När AI gör jobbet: Hur SaaS‑affärsmodeller måste förändras

SaaS‑branschen byggdes på det enkla antagandet att mjukvara hjälper människor att utföra arbete. Varje prismodell, produktplan och försäljningsstrategi under de senaste två decennierna har organiserats kring detta antagande. En plats är en person, en licens är en användare, och en förnyelse är vad som händer när den användaren beslutar att verktyget fortfarande är värt det.

AI bryter det antagandet i grunden. Mjukvara hjälper inte längre bara människor att utföra arbete. I många fall utför den arbetet istället. Det får konsekvenser för SaaS‑affärsmodellen. Det höjer också standarden för vad som gör specialiserad mjukvara värdefull och försvarbar.

Funktionstävlingen har redan avslutats

AI har gjort mjukvarufunktionsutveckling till en vara i en takt som branschen inte var förberedd på. I början av 2024 byggde det kinesiska laboratoriet DeepSeek byggde en modell som var konkurrenskraftig med OpenAIs bästa för ungefär $5 million, en bråkdel av de uppskattade $100 million som OpenAI spenderade. Inom ett år replikerade forskare vid UC Berkeley DeepSeeks grundläggande resonemangsförmåga för cirka $30. Kostnadskurvan för AI‑utveckling sjunker kraftigt. Ett team med rätt API‑åtkomst och prompt‑engineering kan nu approximera funktioner som tidigare tog år att bygga.

Den strategiska implikationen är att om någon funktion kan replikeras på några månader, så är funktioner inte längre en hållbar källa till konkurrensfördel. Att organisera din produktstrategi kring funktionsdifferentiering lämnar dig att konkurrera på ett område som aktivt eroderas. Detsamma gäller för att helt enkelt lägga till ett AI‑lager på en befintlig produkt. Allt eftersom åtkomsten till de underliggande modellerna blir mer utbredd, kommer mjukvaruföretag behöva bygga mer värde i sin domänexpertis, arbetsflöden och omgivande system.

Ta itu med prissättningsproblemet

Platsbaserad prissättning är den mest synliga offret av övergången till AI‑drivet arbete. Modellen var intuitivt logisk när mjukvara var ett verktyg. En person, med en licens, och en plats. När AI‑agenter hanterar uppgifter autonomt fungerar den logiken inte längre. Du kan inte ta betalt per plats när platsen är en bot, eller när en enda distribution hanterar arbetsbelastningen för dussintals användare.

Analytiker på Gartner förutspår att minst 40 % av företags‑SaaS‑utgifter kommer att övergå till användningsbaserade, agentbaserade eller resultatbaserade modeller till 2030, med andelen intäkter från platsbaserad prissättning som minskar från 21 % till 15 %. Marknaden rör sig redan i den riktningen. Zendesk lanserade resultatbaserad prissättning i augusti 2024, debitering per löst kundinteraktion snarare än per användare. Salesforce följde med Agentforce till $2 per AI‑konversation.

Branschens största aktörer har accepterat att den gamla modellen inte passar den nya verkligheten. Om du väntar på att marknaden tvingar fram förändringen kommer du att ärva de villkor som de som gick först satte.

Det finns också ett problem på kostnadssidan. Traditionell SaaS gynnades av nästan noll marginalkostnad. När en mjukvara väl var byggd var det nästan kostnadsfritt att betjäna en ytterligare kund. AI‑drivna produkter har betydande variabla beräkningskostnader som skalar med användning. Platsbaserad prissättning var aldrig utformad för den nivån av variabilitet. Varje företag som fortfarande använder en platsmodell ovanpå en AI‑driven produkt hanterar en strukturell missanpassning som så småningom kommer att kräva en lösning.

Arbetsflödesägande som den nya produktstrategin

Om funktioner inte är vallgraven och platser inte är rätt värdeenhet, vad är det då? När företag medvetet navigerar denna övergång upptäcker de att svaret är arbetsflödesägande. Arbetsflödesägande är den grad till vilken en plattform stödjer och kopplar ihop en sekvens av åtgärder över en kunds operativa process, istället för att bara hantera ett steg i isolering.

För produktstrategi gör denna omformulering en skillnad. Medan ett verktyg löser en specifik uppgift, adresserar en arbetsflödesplattform hela sekvensen: mottagning, bearbetning, beslutsfattande, uppföljning och mätning. Ju mer av den sekvensen en plattform äger, desto svårare blir den att ersättas eftersom byteskostnaden omfattar en hel operativ process, inte bara en enskild funktion. Det betyder inte att alla komponenter måste byggas internt. I många fall är det starkare att förstärka en kärnkompetens och koppla den till företag som är starka i närliggande delar av arbetsflödet.

Tänk på leasing. En AI‑agent som svarar på hyresgästers frågor blir allt enklare att bygga. Men att föra en hyresgäst från förfrågan till visning beror på att flera system samarbetar, från fastighetsdata och schemaläggning till åtkomst. Ingen enskild funktion skapar den upplevelsen. Värdet kommer från hur specialiserade kapabiliteter kopplas ihop över processen.

Enligt Gartner är integrationsförmåga nu den #3 mest viktiga faktorn för globala mjukvaruköpare. Endast funktioner räcker inte för att övertyga köpare. De vill också veta om den integreras med de system som deras team redan är beroende av, och om dessa integrationer går tillräckligt djupt för att eliminera friktion i hela arbetsflödet.

Detta förändrar hur mjukvaruföretag bör utvärdera sina egna produktplaner. Frågan är mindre “vad ska vi bygga härnäst” och mer “vilka delar av kundens arbetsflöde rör vi ännu inte, och vad krävs för att äga dem”. Partnerskap med närliggande plattformar, dataleverantörer och tjänstelager blir lika strategiskt viktiga som intern utveckling. Fragmentering kunde tidigare fungera som ett försvar, där varje leverantör skyddade sin egen del av teknikstacken. När enskilda funktioner blir lättare att reproducera kan detta tillvägagångssätt arbeta mot företagen.

Proprietär kontext är den nya låsningen

I den traditionella SaaS-modellen kom låsning från bytkostnader. Att migrera data, omskola användare och återupprätta integrationer kräver betydande tid och ansträngning. I en AI‑driven modell uppstår en djupare och mindre synlig form av låsning: proprietär kundkontext.

AI‑system är bara så användbara som de data de arbetar på. En generell AI‑modell kan svara på allmänna frågor. Ett AI‑system inbäddat i en plattform som har samlat år av en kunds arbetsflödeshistorik, beteendemönster, konfigurationsbeslut och relationsdata kan agera med kontextuell intelligens specifik för den kundens situation. Generella modeller kan inte detta, och det gör proprietär kontext till ett starkt konkurrensfördel i mjukvara.

RSM US bekräftar denna riktning, och påpekar att företag som framgångsrikt utnyttjar proprietära data kommer att se ökningar i kundlojalitet som rena funktionskonkurrenter inte kan matcha. Mjukvaruföretag bör investera i insamling och strukturering av kundspecifik kontext lika aggressivt som de investerar i någon annan förmåga. Denna kontext blir mer värdefull när den knyts till specialiserad expertis, etablerade arbetsflöden och de andra systemen som är involverade i att slutföra arbetet. En konkurrent kan snabbt kopiera en enskild funktion, men att reproducera allt runt den är en mycket större insats.

Detta har också konsekvenser för hur mjukvaruföretag tänker kring datastyrning och spårbarhet. När AI agerar på kundkontext för att utföra avgörande uppgifter, behöver både leverantör och kund insyn i vad AI gör och varför. Styrning måste vara en del av arkitekturen som gör AI‑driven ägande av arbetsflöden trovärdigt.

Vad händer när resultat blir produkten

Om kunder köper resultat snarare än verktyg måste produktteam tänka fundamentalt annorlunda kring vad de bygger och hur de mäter framgång. En färdplan organiserad kring funktioner att leverera är fel instrument för en produkt organiserad kring resultat att leverera. Utvecklare bör fokusera mindre på vad de släpper under ett kvartal och mer på vad de har åstadkommit för sina kunder, samt om dessa resultat är mätbara, tillskrivbara och upprepbara.

Produktchefer som har tillbringat karriärer med att tänka i termer av funktionsspecifikationer och release‑cykler måste utveckla flyt i operativa mått. Hur ser ett lyckat resultat ut, hur vet vi när vi har uppnått det, och hur säkerställer produktdesignen att AI‑beteendet är tillräckligt konsekvent för att kunna hållas ansvarigt för resultaten? Det är en annan disciplin än att bygga mjukvara för mänskliga användare att operera.

Vi kan redan se denna förändring i hur köpare utvärderar leverantörer. G2:s recensionsdata visar att AI‑kapabiliteter nu bara spelar roll när de kombineras med mätbart operativt värde. Nyhetsvärde i funktioner tappar i vikt i köpsbeslut, medan demonstrerade resultat ökar. Leverantörer som fortfarande säljer främst på kapabilitet och lämnar resultatfrågan till kunden hamnar alltmer på fel sida av vad köparna förväntar sig.

Köparen har redan förändrats

Stora företag och medelstora operatörer väntar inte på att leverantörer ska komma ikapp. Utvärderingskriterierna har redan förändrats, och köparna vill veta vad en plattform producerar, hur den presterar inom deras befintliga arbetsflöde och hur djupt den kopplas till de system de redan är beroende av. Inköpssamtal som tidigare kretsade kring funktionsdemonstrationer och färdplanpresentationer fokuserar i allt högre grad på integrationsarkitektur, resultatmätning och operativ ansvarsskyldighet.

Risken för SaaS‑plattformar med tung företags‑per‑seat‑exponering är att intäktsmultiplar kan komprimeras i förhållande till företag som gått mot konsumtions‑ eller resultatbaserade modeller. Investerare prissätter in risken att nettointäktsbehållning försämras när kunder ersätter mänskliga platser med AI‑agenter.

Detta är ett kortvarigt tillfälle för leverantörer. Köparna formar förväntningar på hur AI‑native mjukvaruansvar ser ut. Framåttänkande leverantörer svarar genom att skapa prismodeller, bygga djup integration och vara mer villiga att bli mätta på resultat, vilket ger dem en fördel i förnyelser och expansioner. Leverantörer som fortsätter att fokusera på sitt funktionsutbud kommer att finna att samtalet blir alltmer irrelevant för vad köparna faktiskt vill veta.

Ompröva standarden för värde

AI förändrar vad mjukvara är värd, för vem och på vilka villkor. Hela apparaten för SaaS‑värdering byggdes för en värld där mjukvara bara hjälpte människor att utföra arbete. Den världen håller på att ta slut.

Den nya eran kräver att företag behandlar detta som en grundläggande principfråga. Om AI utför arbetet, vad ska en kund betala för, och varför? Svaret är en helt ny modell som är centrerad på resultat, arbetsflödesägande och proprietär kontext. Det kräver ett annorlunda sätt att tänka kring prissättning, produktstrategi, partnerskap och hur framgång mäts.

Funktionseran för SaaS belönade det mest kapabla verktyget. AI-eran kommer att belöna de företag vars specialisering och kontakter är svårast att reproducera. Att omorganisera kring den verkligheten idag gör det möjligt att bygga en vallgrav för nästa decennium av företagsprogramvara.