BETEENDEANALYS FÖR LÅNGIVARE · BYGGD FÖR AMLR

Kundkännedom som ser människan bakom affären.

Key Insights gör långivares onboarding AMLR-redo och analyserar hur kunden själv beskriver sin verksamhet och sitt lån, jämfört med registerdata. Det ger bättre underlag för onboarding, kreditbeslut och tidig inkasso.

Färre avhopp Hårda data + beteende Byggd för AMLR

Beslutsstöd för kredit- och compliancefunktioner. Ni fattar alltid det slutliga beslutet.

ÄRENDE · ONBOARDING · 800 TKR Exempelbolaget AB
Klart för granskning
REGISTERDATA VIA PARTNERHämtat
Bolagsuppgifter, styrelse, verklig huvudman, PEP och sanktioner, bokslut
VERKSAMHETStämmer
Kunden: ”Renoveringar åt privatpersoner” Registret: byggverksamhet, 2,1 Mkr
UTLANDSEXPONERINGMotsägelse
”Allt är lokalt” → senare: förskott till leverantör i Estland
PERSONER I AFFÄRENFlaggat
”Jonas har koll på upplägget” finns inte i registren
BELOPP MOT OMSÄTTNINGGranska
800 tkr 38 % av senaste årsomsättningen
BETEENDESIGNALER
Konkret om verksamheten Distanserad om lånet Ändrad berättelse
UNDERLAG FÖR RISKKLASS Förhöjd Er compliance sätter klassen
AUDIT TRAIL 14 datapunkter Loggade med källa och regel

Exempel med ett fiktivt bolag.

ANVÄNDNINGSOMRÅDEN

En motor, tre användningsområden

Börja där behovet är störst. Samma analys följer kunden från första ansökan till återbetalning.

01 ONBOARDING OCH AMLR
KI AWARE

Onboarding som läser mellan raderna

Registerdata hämtas automatiskt och kunden bekräftar i stället för att fylla i. Öppna frågor prövas mot registren i realtid, avvikelser flaggas och allt dokumenteras för AMLR.

  • Avvikelserapport och underlag för riskklass
  • Verklig huvudman, PEP och sanktioner via partner
  • Löpande övervakning och omklassificering
  • Fungerar ovanpå er befintliga onboarding

Byggd för AMLR, (EU) 2024/1624

02 KREDITBESLUT

Beslutsstöd för en andra titt

Handläggaren får strukturerad insikt om ansvarstagande, realism i prognoser och förmåga att genomföra planen, bredvid de finansiella nyckeltalen. Ärenden nära gränsen kan få en andra titt i stället för ett maskinellt nej.

  • Beteendeindikatorer som kompletterar nyckeltalen
  • ML-modeller tränade på era egna utfall
  • Evidens och citat bakom varje insikt
  • För kreditgivning till företag

Beslutsstöd, aldrig automatiserade beslut

03 TIDIG INKASSO

Prioritera där dialogen gör skillnad

I tidig inkasso är det svårt att se vilka kunder som kan och vill betala. Analys av kunddialogen ger en prioritering utifrån betalningsförmåga, betalningsvilja och signaler i dialogen.

  • Prioritering av ärenden 1–90 dagar efter förfall
  • Underlag för rätt bemötande i dialogen
  • Spårbar motivering per ärende
  • Samma motor som i onboardingen

Beslutsstöd för era inkassohandläggare

Samma motor fungerar överallt där människor beskriver sin verksamhet med egna ord.

SÅ FUNGERAR DET

En motor som ställer kundens ord mot registren

Motorn tar in registerdata och kundens egna svar, stämmer av dem mot varandra och lägger på beteendeindikatorer. Ut kommer ett färdigt underlag som er handläggare eller compliance kan granska.

IN

Data och kundens svar

Registerdata via partnerBolagsuppgifter, verklig huvudman, firmatecknare, PEP och sanktioner, bokslut
Kundens egna svarÖppna frågor i vår chattbot, ert eget formulär eller er befintliga ansökan
Utfall över tidÅterbetalningar, ny finansiering och förändringar i registren
MOTORN

Avstämning och beteendeanalys

Avstämning mot registerVarje svar prövas mot det som redan finns inhämtat
SpråkanalysDetaljnivå, konsekvens och hur konkret kunden är
BeteendeindikatorerForskningsbaserade signaler om ansvarstagande, riskbenägenhet och realism
Regelramverk enligt AMLR art. 20.1Transparenta regler för vad som flaggas och vad som eskaleras
UT

Färdigt underlag till er

AvvikelserapportStrukturerade skillnader mellan kundens svar och registren
Underlag för riskklassLåg, normal, förhöjd eller hög. Er compliance sätter klassen.
BeteendesignalerI separata vyer för compliance och handläggare
Audit trailKälla, tidpunkt och tillämpad regel för varje datapunkt

MELLAN RADERNA

Motorn läser hela dialogen tillsammans med registren

Varje svar ställs mot registren och mot kundens andra svar. Motsägelser, personer som inte syns i registren och ett språk som ändrar karaktär flaggas med hänvisning till exakt vad kunden sa.

DET MOTORN TITTAR PÅ
Detaljnivå Konsekvens mellan svar Personer och roller Locus of control Distanserat språk Rimlighet mot register

Bygger bland annat på forskning om oväntade följdfrågor: Hartwig, Granhag m.fl. (2005) och Vrij m.fl. (2009).

ONBOARDINGDIALOG · EXEMPELBOLAGET AB Ansökt belopp 800 tkr
KI Aware Beskriv hur en typisk affär går till, från att en kund hittar er till att ni har fått betalt.
Kund · svar 1 Vi gör renoveringar åt privatpersoner i Stockholm, mest badrum och kök. Kunderna hittar oss via rekommendationer och vi fakturerar när jobbet är klart.
KI Aware Har ni kunder eller leverantörer utanför Sverige?
Kund · svar 2 Nej, allt är lokalt.
KI Aware Vad ska pengarna användas till?
Kund · svar 3 Material inför ett större projekt som startar i vår.
KI Aware · följdfråga Berätta gärna mer om projektet och vem ni köper materialet från.
Kund · svar 4 Det är ett samarbete. Leverantören sitter i Estland och vill ha förskott, det är Jonas som har koll på det upplägget. Vi har gjort liknande grejer förut.
MOTORNS ANALYS

Underlag till handläggaren

STÄMMERSvar 1 mot registret
Verksamheten matchar registrerad bransch, omsättning och antal anställda.
MOTSÄGELSESvar 2 mot svar 4
”Allt är lokalt”, men förskott ska betalas till en leverantör i Estland.
OKÄND PERSONSvar 4 mot registret
”Jonas” verkar styra upplägget men finns inte bland styrelse, firmatecknare eller verkliga huvudmän.
BELOPPAnsökan mot bokslut
800 tkr motsvarar 38 % av senaste årsomsättningen, för ett projekt som inte beskrivs närmare.
SPRÅKSvar 1 mot svar 3–4
Konkret och detaljerad om den egna verksamheten, men vag och distanserad om lånet: ”det är ett samarbete”, ”Jonas har koll”.
FÖRSLAG ENLIGT ER RISKPOLICY Förhöjd risk. Verifiera leverantören och Jonas roll före beslut. Handläggaren gör bedömningen.

Ett kort eller nervöst svar räcker inte för en flagga. Motorn ställer först en följdfråga och väger sedan ihop hela dialogen mot registren.

SÅ KOMMER NI IGÅNG

Från första möte till skarp drift

Ni ser vad motorn hittar i era egna ärenden innan något i er process ändras.

  1. 1

    Kartläggning

    Vi går igenom ert onboardingflöde mot AMLR och bestämmer tillsammans vilka steg motorn tar hand om.

  2. 2

    Skuggkörning

    Motorn körs på 25–50 av era befintliga ärenden, bredvid er egen process.

  3. 3

    Integration

    Vi kopplar in motorn i er befintliga ansökan, eller så använder ni vår chattbot.

  4. 4

    Skarp drift

    Era handläggare och er compliance får färdiga underlag. Ni fattar besluten.

BYGGD FÖR REGLERADE LÅNGIVARE

Säkerhet och regelefterlevnad från början

VÅR PRINCIP

Människan beslutar alltid

Key Insights är beslutsstöd, inte automatiserat beslutsfattande. Varje flagga visar sin grund, med källa, regel och citat, så att en människa kan väga den.

AMLR-redo från dag ett

Onboardingprocessen och datahanteringen är byggda för AMLR, (EU) 2024/1624.

Spårbart i varje steg

Audit trail med källa, tidpunkt och tillämpad regel för varje datapunkt och beslut.

Byggd enligt ISO 27001/27002

AES-256-kryptering i vila, tvåfaktorsinloggning och rollbaserad behörighet.

GDPR by design

Personuppgiftsbiträdesavtal med dokumenterade underbiträden. Plattformen är juristgranskad.

Data inom EU

All data lagras och behandlas i Stockholm.

Utformad för AI-förordningen

Transparent logik, dokumenterade regler och mänsklig granskning av varje underlag.

OM OSS

Siffrorna visar vad ett bolag har gjort. Människan bakom avgör vad det kommer att göra.

10 juli 2027 AMLR börjar gälla i hela EU, med krav på att ni förstår syftet med varje kundrelation.
≈ 23 000 svenska bolag, 1,7 % av alla, hade kopplingar till personer i kriminella nätverk 2020–2023.
≈ 6 % av portföljen skrivs av varje år hos svenska SME-långivare.

Källor: AMLR, (EU) 2024/1624 · Brå · Key Insights genomgång av svenska SME-långivares årsredovisningar 2024.

Ett bokslut visar hur det gick förra året. En kreditupplysning visar om någon har missat en betalning. Hur ett bolag klarar de kommande åren avgörs ändå av människan som driver det.

Det är människan bakom som fattar besluten, gör planerna och hanterar motgångarna. Det är också där syftet med affären blir tydligt: vad pengarna faktiskt ska användas till, vem som styr och vart verksamheten är på väg. Just syftet med kundrelationen är något AMLR kräver att ni förstår och dokumenterar.

Ändå bygger de flesta onboardingflöden på rigida formulär och checklistor. Kunden fyller i uppgifter som redan finns i registren, handläggaren letar efter avvikelser för hand och processen blir lång för alla. Kontroller som bockar av register och listor räcker sällan för de krav som gäller, samtidigt som penningtvätten hittar nya vägar in, ofta via bolag som ser helt vanliga ut på papperet.

Det skapar en balansgång. Långivaren ska följa regelverket utan att göra det krångligt att bli kund, stoppa penningtvätt utan att screena bort bra kunder och hålla nere förlusterna utan att neka bolag som saknar lång historik.

Den som oftast hamnar i kläm är den duktiga företagaren.

Ett ungt bolag, en ovanlig affärsmodell eller ett tillfälligt tapp räcker för att ärendet fastnar i manuell granskning eller nekas maskinellt. Ofta tröttnar kunden innan någon har förstått vem företagaren är och vad bolaget ska bli.

Därför finns Key Insights. Vi gör människan bakom affären synlig, på ett sätt som går att granska och dokumentera. Kunden beskriver sin verksamhet med egna ord, motorn ställer det mot registren och lyfter fram det som inte hänger ihop. Processen blir enkel för kunden och noggrann för er, så att ni kan säga nej till fel kunder tidigare och ja till rätt kunder oftare.

VILKA VI ÄR

Kreditaffären och beteendevetenskapen i samma team

Martin Branzell

Martin Branzell

VD OCH GRUNDARE

Första anställda på Krea Technology, Sveriges och Finlands största förmedlare av företagslån. Sju år med affärsutveckling och bankpartnerskap i Sverige, Finland och Baltikum, med plats i ledningsgruppen.

Sverker Sikström

Sverker Sikström

MEDGRUNDARE, AI OCH TEKNIK

Professor i kognitiv psykologi med språkanalys med AI som forskningsfält. Leder utvecklingen av motorn och av TalkToAlba, där samma teknik redan används skarpt.

KONTAKT

Se motorn läsa era egna ärenden

Boka en demo så går vi igenom ert onboardingflöde och visar vad motorn hittar i ett urval av era ärenden.

Boka en demo
Martin Branzell, VD och grundare martin@keyinsights.se