How Top CEE Companies Are Re-Engineering with AI: Real-World Case Studies

The gap isn't usually caused by a lack of talent or a poor choice of model. It's a strategic mistake: treating AI as a magic feature to be sprinkled on top of a product rather than a rigorous company-wide AI implementation built from the ground up to serve a specific purpose.

However, a select group of larger companies, particularly in the CEE region, is showing how to implement AI successfully. They are not merely experimenting. They are fundamentally re-architecting their operations around specific, high-value workflows. Below, we examine how these companies are using AI to solve real-world business problems in a selected industry verticals.

E-commerce

At scale, leading e-commerce companies converge on a clear AI strategy for product discovery and personalization. Global platforms such as Amazon, Alibaba, and Zalando have evolved beyond fragmented recommendation engines toward unified, deep-learning–based retrieval and ranking systems. These architectures use shared embeddings to power search, recommendations, and personalization across the entire customer journey. Rather than optimizing individual models in isolation, these companies design AI systems around high-value business workflows, reducing discovery friction, improving relevance, and directly impacting conversion rates, click-through rates, and gross merchandise value (GMV). This systems-level approach to AI product discovery has become a defining capability of top-performing e-commerce marketplaces.

Allegro: AI-Powered Product Discovery

One of the most expensive challenges for a marketplace like Poland's Allegro is discovery friction. If customers cannot find what they need within seconds, they leave. Traditionally, this was addressed with dozens of specialized rule-based or narrowly trained recommendation models, such as "people also bought" or "similar styles," which led to fragmented discovery experiences.

At Allegro's scale, managing twenty separate systems became unsustainable. Allegro replaced them with a unified AI-driven Two-Tower architecture, where deep learning models learn representations of users, queries, and products from large-scale behavioral and catalog data. By embedding users and items into a shared vector space, the model can predict relevance and retrieve the most relevant products across many recommendation scenarios.

The Business Outcome: By powering recommendations with one AI engine, Allegro delivered a more consistent discovery experience and measurable business impact. A/B tests showed click-through rate lifts of roughly 1 to 2.4 percent and GMV per visit increases of up to 0.3 percent, as recommendations stayed relevant across the customer journey.

Marketplaces

Large consumer marketplaces and resale platforms face a shared AI challenge: enabling fast, relevant search across massive, constantly changing catalogs while keeping infrastructure costs under control. Companies such as Etsy, eBay, and Mercari increasingly rely on hybrid AI search architectures that combine traditional keyword filtering with vector-based semantic and visual search. These systems allow marketplaces to scale discovery without linear growth in compute costs, improving search relevance, result depth, and transaction success rates. Vinted’s approach follows this same industry pattern, demonstrating how modern AI search infrastructure can directly translate into both operational efficiency and revenue growth.

Vinted: AI Search Optimization

Lithuania's Vinted faced a classic scaling challenge: how do you allow millions of users to search through a billion unique, ever-changing items without your server costs spiraling out of control?

They moved away from traditional keyword-heavy search and implemented hybrid AI search using an engine called Vespa. This allowed them to combine standard search filters (like size or brand) with AI-powered vector search (which understands the visual or stylistic context of an item).

The Business Outcome: By modernizing their search architecture, Vinted actually cut their server requirements in half, from 120 servers down to 60. More importantly, they increased the depth of their search results, meaning the AI looks at more potential matches for every query. This directly resulted in more successful transactions and a reported €3.5M increase in GMV.

Banking

Across retail and digital banking, leading institutions are rethinking AI assistants as execution engines rather than conversational interfaces. Banks such as Bank of America, BBVA, and ING have moved beyond FAQ-style chatbots toward AI systems tightly integrated with core banking infrastructure. These assistants are designed to authenticate users, execute transactions, and resolve high-frequency service requests end to end, reducing call center load while improving customer experience and availability. PKO Bank Polski’s implementation follows this same systems-level approach, showing how AI-driven banking assistants can deliver real operational scale rather than incremental automation.

PKO Bank Polski: AI Banking Assistant

Most bank chatbots are little more than interactive FAQ pages. They frustrate users and eventually lead to an expensive phone call with a human agent. Poland's PKO Bank Polski decided to focus on transactional execution rather than just answering questions.

They integrated their voice assistant directly into the bank's core systems. This means when a user talks to the app, the AI isn't just looking for a document. It is authorized to check balances, initiate payments, or block a lost credit card.

The Business Outcome: With over 50 million conversations handled, the bank has successfully shifted high-volume, repetitive tasks away from human call centers. This isn't just about saving money. It's about providing instant, 24/7 service that doesn't need increased headcount to scale.

Industrial

Across heavy industry and advanced manufacturing, leading companies are increasingly deploying computer vision to automate quality control and eliminate manual inspection bottlenecks. Steel producers and industrial manufacturers such as ArcelorMittal, Thyssenkrupp, and Tata Steel use AI-powered visual inspection systems to monitor raw materials, detect defects, and ensure consistent quality in real time. These computer vision solutions are designed to operate in harsh industrial environments, handling variable lighting, dust, and high throughput, while improving accuracy, safety, and cost efficiency. Sudolabs has worked for one of the CEE leaders in steel manufacturing. Our implementation demonstrates how this same approach can be successfully applied in a CEE industrial context through targeted AI re-engineering of a single high-impact workflow.

CEE Steel Manufacturing Leader (Sudolabs Case Study): Computer Vision for Quality Control

For large industrial manufacturers, quality control is both critical and costly. Inspecting raw materials traditionally required manual review of video footage by human operators, a process that was slow, error-prone, and exposed workers to hazardous conditions.

We partnered with our client to redesign this workflow using AI-powered computer vision. Instead of relying on manual inspection, we built a custom AI model trained to analyze live video streams from conveyor belts and automatically recognize and measure coal chunks in real time, under varying lighting and resolution conditions.

The Business Outcome: The AI system achieved over 95 percent accuracy and enabled the complete removal of manual video analysis from the process. This improved consistency and precision, reduced operational costs, and eliminated the need for human operators to work in risky environments, turning a labor-intensive bottleneck into a scalable, automated workflow.

Digital platforms

For large, multi-vertical digital platforms, fraud prevention has become a shared AI infrastructure problem rather than a product-specific feature. Companies such as Uber, DoorDash, and PayPal increasingly rely on centralized, real-time AI fraud detection platforms that operate across geographies and business lines. These systems evaluate user and transaction risk at key checkpoints, such as onboarding, payments, and service requests, allowing platforms to scale into new markets without rebuilding fraud logic for each product. Bolt’s approach mirrors this best practice, showing how AI-driven fraud infrastructure can accelerate growth while protecting revenue at scale.

Bolt: AI Fraud Detection Platform

As a multi-vertical platform (ride-hailing, delivery, and rentals), Estonia's Bolt faces a unique fraud challenge. Building a separate fraud detection system for every single country and service would be incredibly inefficient.

Instead, they built a centralized AI-powered Anti-Fraud Platform that uses real-time checkpoints. Every time a user signs up, adds a payment method, or requests a ride, the system runs a quick AI-based risk assessment against a vast repository of past proven cases.

The Business Outcome: By standardizing risk as a shared service, Bolt can deploy new features or enter new markets much faster. They don't have to re-solve fraud every time they launch a new product. The AI-driven checkpoints provide a consistent safety net that protects the entire company's revenue.

What Can Your Business Learn from These AI Implementation Leaders?

While these companies are large, their AI strategies are pragmatic and applicable to any scaling business. The pattern is clear: they stopped chasing AI as a buzzword and started treating it as a tool for workflow optimization.

AI Implementation Checklist for Senior Leaders:

• Don't start with the model: Start with the most frequent, manual, or error-prone workflow in your business.

• Focus on execution, not just information: AI provides the most value when it can actually do something (like execute a bank transfer) rather than just talk about it.

• Build a vendor-neutral AI foundation: Ensure your data architecture allows you to swap out models as better ones become available. You want to own the workflow, not be locked into a specific AI provider.

At Sudolabs, we help companies move from conceptual AI pilots to this level of production maturity by designing AI solutions around core workflows, just like the leading enterprises above. We can step in when a use case is already defined or analyze the business from the ground up to identify where AI can drive the most efficiency. Whether it's modernizing search, automating quality control, or building intelligent fraud detection, the goal is always the same: turning AI technology investments into measurable business outcomes.

👉 Contact us at [email protected] to discuss your AI opportunities.

Slovak Version

Ako popredné firmy v CEE transformujú svoje podnikanie s AI: Reálne prípadové štúdie

Pre väčšinu manažérov pôvodné nadšenie z umelej inteligencie vypršalo pomerne rýchlo. Hoci to vyzerá, že takmer každá firma sa už aspoň raz snažila AI vyskúšať, percento projektov, ktoré skutočne posúvajú zisky hore, zostáva prekvapivo nízke.

Problém zvyčajne nespočíva v nedostatku talentu ani v zlej voľbe poskytovateľa AI. Ide o strategickú chybu: firmy pristupujú k AI ako len k ďalšiemu dodatku, ktorý stačí pridať k produktu, namiesto toho, aby vybudovali dôkladnú implementáciu pre konkrétny účel od základov.

Určitá skupina veľkých spoločností, predovšetkým v regióne strednej a východnej Európy, však ukazuje, ako AI implementovať úspešne. Neexperimentujú len tak. Zásadne menia architektúru svojich procesov okolo konkrétnych pracovných postupov s vysokou pridanou hodnotou. V tomto blogu sa pozrieme, ako tieto firmy využívajú AI na riešenie skutočných biznisových problémov.

E-commerce

Popredné e-commerce spoločnosti sa vo veľkej miere zhodujú na jasnej AI stratégii pre objavovanie produktov a personalizáciu. Globálne platformy ako Amazon, Alibaba a Zalando sa posunuli od fragmentovaných odporúčacích mechanizmov k jednotným systémom vyhľadávania a radenia založeným na hlbokom učení. Tieto architektúry využívajú zdieľané embeddingy na podporu vyhľadávania, odporúčaní a personalizácie naprieč celou zákazníckou cestou. Namiesto optimalizácie jednotlivých modelov izolovane navrhujú tieto spoločnosti AI systémy okolo vysoko hodnotných biznisových procesov, čím znižujú trenie pri objavovaní produktov, zvyšujú relevanciu a priamo ovplyvňujú konverzné pomery, mieru preklikov a hrubú hodnotu predaného tovaru (GMV). Tento systémový prístup k AI v oblasti objavovania produktov sa stal jednou z kľúčových schopností najvýkonnejších e-commerce marketplace platforiem.

Allegro: AI optimalizácia vyhľadávania produktov

Jednou z najnákladnejších výziev pre marketplace ako je poľské Allegro je problém s objavovaním produktov. Ak zákazníci nenájdu to, čo potrebujú, do niekoľkých sekúnd, odídu. Tradične sa to riešilo desiatkami špecializovaných systémov založených na pravidlách alebo úzko vytrénovaných odporúčacích modelov, ako „ľudia si tiež kúpili" alebo „podobné štýly", čo viedlo k fragmentovanému používateľskému zážitku.

Pri rozsahu Allegra sa správa dvadsiatich samostatných systémov stala neudržateľnou. Allegro ich nahradilo jednotnou AI architektúrou Two-Tower, kde sa ML modely naučia reprezentácie používateľov, dopytov a produktov z veľkého množstva behaviorálnych a katalógových dát. Vložením používateľov a položiek do spoločného vektorového priestoru dokáže model predpovedať relevanciu a vyhľadať najrelevantnejšie produkty v mnohých odporúčacích scenároch.

Biznisový výsledok: Poháňaním odporúčaní jednotným AI systémom Allegro dosiahlo konzistentnejší zážitok z objavovania produktov a merateľný obchodný vplyv. A/B testy ukázali nárast miery prekliknutia približne o 1 až 2,4 percenta a zvýšenie GMV na návštevu až o 0,3 percenta, vďaka tomu, že odporúčania zostali relevantné počas celej zákazníckej cesty.

Marketplace platformy

Veľké spotrebiteľské marketplace platformy čelia spoločnej AI výzve: umožniť rýchle a relevantné vyhľadávanie v rozsiahlych, neustále sa meniacich katalógoch pri zachovaní kontroly nad infraštruktúrnymi nákladmi. Spoločnosti ako Etsy, eBay a Mercari sa čoraz viac spoliehajú na hybridné AI architektúry vyhľadávania, ktoré kombinujú tradičné filtrovanie podľa kľúčových slov s vektorovým sémantickým a vizuálnym vyhľadávaním. Tieto systémy umožňujú marketplace platformám škálovať objavovanie produktov bez lineárneho rastu výpočtových nákladov, pričom zlepšujú relevanciu vyhľadávania, presnosť výsledkov a úspešnosť transakcií. Prístup spoločnosti Vinted nasleduje tento rovnaký odvetvový vzorec a ukazuje, ako môže moderná AI infraštruktúra pre vyhľadávanie priamo prispieť k vyššej prevádzkovej efektivite aj rastu príjmov.

Vinted: AI optimalizácia vyhľadávania

Litovský Vinted čelil klasickej výzve škálovania: ako umožniť miliónom používateľov prehľadávať miliardu unikátnych, neustále sa meniacich položiek bez toho, aby náklady na servery konštantne rástli?

Opustili tradičné vyhľadávanie založené na kľúčových slovách a implementovali hybridné AI vyhľadávanie pomocou nástroja Vespa. To im umožnilo kombinovať štandardné vyhľadávacie filtre (ako veľkosť alebo značka) s AI vektorovým vyhľadávaním (ktoré rozumie vizuálnemu alebo štylistickému kontextu položky).

Biznisový výsledok: Modernizáciou architektúry vyhľadávania Vinted skutočne znížil požiadavky na servery na polovicu, zo 120 serverov na 60. Čo je ešte dôležitejšie, zvýšili hĺbku výsledkov vyhľadávania, čo znamená, že AI analyzuje viac potenciálnych zhôd pre každý dopyt. To priamo viedlo k väčšiemu počtu úspešných transakcií a nahlásenému zvýšeniu GMV o 3,5 milióna eur.

Bankovníctvo

Naprieč retailovým aj digitálnym bankovníctvom popredné inštitúcie prehodnocujú úlohu AI asistentov a vnímajú ich skôr ako exekučné nástroje než konverzačné rozhrania. Banky ako Bank of America, BBVA a ING sa posunuli od chatbotov typu FAQ k AI systémom úzko integrovaným s jadrovou bankovou infraštruktúrou. Títo asistenti sú navrhnutí tak, aby dokázali autentifikovať používateľov, vykonávať transakcie a end-to-end riešiť vysokofrekvenčné servisné požiadavky, čím znižujú zaťaženie call centier a zároveň zlepšujú zákaznícku skúsenosť aj dostupnosť služieb. Implementácia v PKO Bank Polski nasleduje tento systémový prístup a ukazuje, ako môžu AI asistenti v bankovníctve priniesť skutočný prevádzkový rozsah, nie len inkrementálnu automatizáciu.

PKO Bank Polski: AI bankový asistent

Väčšina bankových chatbotov sú len interaktívne FAQ stránky. Frustrujú používateľov a nakoniec vedú k nákladnému telefónickému hovoru s ľudským operátorom. Poľská PKO Bank Polski sa rozhodla zamerať na vykonávanie transakcií namiesto len odpovedania na otázky.

Integrovali hlasového asistenta priamo do hlavných systémov banky. To znamená, že keď používateľ komunikuje s aplikáciou, AI nehľadá len dokument. Je oprávnená kontrolovať zostatky, iniciovať platby alebo zablokovať stratenú kreditnú kartu.

Biznisový výsledok: S viac ako 50 miliónmi konverzácií banka úspešne presunula vysoko-frekventované, opakujúce sa úlohy preč od ľudských call centier. Nejde len o úsporu peňazí. Ide o poskytovanie okamžitej, nepretržitej služby, ktorá nepotrebuje zvyšovanie počtu zamestnancov na škálovanie.

Priemysel

Naprieč ťažkým priemyslom a pokročilou výrobou popredné spoločnosti čoraz častejšie nasadzujú počítačové videnie na automatizáciu kontroly kvality a odstránenie komplikácií spojených s manuálnou inšpekciou. Výrobcovia ocele a priemyselné podniky ako ArcelorMittal, Thyssenkrupp a Tata Steel využívajú AI vizuálne kontrolné systémy na monitorovanie surovín, detekciu defektov a zabezpečenie konzistentnej kvality v reálnom čase. Tieto riešenia počítačového videnia sú navrhnuté tak, aby fungovali v náročnom priemyselnom prostredí, zvládali premenlivé osvetlenie, prach aj vysokú priepustnosť výroby a zároveň zvyšovali presnosť, bezpečnosť a nákladovú efektivitu. Spolupracovali sme s jedným z lídrov výroby ocele v regióne CEE, kde naša implementácia ukazuje, ako možno rovnaký prístup úspešne aplikovať aj v stredoeurópskom priemyselnom kontexte prostredníctvom cielenej AI re-architektúry jedného vysoko dopadového pracovného postupu.

CEE líder vo výrobe ocele (Sudolabs prípadová štúdia): Počítačové videnie pre kontrolu kvality

Pre veľkých priemyselných výrobcov je kontrola kvality kritická a zároveň nákladná. Kontrola materiálov tradične vyžadovala manuálne preskúmanie videozáznamu ľudskými operátormi, čo bol pomalý, náchylný na chyby proces, ktorý vystavoval pracovníkov nebezpečným podmienkam.

S klientom sme spolupracovali na prepracovaní tohto pracovného postupu pomocou AI počítačového videnia. Namiesto spoliehania sa na manuálnu kontrolu sme vytvorili vlastný AI model vytrénovaný na analýzu živých video streamov z dopravníkových pásov a automatické rozpoznávanie a meranie kusov uhlia v reálnom čase, pri rôznych svetelných podmienkach a rozlíšeniach.

Biznisový výsledok: AI systém dosiahol viac ako 95-percentnú presnosť a umožnil úplné odstránenie manuálnej analýzy videa z procesu. To zlepšilo konzistentnosť a presnosť, znížilo prevádzkové náklady a odstránilo potrebu, aby ľudskí operátori pracovali v rizikovom prostredí, čím sa pracovne náročné úzke miesto zmenilo na škálovateľný, automatizovaný pracovný postup.

Digitálne platformy

Pre veľké, multivertikálne digitálne platformy sa prevencia podvodov stala skôr problémom zdieľanej AI infraštruktúry než funkciou viazanou na konkrétny produkt. Spoločnosti ako Uber, DoorDash a PayPal čoraz viac využívajú centralizované, real-time AI platformy na detekciu podvodov, ktoré fungujú naprieč geografickými oblasťami a obchodnými líniami. Tieto systémy vyhodnocujú riziko používateľov a transakcií v kľúčových kontrolných bodoch, ako sú onboarding, platby a žiadosti o služby, čo platformám umožňuje škálovať do nových trhov bez potreby znovu budovať logiku prevencie podvodov pre každý produkt. Prístup spoločnosti Bolt kopíruje túto osvedčenú prax a ukazuje, ako môže AI infraštruktúra pre prevenciu podvodov urýchliť rast a zároveň chrániť príjmy v veľkom meradle.

Bolt: AI platforma na detekciu podvodov

Ako multi-vertikálna platforma (zdieľanie jázd, doručovanie a prenájmy) čelí estónsky Bolt unikátnej výzve v oblasti podvodov. Budovanie samostatného systému na detekciu podvodov pre každú krajinu a službu by bylo neuveriteľne neefektívne.

Namiesto toho vytvorili centralizovanú AI Anti-Fraud platformu, ktorá využíva kontrolné body v reálnom čase. Vždy, keď sa používateľ registruje, pridá platobnú metódu alebo požiada o jazdu, systém vykoná rýchle AI hodnotenie rizika oproti obrovskému úložisku minulých overených prípadov.

Biznisový výsledok: Vdaka štandardizáciou rizika pomocou AI môže Bolt nasadzovať nové funkcie alebo vstupovať na nové trhy oveľa rýchlejšie. Nemusia riešiť podvody zakaždým, keď spúšťajú nový produkt. AI kontrolné body poskytujú konzistentnú ochrannú sieť, ktorá chráni príjmy celej spoločnosti.

Čo sa od týchto lídrov môžete naučiť o implementácii AI?

Hoci sú tieto firmy veľké, ich AI stratégie sú pragmatické a aplikovateľné na akékoľvek rastúce podnikanie. Vzorec je jasný: prestali naháňať AI ako buzzword a začali k nej pristupovať ako k nástroju na optimalizáciu konkrétnych pracovných postupov.

Kontrolný zoznam implementácie AI pre manažment:

• Nezačínajte modelom: Začnite s najčastejším, manuálnym alebo najnáchylnejším na chyby pracovným postupom vo vašom podnikaní.

• Zamerajte sa na vykonávanie, nie len informácie: AI poskytuje najväčšiu hodnotu, keď môže skutočne niečo urobiť (ako vykonať bankový prevod) namiesto toho, aby o tom len hovorila.

• Vytvorte vendor-neutrálny AI základ: Zabezpečte, aby vaša dátová architektúra umožňovala vymieňať modely, keď sa dostupnú lepšie. Chcete vlastniť pracovný postup, nie byť uzamknutí u konkrétneho AI poskytovateľa.

V Sudolabs pomáhame firmám posunúť sa od koncepčných AI proketov k tejto úrovni produkčnej zrelosti návrhaním AI riešení okolo kľúčových pracovných postupov, rovnako ako popredné firmy vyššie. Môžeme vstúpiť, keď je prípad použitia už definovaný, alebo analyzovať podnikanie od základov a identifikovať, kde môže AI priniesť najväčšiu efektivitu. Či už ide o modernizáciu vyhľadávania, automatizáciu kontroly kvality alebo budovanie inteligentnej detekcie podvodov, cieľ je vždy rovnaký: premeniť investície do AI technológií na merateľné obchodné výsledky.

👉 Kontaktujte nás na [email protected] a porozprávajme sa o vašich AI príležitostiach.