Når AI udfører arbejdet: Så skal SaaS-forretningsmodeller ændres

SaaS-industrien blev bygget på den simple antagelse, at software hjælper folk med at udføre arbejde. Hver prismodel, produktplan og salgsstrategi i de sidste to årtier har været organiseret omkring denne antagelse. En plads er en person, en licens er en bruger, og en fornyelse er hvad der sker, når brugeren beslutter, at værktøjet stadig er værdifuldt.

AI bryder den grundlæggende antagelse. Software hjælper ikke længere kun folk med at udføre arbejde. I mange tilfælde udfører den arbejdet i stedet. Det har konsekvenser for SaaS-forretningsmodellen. Det hæver også standarden for, hvad der gør specialiseret software værdifuld og defensibel.

Feature‑konkurrencen er allerede afgjort

AI har gjort softwarefunktionudvikling til en vare på et tempo, som branchen ikke var forberedt på. I begyndelsen af 2024 byggede det kinesiske laboratorium DeepSeek byggede en model der var konkurrencedygtig med OpenAIs bedste for cirka 5 millioner dollars, en brøkdel af de anslåede 100 millioner dollars, som OpenAI brugte. Inden for et år replikerede forskere fra UC Berkeley DeepSeek’s kerne‑reasoning‑kapaciteter for omkring 30 dollars. Omkostningskurven for AI‑udvikling er i kraftig nedgang. Et team med den rette API‑adgang og prompt‑engineering kan nu efterligne funktioner, som tidligere tog år at bygge.

Den strategiske implikation er, at hvis enhver funktion kan replikeres på få måneder, så er funktioner ikke længere en holdbar kilde til konkurrencemæssig fordel. At organisere din produktstrategi omkring funktionsdifferentiering efterlader dig i en konkurrence, der aktivt er ved at forsvinde. Det samme gælder for blot at tilføje et AI‑lag til et eksisterende produkt. Efterhånden som adgangen til de underliggende modeller bliver mere udbredt, vil softwarevirksomheder skulle indbygge mere værdi i deres domæneekspertise, arbejdsgange og omkringliggende systemer.

Tag prisproblemet op

Plads‑baseret prisfastsættelse er den mest synlige ofring i overgangen til AI‑drevet arbejde. Modellen gav mening, da software var et værktøj. En person, med én licens, og én plads. Når AI‑agenter håndterer opgaver autonomt, fungerer den logik ikke længere. Du kan ikke opkræve per plads, når pladsen er en bot, eller når en enkelt implementering håndterer arbejdsbyrden for dusinvis af brugere.

Analytikere hos Gartner forudsiger, at mindst 40 % af enterprise‑SaaS‑udgifterne vil skifte til forbrugs‑baserede, agent‑baserede eller resultatbaserede modeller inden 2030, med andelen af plads‑baseret indtægt, der falder fra 21 % til 15 %. Markedet bevæger sig allerede i den retning. Zendesk lancerede resultatbaseret prisfastsættelse i august 2024, med fakturering per løst kundesamtale i stedet for per bruger. Salesforce fulgte med Agentforce til $2 per AI‑samtale.

Branchens største aktører har accepteret, at den gamle model ikke passer til den nye virkelighed. Hvis du venter på, at markedet tvinger ændringen, arver du de vilkår, som de første, der gik videre, har sat.

Der er også et problem på omkostningssiden. Traditionel SaaS nød godt af næsten nul marginalomkostninger. Når softwaren først var bygget, var betjening af en ekstra kunde næsten gratis. AI‑drevede produkter har betydelige variable beregningsomkostninger, som skalerer med brugen. Plads‑prissætning var aldrig designet til dette niveau af variabilitet. Hvert firma, der stadig kører en plads‑model oven på et AI‑drevet produkt, håndterer en strukturel mismatch, som til sidst vil kræve en løsning.

Arbejdsgangs‑ejerskab som den nye produktstrategi

Hvis funktioner ikke er voldgraven, og pladser ikke er den rette værdi‑enhed, hvad er så? Når virksomheder bevidst navigerer i denne overgang, finder de ud af, at svaret er arbejdsgangs‑ejerskab. Arbejdsgangs‑ejerskab er den grad, hvormed en platform understøtter og forbinder en sekvens af handlinger på tværs af en kundes operationelle proces, i stedet for kun at håndtere ét trin isoleret.

For produktstrategi gør denne omramning en forskel. Hvor et værktøj løser en specifik opgave, adresserer en arbejdsgangsplatform hele sekvensen: indsamling, behandling, beslutningstagning, opfølgning og måling. Jo mere af den sekvens en platform ejer, desto sværere bliver den at erstatte, fordi omkostningerne ved at skifte omfatter en hel operationel proces, ikke kun en enkelt funktion. Det betyder ikke, at man skal bygge hver komponent internt. I mange tilfælde er den stærkere tilgang at styrke en kernekompetence og forbinde den med virksomheder, der er stærke i tilstødende dele af arbejdsgangen.

Overvej leasing. En AI‑agent, der besvarer lejerspørgsmål, bliver lettere at bygge. Men at flytte en lejer fra forespørgsel til fremvisning afhænger af flere systemer, der arbejder sammen, fra ejendomsdata og planlægning til adgang. Ingen enkelt funktion skaber den oplevelse. Værdien kommer fra, hvordan specialiserede kapaciteter forbinder på tværs af processen.

Ifølge Gartner er integrationskapacitet nu den #3 mest vigtige faktor for globale softwarekøbere. Kun funktioner er ikke nok til at påvirke køberne. De vil også vide, om den integrerer med de systemer, som deres teams allerede er afhængige af, og om integrationerne går dybt nok til at fjerne friktion gennem hele arbejdsgangen.

Dette ændrer, hvordan softwarevirksomheder bør evaluere deres egne produktroadmaps. Spørgsmålet er mindre “hvad skal vi bygge næste gang” og mere “hvilke dele af kundens arbejdsflow rører vi endnu ikke ved, og hvad vil det kræve at eje dem.” Partnerskaber med tilstødende platforme, dataleverandører og servicelag bliver lige så strategisk vigtige som intern udvikling. Fragmentering kunne engang have tjent som en form for forsvar, hvor hver leverandør beskytter sin egen del af teknologistakken. Efterhånden som individuelle funktioner bliver lettere at reproducere, kan den tilgang arbejde imod virksomheder.

Proprietær kontekst er den nye låseindlåsning

I den traditionelle SaaS-model kom låsning fra skifteomkostninger. Migrering af data, genuddannelse af brugere og genopbygning af integrationer kræver al betydelig tid og indsats. I en AI-drevet model opstår en dybere og mindre synlig form for låsning: proprietær kundekontekst.

AI-systemer er kun så nyttige som de data, de arbejder på. En generel AI-model kan besvare generelle spørgsmål. Et AI-system indlejret i en platform, der har akkumuleret år af en kundes arbejdsflowhistorik, adfærdsmønstre, konfigurationsbeslutninger og relationsdata, kan handle med kontekstuel intelligens, der er specifik for den kundes situation. Generelle modeller kan ikke dette, og det gør proprietær kontekst til en solid konkurrencefordel inden for software.

RSM US bekræfter denne retning, bemærker, at virksomheder, der med succes udnytter proprietære data, vil se gevinster i kundebevarelse, som rene funktionskonkurrenter ikke kan matche. Softwarevirksomheder bør investere i indsamling og strukturering af kundespecifik kontekst lige så aggressivt som de investerer i enhver anden kapabilitet. Den kontekst bliver mere værdifuld, når den er knyttet til specialiseret ekspertise, etablerede arbejdsprocesser og de øvrige systemer, der er involveret i at fuldføre arbejdet. En konkurrent kan måske kopiere en enkelt funktion hurtigt, men at reproducere alt omkring den er en meget større opgave.

Dette har også implikationer for, hvordan softwarevirksomheder tænker på datastyring og auditabilitet. Når AI handler på kundekontekst for at udføre væsentlige opgaver, har både leverandør og kunde brug for indsigt i, hvad AI’en gør, og hvorfor. Styring skal være en del af arkitekturen, der gør AI-drevet arbejdsflowejerskab troværdigt.

Hvad sker der, når resultater er produktet

Hvis kunder køber resultater i stedet for værktøjer, skal produktteams tænke grundlæggende anderledes om, hvad de bygger, og hvordan de måler succes. En roadmap organiseret omkring funktioner, der skal leveres, er det forkerte instrument for et produkt, der er organiseret omkring leverede resultater. Udviklere bør fokusere mindre på, hvad de udgiver i et kvartal, og mere på, hvad de har opnået for deres kunder, samt om disse resultater er målbare, tilskrivelige og gentagelige.

Produktchefer, der har tilbragt deres karriere med at tænke i termer af funktionsspecifikationer og udgivelsescyklusser, skal udvikle flydende færdigheder i operationelle målinger. Hvordan ser en succesfuld resultat ud, hvordan ved vi, hvornår vi har opnået det, og hvordan sikrer produktdesignet, at AI‑adfærden er konsistent nok til at kunne holdes ansvarlig for resultaterne? Det er en anden disciplin end at bygge software til menneskelige brugere.

Vi kan allerede se denne ændring i, hvordan købere evaluerer leverandører. G2’s anmeldelsesdata viser, at AI‑kapaciteter kun betyder noget, når de er kombineret med målbar operationel værdi. Nyhedsværdi af funktioner mister vægt i købsbeslutninger, mens demonstrerede resultater vinder frem. Leverandører, der stadig primært sælger på kapacitet og overlader resultatspørgsmålet til kunden, befinder sig i stigende grad på den forkerte side af, hvad købere forventer.

Køberen har allerede ændret sig

Enterprise- og mid-market‑operatører venter ikke på, at leverandører indhenter. Evalueringskriterierne er allerede ændret, og købere vil vide, hvad en platform producerer, hvordan den fungerer inden for deres eksisterende arbejdsflow, og hvor dybt den forbinder sig med de systemer, de allerede er afhængige af. Indkøbsdialoger, der tidligere fokuserede på funktionsdemonstrationer og roadmap‑præsentationer, fokuserer i stigende grad på integrationsarkitektur, resultatmåling og operationel ansvarlighed.

Risikoen for SaaS-platforme med tung enterprise‑pr.‑sæde‑eksponering er, at omsætningsmultipler kan blive presset sammen i forhold til virksomheder, der har skiftet mod forbrugs‑ eller resultatbaserede modeller. Investorer indregner risikoen for, at nettoomsætningsbevarelse forværres, efterhånden som kunder erstatter menneskelige sæder med AI‑agenter.

Dette er en kortvarig mulighed for leverandører. Købere former forventninger om, hvordan AI‑native softwareansvar ser ud. Fremadskuende leverandører svarer ved at skabe prisstrukturer, opbygge integrationsdybde og være mere villige til at blive målt på resultater, hvilket giver dem en fordel i fornyelser og udvidelser. Leverandører, der fortsætter med at fokusere på deres funktionssæt, vil opleve, at samtalen i stigende grad bliver irrelevant for, hvad købere faktisk vil vide.

Genovervejelse af standarden for værdi

AI ændrer, hvad software er værd, for hvem, og på hvilke vilkår. Hele apparatet for SaaS‑vurdering blev bygget til en verden, hvor software kun hjalp mennesker med at udføre arbejde. Den verden er ved at slutte.

Den nye æra kræver, at virksomheder behandler dette som et grundlæggende spørgsmål. Hvis AI udfører arbejdet, hvad skal en kunde betale for, og hvorfor? Svaret er en helt ny model, der er centreret omkring resultater, ejerskab af arbejdsprocesser og proprietær kontekst. Det kræver en anderledes tankegang om prisfastsættelse, produktstrategi, partnerskaber og hvordan succes måles.

Feature‑æraen inden for SaaS belønnede det mest kapable værktøj. AI‑æraen vil belønne de virksomheder, hvis specialisering og netværk er sværest at reproducere. At omorganisere sig omkring denne virkelighed i dag giver dig mulighed for at opbygge en voldgrav for det næste årti af enterprise‑software.