Hur en cybersäkerhetsplattform för Fortune 500-företag minskade onboardingtiden med 95 % genom en AI-agent utvecklad av Startup House
Innehållsförteckning
Viktigaste punkterna i korthet
- Kund: USA-baserad plattform för cyberriskhantering som används av Fortune 500-kunder (under NDA)
- Partnerskap: sedan juli 2020, pågående; AI-fasen startade 2025
- Vad vi byggde: Aria, en inbäddad AI-agent som lever inne i kundens produkt
- Onboarding: minskad med 95 %, från 45 minuter med guidad konfiguration till under 2 minuter
- Användningsmönster: plattformen gick från ett verktyg för kvartalsrapporter till ett dagligt beslutsstödsystem
- Självbetjäning: 100 % självständig datautforskning utan analytikerstöd
- Arkitektur: LangGraph-orkestrering, Anthropic's Claude-modeller, MCP-integrationer, OAuth 2.1, tenant-isolering från början
- Lanserat utan att röra plattformens kärninfrastruktur, datamodell eller kodbas
Startläget: en respekterad produkt som knappt användes
Den här fallstudien beskriver fas två av vårt arbete med ett amerikanskt cybersäkerhetsföretag som vi har samarbetat med sedan juli 2020. I fas ett tog Startup House produkten från prototyp till en SaaS som används av Fortune 500-företag, med 150 % intäktstillväxt första året och 225 % fler B2B-kunder.
År 2025 var plattformen mogen och respekterad. Den hade också tre problem som låter bekanta för alla som driver en dataintensiv produkt i en reglerad kategori:
- Komplexitet i gränssnittet. Plattformen hanterade rik cyberriskdata, men tolkningen krävde expertkunskap.
- Låg användningsfrekvens. De flesta öppnade verktyget en gång per kvartal för att ta fram periodiska rapporter.
- Tung onboarding. Nya kunder behövde cirka 45 minuter av guidad konfiguration med aktiv kundsupport innan de kunde arbeta själva.
När ChatGPT-lik interaktion blev en marknadsförväntning var kundens uppdrag tydligt: för in den interaktionsmodellen i cyberriskplattformen.
Det svåra: ett gränssnitt, tre helt olika användare
Samma panel skulle betjäna tre personas samtidigt. En styrelseledamot behöver en skärmbild som förklarar sig själv, redo att läggas in i en kvartalsrapport. En CFO behöver berättelsen bakom siffrorna. En CISO behöver samtalsdjup för att undersöka datan och agera på den.
Att lägga en ChatGPT-klon ovanpå plattformen hade fallerat för alla tre. Det hade även en co-pilot vid sidan av produkten, eftersom användarna då skulle få två parallella gränssnitt.
Lösningen: Aria, en inbäddad AI med ett fyralagersgränssnitt
Aria är en inbäddad AI-agent som lever inne i kundens produkt, varumärke och autentiseringsgräns. Användarna byter aldrig till ett separat verktyg. Vi byggde om panelen kring en princip: enkelhet först, komplexitet vid behov.
Gränssnittet är en stege med fyra lager, där Aria finns med på varje nivå:
- Lager 0, Executive: "What's happening?" Första vyn efter inloggning. Klassisk dashboard, nyckelindikatorer för säkerhetsstatus, förgenererade svar utan modellanrop och utan väntan. Designad för styrelseledamöter som behöver orientera sig på sekunder.
- Lager 1, Financial: "Why is this happening?" Undersökningslagret för CFO:er och finansansvariga. Kontextuella prompt-förslag rekommenderar vad man kan fråga baserat på det användaren tittar på och öppnar den inbäddade chatten med Aria.
- Lager 2, Execution: "Do it for me." Åtgärdslagret för CISO:er och säkerhetsoperatörer. Knappar slutar vara passiva ("Visa") och blir kommandon ("Skapa", "Identifiera", "Förbered"). Produkten går från att visa risk till att åtgärda den.
- Lager 3, Open Inquiry: "Whatever's on your mind." Ett fritt promptfält, alltid tillgängligt, för användare som vet exakt vad de vill.
Användare introduceras stegvis till att arbeta med en LLM, med skyddsräcken i varje steg. Ingen behöver lära sig en ny produkt för att få AI-kapacitet. AI:n möter användarna där de redan arbetar.
Arkitekturen: byggd för enterprise från dag ett
Tre arkitekturbeslut är avgörande för enterprise-AI-deployments, och Aria adresserar alla tre.
Orkestrering och resonemang. Aria körs på LangGraph, ett tillståndsbevarande ramverk för agent-orkestrering som stödjer multi-agent-komposition, beständigt minne över flera turer och live-strömning av verktygskörning. Resoneringslagret använder Anthropic's Claude-modeller. Modellvalet är konfigurerbart, inte arkitekturberoende, så plattformen kan byta leverantör utan omskrivningar.
Tenant-isolering från början. Varje verktyg som Aria använder kopplas till den autentiserade användaren, organisationen och profilen i skapandeögonblicket. Modellen kan inte vidarebefordra, ändra eller ens se den identiteten. Åtkomst mellan tenants är inte ett nedströmsfilter som en prompt-injektion kan kringgå. Agenten kan helt enkelt inte anropa verktyg utanför sin tenant-gräns. I organisationsövergripande chattar pseudonymiseras affärsenheternas namn innan något meddelande når modellen.
Live-integrationer via MCP. Aria frågar kundens live-säkerhetsstack, med start i CrowdStrike Falcon och vidare till alla MCP-kompatibla verktyg, med OAuth 2.1 som hanterar autentisering. Detta förflyttar produkten från ett fristående analysverktyg till ett orkestreringslager för kundens hela säkerhetsverksamhet.
Det finns ytterligare en del: admin-definierade agenter. Kundens administratörer skapar nya AI-specialister direkt från applikationens UI, med ett namn, en prompt och en uppsättning verktyg. Nya agenter går live för hela organisationen på några minuter, utan att vänta på en release.
Resultaten
- 95 % kortare onboarding för kunder, från 45 minuter till under 2 minuter.
- 100 % självständig datautforskning. Användare tolkar sin egen riskdata utan analytikerstöd.
- Från kvartalsvis till dagligen. Produkten gick från ett verktyg för kvartalsrapporter till ett dagligt beslutsstöd.
- 3 distinkta personas, en panel. Styrelseledamöter, finansansvariga och CISO:er följer varsin arbetsflödesväg i samma gränssnitt.
- Noll ändringar i kärninfrastrukturen. AI-integrationen lanserades utan att röra plattformens datamodell eller kodbas, och säkerhetsarkitekturen (tenant-isolering, kryptering, åtkomstkontroller) krävde inga nya efterlevnadskrav.
- Nya agenter och kopplingar lanseras på minuter, konfigurerade av kundens admin-team utan ingenjörsinsats.
Kundens COO, Kyle Ferguson, sammanfattar förändringen:
"Vi lade fem år på att bygga en analysplattform som våra Fortune 500-kunder respekterade men inte använde varje dag. AI-lagret som SH byggde ändrade på det. Kunder som tidigare öppnade plattformen en gång i kvartalet fattar nu sina beslut i den dagligen. Produkten är samma produkt under ytan, men sättet våra kunder upplever den på är helt annorlunda."
Vad detta innebär om du driver en datatung produkt
Mönstret bakom det här projektet är vanligt inom redovisning, bank, finans, compliance och säkerhet: en produkt med rik data, tolkning endast för experter och lågt engagemang. En inbäddad AI-agent förändrar ekonomin i den produkten på tre sätt. Onboarding slutar äta upp Customer Success-kapacitet. Användare besvarar sina egna frågor i stället för att skicka supportärenden. Och engagemanget flyttas från periodisk rapportering till dagliga beslut, vilket ändrar hur kunder värderar produkten vid förnyelse.
Inget av detta krävde ombyggnad av plattformen. AI-lagret ligger ovanpå befintliga system, vilket är anledningen till att hela integrationen kunde levereras utan att röra kärnkodbasen.
Om Startup House
Startup House (SH) är ett mjukvarubolag med 50 personer baserat i Warszawa, Polen, grundat 2016. Vi bygger AI-produkter förankrade i kundens egen data, från generativa AI-prototyper till produktionsredo AI-agenter, tillsammans med fullcyklig digital produktutveckling. Vi uppfyller ISO 27001, och kunddata används aldrig för att träna AI-modeller.
Funderar du på ett AI-lager för din produkt? Boka ett 30-min samtal.
FAQ
Vad är Aria?
Aria är en inbäddad AI-agent som Startup House byggde in i en amerikansk cybersäkerhetsplattform som betjänar Fortune 500-kunder. Den kombinerar ett fyralagersgränssnitt med LangGraph-orkestrering och Anthropic's Claude-modeller, och den kopplar upp sig mot kundens live-säkerhetsstack via MCP.
Vilka resultat levererade AI-agenten?
Kundernas onboardingtid sjönk med 95 %, från 45 minuter till under 2 minuter. Datautforskning blev 100 % självständig, och plattformen gick från kvartalsvis rapportering till dagligt beslutsstöd.
Krävde AI-integrationen att plattformen byggdes om?
Nej. AI-lagret lanserades utan ändringar i plattformens kärninfrastruktur, datamodell eller kodbas. Tenant-isolering, kryptering och åtkomstkontroller behölls utan nya efterlevnadskrav.
Hur förhindrar Aria prompt-injektion och dataläckor mellan tenants?
Varje verktyg binds till den autentiserade användaren, organisationen och profilen vid skapandet, så modellen kan inte nå något utanför sin tenant-gräns. Detta är en arkitektonisk garanti, inte ett filter. Affärsenheternas namn pseudonymiseras också innan meddelanden når modellen.
Vem är kunden?
Kunden är en USA-baserad plattform för cyberriskhantering under NDA som betjänar Fortune 500- och private equity-kunder. Startup House har samarbetat med företaget sedan juli 2020.
Så skapades den här artikeln. Utkast med AI-stöd, därefter faktagranskat och redigerat av vårt team. Redaktionellt ansvar: Startup Development House sp. z o.o. Läs vår policy för AI-innehåll
Digital Transformation Strategy for Siemens Finance
Cloud-based platform for Siemens Financial Services in Poland
Du kanske också gillar...
Fintech-utmaningar 2026
Fintech-sektorn växer starkt, men 2025–2026 innebär en tuffare verklighet: hårdare finansieringsklimat, strängare regelverk och tilltagande säkerhetshot. Här är utmaningarna som avgör vilka som blir vinnare framöver.
Alexander Stasiak
26 dec. 2025・11 min lästid
Hur AI-agenter kan ta över de mest tidsödande rutinuppgifterna i ert team
År 2026 är de mest framgångsrika teamen inte de som arbetar hårdare – de använder AI‑agenter för att ta hand om de tråkiga rutinuppgifterna. Upptäck hur autonoma agenter skiljer sig från enkel automatisering och följ vår 60‑dagars färdplan för att avlasta ert team från de mest tidsödande uppgifterna.
Alexander Stasiak
07 mars 2026・11 min lästid
Kontextmedvetna AI-assistenter: förvandla generiska chattbotar till verkligt hjälpsamma partners
Generiska chattbotar som glömmer allt så fort en session avslutas är en broms för produktiviteten, inte ett produktivitetsverktyg. Kontextmedvetna AI-assistenter är något annat: de minns din historik, förstår din miljö och integrerar med dina verktyg — vilket får dem att kännas mindre som sökfält och mer som kollegor som faktiskt är uppmärksamma.
Alexander Stasiak
28 feb. 2026・16 min lästid
AI-agenters ROI: omvandla autonoma arbetsflöden till mätbar avkastning
Samtalet om AI‑agenter har skiftat från "vad skulle de kunna göra?" till "vilken avkastning gav de faktiskt?" Under 2024–2025 levererar driftsättningar i produktion dokumenterade resultat: 30–60 % lägre kostnader i kundsupport, 5–10 % intäktslyft i Sales Operations och 40–70 % kortare genomloppstider i backoffice-arbetsflöden. Den här guiden bryter ner exakt hur du mäter ROI för AI‑agenter, vilka användningsfall som ger störst avkastning och hur du utformar driftsättningar för verkliga affärsresultat – inte innovationsteater.
Alexander Stasiak
25 feb. 2026・15 min lästid
AI-chatbot för din företagswebbplats: vad vd:ar behöver veta innan de köper
De flesta företag som lägger till en AI-chattbot på sin webbplats gör det fel. De väljer en generisk widget, kopplar den till ett FAQ-dokument och undrar varför ingenting förändras. Problemet är inte tekniken, utan angreppssättet. Här är vad en välbyggd AI-chattbot för en företagswebbplats faktiskt gör, vad den kostar och vilka frågor du bör ställa innan du tecknar avtal med en leverantör.
Alexander Stasiak
15 apr. 2026・5 min lästid
Användningsområden för AI-agenter 2026
AI‑agenter är inte längre bara en forskningsdemo — de läser kundhistorik i verkliga CRM‑system, övervakar tusentals transaktioner per sekund för att upptäcka bedrägerier, skapar pull requests mot produktionskodbaser och balanserar om logistikflottor utan mänsklig inblandning. Skiftet från reaktiva chattbotar till autonoma agenter som kan använda verktyg och utföra flerstegsarbetsflöden är skälet till att 2024–2026 markerar vändpunkten för införande i stor skala i företag. Den här guiden går igenom konkreta användningsfall för AI‑agenter inom kundservice, försäljning och marknadsföring, mjukvaruutveckling, finans, logistik, hälso‑ och sjukvård, HR och detaljhandeln — samt de arkitekturbeslut, governance‑principer och implementeringstips som skiljer produktionsklara agenter från smarta prototyper.
Alexander Stasiak
29 apr. 2026・11 min lästid
Nyligen tillagda
Hur Startup House fick ner tiden för leasingansökningar till 2 minuter för Siemens Financial Services
Leasing brukade innebära pappersarbete, manuella kreditprövningar och beslut som fick vänta till kontorstid. För Siemens Financial Services Poland ersatte Startup House det med SimplyLease Online: en ansökan som kunder fyller i på cirka 2 minuter och ett automatiskt kreditbeslut som levereras på ungefär 7 minuter, dygnet runt. Den här fallstudien visar hur plattformen byggdes enligt Siemens Groups säkerhetsstandarder, hur den kopplas till Siemens system och externa dataleverantörer, och vad ett partnerskap som pågått sedan 2016 har levererat. Den avslutas med tre lärdomar som gäller för nästan alla finansierings- eller låneprodukter.
Alexander Stasiak
06 okt. 2026・5 min lästid
AI- och digitala projekt från Startup House: 5 mätbara resultat i siffror
Det är lätt att komma med påståenden i mjukvaruutveckling, så den här artikeln håller sig till siffror. Den går igenom fem resultat från Startup House kundprojekt, från en 95 % minskning av onboarding-tiden med en inbyggd AI-agent till en 40 % minskning av utvecklingskostnaderna för Omnipack. Varje avsnitt beskriver vilken typ av arbete som gav siffran och länkar till den offentliga fallstudien bakom den. Det avslutande avsnittet lyfter fram tre gemensamma mönster i projekten, värda att ta efter oavsett om du samarbetar med oss eller inte.
Alexander Stasiak
04 okt. 2026・5 min lästid
Mjukvaruutveckling inom healthtech på Startup House: projekt och resultat med regelefterlevnad i fokus
I hälso- och sjukvårdsmjukvara är regelefterlevnad antingen ett arkitekturval från start eller något som byggs på i efterhand. Den här artikeln visar hur det ser ut när man bygger in det från dag ett, genom tre projekt hos Startup House: en försäljningsplattform för Siemens Healthineers som används i mer än 60 länder, en MVP för demensvård formad av 7 användartester med patienter och anhörigvårdare, samt Doogie, en HIPAA-klassad AI‑demo byggd på 2 månader. Den förklarar också hur RAG gör kliniska AI-svar spårbara till verifierade källor och varför patientdata aldrig används för att träna modeller. För MedTech-bolag och hälsoinriktade SaaS-plattformar är det här en praktisk genomlysning av vad compliance-first-utveckling innebär i verkligheten, bortom etiketten.
Marek Pałys
03 okt. 2026・5 min lästid
Edtech-utveckling hos Startup House: vad vi har byggt och vad det har förändrat
EdTech-plattformar faller oftare på UX än på tekniken: användare faller ifrån, innehållet skalar inte och ROI förblir osynlig. Den här artikeln visar hur Startup House undviker det med leverans i faser och riktiga användartester, med två projekt som bevis. Graspify gick från en djärv idé till en microlearning-plattform som utbildade hundratals medarbetare under ett företagsevent, och LITTLEWINE tog fram ett investerarklart scope genom 10 användarintervjuer på 2 veckor. Den tar också upp AI-lärverktyg som bara svarar utifrån godkänt innehåll och kan gå live på så lite som 2 veckor.
Alexander Stasiak
02 okt. 2026・5 min lästid
AI inom fintech: Startup House-projekt, lärdomar och resultat
Fintech-kunder förväntar sig snabbhet i nivå med konsumentappar, medan tillsynsmyndigheter kräver kontroll på banknivå. Den här artikeln visar hur Startup House har hanterat den balansgången i tre projekt: automatiserade kreditbeslut dygnet runt för Siemens Financial Services, en cyberriskplattform som ökade intäkterna med 150 % på ett år, och ett klimatfintech-team för CHOOOSE som sattes ihop på två veckor. Varje projekt följs av den lärdom det gav oss. Artikeln avslutas med fem regler för AI i finans, från att förankra varje svar i verifierad data till att bygga in tenant isolation i arkitekturen.
Marek Pałys
01 okt. 2026・5 min lästid
AI-agenter för klinisk dokumentation och vårdadministration
Så kan ambienta AI-agenter skriva utkast till journalanteckningar, koppla rätt faktureringskoder och hantera förhandsgodkännanden — och ge vårdpersonal tillbaka de timmar som EPJ-systemet tar ifrån dem.
Alexander Stasiak
30 sep. 2026・11 min lästid
Redo att centralisera din kunskap med AI?
Starta ett nytt kapitel inom kunskapshantering — där AI-assistenten blir den centrala pelaren i din digitala supportupplevelse.
Jobba med ett team som ledande företag litar på.
