Hur arbetar SAVR med AI jämfört med andra bolag?

– Vi utgår alltid från kundvärde och tydlig produktnytta, i relation till den tid och kapacitet vi har. Det finns alltid många idéer, men eftersom vi är en liten organisation kan vi inte springa på alla bollar. För att maximera kundupplevelsen och få ut mest effekt av vår arbetsinsats behöver vi välja med omsorg.

Den snabba utvecklingen inom AI skapar samtidigt stora möjligheter, särskilt inom personalisering och att göra information mer relevant för varje användare. Tillsammans med mer klassisk maskininlärning kan vi bygga datadrivna funktioner som ger våra kunder verkligt mervärde och hjälper dem att fatta mer välgrundade investeringsbeslut.

En viktig del i vår filosofi är att AI ofta ska verka under huven: Den förbättrar upplevelsen genom att göra den smartare, tydligare och mer relevant – utan att vi alltid behöver skylta med att det är AI-drivet.

I praktiken handlar det om att hitta balansen mellan innovation och stabilitet. Vi vill att det ska kännas modernt och intelligent, men samtidigt vara pålitligt och konsekvent i vardagen. Därför bygger vi AI tätt integrerat med resten av produkten och plattformen.

Vilka tekniker använder ni?

– Valet av AI-teknik är helt beroende på use case, men i grunden handlar det främst om några byggstenar:

Vi använder LLM:er (språkmodeller) för att förstå och generera text i kontrollerade format, till exempel sammanfattningar och strukturerade tolkningar. För att förstå vad innehåll handlar om använder vi embeddings/semantisk sök. Det gör att vi kan jämföra innehåll och hitta relevanta samband. För att hämta rätt underlag och väga källor efter relevans bygger vi retrieval- och rankinglager, ofta i en RAG-setup (Retrieval-Augmented Generation) där modellen baserar sina svar på utvalt, relevant material.

AI-komponenten är dock bara en del av lösningen. För att den ska fungera i en konsumentprodukt behöver vi bygga ett helt system runt den som gör resultaten konsekventa och pålitliga över tid. Det innebär att vi lägger mycket fokus på hur vi styr, kvalitetssäkrar och följer upp beteendet i produktion. Detta gör vi bland annat genom tydligt definierade ramar, kontinuerlig monitorering av kvalitet och avvikelser, fallbacks för när underlaget är svagt eller modellen osäker, samt att se till att lösningen är driftbar och itererbar över tid.

Kan ni nämna några funktioner där vi arbetar med AI?

– Absolut, några exempel där vi använder AI för att förbättra kundupplevelsen är:

• Podcasts: Vi har en funktion där vi lyssnar av finanspoddar, för att sedan leverera klipp till kunden där hens innehav nämns. Här använder vi AI för transkribering och segmentering av avsnitt, och för att identifiera när ett bolag faktiskt diskuteras, så att innehållet kan kopplas till rätt bolag och bli lättare att ta till sig för kunden.

• Nyhetsflöde & nyhetssammanfattningar: Vi sammanställer bolagsnyheter från flera källor och lyfter det viktigaste från det senaste dygnet, med fokus på sådant som är relevant för kundens innehav och med extra vikt på det mest aktuella.

• Hemskärmen: Vi förbättrar  successivt hemskärmen genom att göra portfölj- och marknadsinformation mer överskådlig och relevant. Det är delvis lanserat, men fortfarande under utveckling och kommer att byggas ut över tid.

• Bolagstaggning & jämförelse av bolag: Vi använder AI för att strukturera och kategorisera bolag, bland annat genom mer detaljerade bransch- och temataggar, och för att beräkna semantisk likhet mellan bolag. Det hjälper kunder att hitta relevanta bolag utifrån vad de redan äger eller är intresserade av, utan att begränsas till traditionella sektorindelningar.

Vad innebär det att arbeta med AI inom finans?

– Att arbeta med AI inom finans innebär att kraven på korrekthet, spårbarhet och riskkontroll är betydligt högre än i många andra branscher. Användaren måste verkligen kunna lita på att informationen som fås från oss är relevant och välgrundad.

Därför bygger vi AI-lösningar med tydliga ramar:

• Spårbarhet: Vi behöver kunna visa var underlaget kommer ifrån och varför något lyfts fram.

• Kvalitet och robusthet: Vi minimerar risken för att AI hallucinerar genom guardrails, validering och formatkrav.

• Risk och compliance: Vi undviker otydliga påståenden och ser till att outputen fungerar inom de ramar som krävs i en finansiell produkt, till exempel att det inte blir implicita investeringsråd.

Målet är en balans mellan innovation och tillit: Vi bygger hellre något som är konsekvent och pålitligt varje dag än “flashigt” men svårt att lita på, samtidigt som vi vill att upplevelsen fortsatt ska vara enkel, informativ och inspirerande.

Hur är det att arbeta med data science på SAVR?

– Att arbeta med data science på SAVR är väldigt produktnära och tvärfunktionellt – ofta bredare än traditionell data science: Vi bygger AI-funktioner från idé till produktion och kombinerar modellutveckling med stabil systemutveckling, drift och kvalitetssäkring.

En stor styrka är den korta vägen från idé till lansering. Det är enkelt att bolla en lösning med produkt-, design- och utvecklingsteamen, testa idén i praktiken och faktiskt få ut den i appen. Det gör att man snabbt ser resultatet av sitt arbete och hur det används av kunder.

Arbetsmiljön passar särskilt bra om man gillar att både experimentera och leverera: Kundnytta, robusthet och långsiktig förvaltning är lika viktiga som själva modellen.

Är du intresserad av att vara med och utveckla framtidens investeringsplattform? Här kan du läsa mer om lediga roller på SAVR.

Historisk avkastning är ingen garanti för framtida resultat. Investeringar kan både öka och minska i värde, och det är inte säkert att du får tillbaka hela det investerade kapitalet.