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.

Les case-studien

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.

Les case-studien

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.

Les case-studien

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.