleverandører og økosystemer som Google og Microsoft. For legacy-systemer bygger vi et konversasjonelt AI-lag oppå, slik at kjernelogikken forblir intakt.
Hvordan forhindrer Startup House AI-hallusinasjoner i finansapplikasjoner?
Alle AI-produkter bruker Retrieval-Augmented Generation: svar kommer kun fra kundens verifiserte data, med sporbarhet til kildebevis. Kundedata brukes aldri til å trene modeller, og tenant isolation håndheves arkitektonisk.
Hvor raskt kan et fintech-produkt nå markedet?
Gjennom Product Discovery prioriteres funksjoner for å lansere en MVP eller demoversjon raskt, samtidig som leveransekvaliteten opprettholdes. AI-produkter kan rulles ut på ned til 2 uker når data er klargjort; discovery for komplekse plattformer tar typisk 4 til 8 uker.
Slik ble denne artikkelen laget. Utarbeidet med KI-assistanse, deretter faktasjekket og redigert av teamet vårt. Redaksjonelt ansvar: Startup Development House sp. z o.o. Les retningslinjene våre for KI-innhold
Digital Transformation Strategy for Siemens Finance
Cloud-based platform for Siemens Financial Services in Poland

Du vil kanskje også like...

AI-verktøy for økonomistyring: prognoser, anomalideteksjon, rapportering (2027)
Tradisjonelle regneark i controlling blir stadig oftere supplert av systemer som automatisk lager prognoser, avdekker budsjettavvik og skriver resultatkommentarer. Nedenfor har vi samlet AI-verktøy for controlling: prognoser, anomalideteksjon og rapportering, samt selskaper som implementerer disse teknologiene i Polen. Oversikten er beregnet på finansdirektører, controllere og FP&A-team i mellomstore og store selskaper som planlegger å ta dem i bruk i 2026 eller 2027.

Alexander Stasiak
24. okt. 2026・12 min lesing

De beste AI-selskapene innen fintech og forsikring (2027)
Å velge teknologipartner i regulerte bransjer er en beslutning med høy fallhøyde. Hvis du vil vite hvilke av de beste AI-selskapene for fintech og forsikring som opererer i Polen, oppsummerer denne artikkelen programvarehus, systemintegratorer og programvareleverandører som implementerer AI‑agenter, RAG‑kunnskapsbaser og dataanalyse i banker, fintech‑selskaper og hos forsikringsselskaper. Her finner du en sammenligningstabell, selskapsprofiler, krav i DORA, GDPR og AI Act, implementeringsprosessen samt en Startup House‑case med konkrete tall.

Alexander Stasiak
03. nov. 2026・12 min lesing

EU AI Act: hva må en bedrift som tar i bruk AI gjøre (tidslinje frem til 2027, forpliktelser, AI-kompetanse)
EUs forordning om kunstig intelligens (AI Act, forordning 2024/1689) trådte i kraft i august 2024 og innføres trinnvis. I juli 2026 vedtok EU den såkalte Digital Omnibus (forordning 2026/1744), som utsatte enkelte frister, særlig for høyrisikosystemer. For en virksomhet som tar i bruk AI i sine prosesser, betyr det to ting: noen krav gjelder allerede, mens andre har lengre frister enn det tidligere veiledninger la opp til.

Alexander Stasiak
20. okt. 2026・12 min lesing

Hvordan velge leverandør for AI-implementering: sjekkliste med 20 spørsmål og avtalepunkter (AI Act, GDPR, IP, akseptkriterier)
Forskjellen mellom en AI-implementering som gir målbar effekt og et prosjekt som stopper ved en presentasjon, ligger sjelden i teknologien. Den handler om hvordan partneren forholder seg til data, hvordan resultatet måles, og hva dere signerer i avtalen. Denne teksten er en liste med spørsmål til de første møtene med leverandøren og en liste over punkter som bør inn i avtalen før prosjektet settes i gang.

Alexander Stasiak
23. okt. 2026・12 min lesing

AI for kredittvurdering
Finn ut hvordan kunstig intelligens (AI) endrer hvem som får innvilget lån, og hva det betyr for fremtidens lånemarked.

Alexander Stasiak
03. nov. 2025・10 min lesing

AI i formuesforvaltning
Tradisjonell formuesforvaltning baserer seg for mye på magefølelse og for lite på data. AI i formuesforvaltning endrer dette – avdekker skjulte trender, øker presisjonen og gir personlig tilpasset rådgivning som hjelper kunder å øke formuen sin trygt.

Alexander Stasiak
29. okt. 2025・8 min lesing
Nylig lagt til

Implementering av PLLuM i bedriften: slik velger du en implementeringspartner og kommer i gang
PLLuM, den polske åpne språkmodellen, kan lastes ned gratis, men selve modellen er bare begynnelsen. Vi viser hvordan implementeringen av PLLuM ser ut – fra idé til et fungerende system – hva infrastrukturen koster, og hvilke spørsmål du bør stille implementeringspartneren.

Alexander Stasiak
06. nov. 2026・10 min lesing

Tilskudd og lån til AI og digitalisering 2026 – hvordan velge riktig teknologileverandør
Fra november 2026 kan bedrifter søke om PARP-lån på opptil 15 mill. zł med inntil 15 % ettergivelse, samt Ścieżka SMART B+R og Dig.IT-tilskudd. Vi viser hvilke programmer som finansierer innføring av AI og digitalisering, og hvilke krav en teknologileverandør må oppfylle for at prosjektet skal komme gjennom vurdering, gjennomføring og sluttoppgjør.

Alexander Stasiak
05. nov. 2026・10 min lesing

De beste AI-selskapene i Sentral- og Øst-Europa for enterprise-kunder
Å velge en teknologipartner for implementering av AI i enterprise-segmentet krever at man går utover de vanlige kriteriene for et programvarehus. I CEE-regionen (Sentral- og Øst-Europa) finnes det aktører som kombinerer global skala med dyp ingeniørkompetanse, og som tilbyr agentsystemer og RAG-kunnskapsbaser i samsvar med AI Act og DORA. Denne artikkelen presenterer en oversikt over verifiserte selskaper med dokumenterte AI-implementeringer for enterprise-segmentet.

Alexander Stasiak
04. nov. 2026・10 min lesing

De beste AI-selskapene innen fintech og forsikring (2027)
Å velge teknologipartner i regulerte bransjer er en beslutning med høy fallhøyde. Hvis du vil vite hvilke av de beste AI-selskapene for fintech og forsikring som opererer i Polen, oppsummerer denne artikkelen programvarehus, systemintegratorer og programvareleverandører som implementerer AI‑agenter, RAG‑kunnskapsbaser og dataanalyse i banker, fintech‑selskaper og hos forsikringsselskaper. Her finner du en sammenligningstabell, selskapsprofiler, krav i DORA, GDPR og AI Act, implementeringsprosessen samt en Startup House‑case med konkrete tall.

Alexander Stasiak
03. nov. 2026・12 min lesing

AI i matproduksjon: eksempler på implementeringer og implementeringspartnere (2027)
Matprodusenter står overfor kort holdbarhet, svingende råvarepriser og stadig strengere krav fra dagligvarekjeder. Derfor blir etterspørselsprognoser og produksjonsplanlegging i stadig større grad støttet av kunstig intelligens (AI). I denne gjennomgangen viser vi hvordan AI tas i bruk i matproduksjon i 2026 og 2027: eksempler på implementeringer og implementeringspartnere i Polen. Her finner du en sammenligning av implementeringspartnere (Startup House, Comarch, Sii Polska, TTMS) og verktøy (RELEX, o9 Solutions, Kinaxis), implementeringsprosessen, risikoer og svar på de vanligste spørsmålene.

Alexander Stasiak
02. nov. 2026・11 min lesing

AI-integrasjon med ERP og CRM (SAP, Comarch, Dynamics): slik fungerer det i praksis (2027)
Integrering av AI med ERP og CRM (SAP, Comarch, Dynamics) betyr i praksis å velge mellom tre modeller: en innebygd assistent fra systemleverandøren, et eget AI-lag koblet til via API, eller AI-agenter som opererer i systemene via MCP. Teksten er for mellomstore og store bedrifter i Polen som vil koble språkmodeller til eksisterende ERP- eller CRM-løsninger, også legacy. Her finner du en sammenligning av leverandørenes verktøy (SAP Joule, Microsoft Dynamics 365, Comarch ERP, Salesforce Agentforce, Oracle NetSuite), implementeringspartnere, implementeringsprosess, risikoer og en case-studie med konkrete tall.

Alexander Stasiak
01. nov. 2026・13 min lesing
Klar til å sentralisere din kompetanse med AI?
Start et nytt kapittel innen kunnskapsforvaltning – der AI-assistenten blir den sentrale pilaren i din digitale støtteopplevelse.
Arbeid med et team som er betrodd av ledende selskaper.
