Så förändrar AI make-or-buy-kalkylen inom IT

Generativ AI förändrar make-or-buy-kalkylen i grunden. Det är en förändring som inköp måste förstå och förhålla sig aktivt till. I den här artikeln beskriver EFFSOs Rasmus Kjellén vad denna förändring faktiskt innebär för både systemlandskapet, TCO-kalkylen och inköpsorganisationens roll när den köper in systemstöd.

SaaS är inte döende. Men för standardiserade nischprodukter är den traditionella affärsmodellen, högt pris per användare för relativt avgränsade molntjänster, under massivt tryck. Generativ AI förändrar make-or-buy-kalkylen i grunden. Det är en förändring som inköpsorganisationer måste förstå och förhålla sig aktivt till.

Under lång tid har digitaliseringen av inköpsfunktionen följt en tydlig logik: köp ett färdigt system, eller bygg en egen lösning. Med generativ AI, lågkodsplattformar och bättre integrationsverktyg uppstår nu ett tredje alternativ — bygg själv med AI-stöd. Det är varken traditionell egenutveckling eller SaaS. Det är något nytt, och det förändrar förutsättningarna för hur vi utvärderar och anskaffar IT-stöd.

McKinsey konstaterar i en analys från september 2025, baserad på 150 globala mjukvaruleverantörer, att AI håller på att omvandla mjukvara från ett verktyg som stöder arbete till en plattform som aktivt utför det — och att affärsmodellerna ännu inte hängt med. Det är den förändringen vi som köpare behöver förstå och agera på (Källa: McKinsey, 2025).

I denna artikel analyserar jag vad denna förändring faktiskt innebär: för systemlandskapet, för TCO-kalkylen och för inköpsorganisationens roll vid systemanskaffning.

Det nya make-or-buy-paradigmet

Traditionellt har make-or-buy-beslutet inom IT handlat om att väga CapEx-tunga egenutvecklingsprojekt mot förutsägbara OpEx-kostnader i SaaS. Standardsystem innebar snabbt införande, lägre teknisk risk och tillgång till beprövade processer. Egenutveckling motiverades när processerna var tillräckligt unika för att inte hitta en marknadspassande lösning.

AI ritar om den här kalkylen. Inte för att AI ersätter systemen, utan för att AI sänker tröskeln för egenutveckling drastiskt. Det som tidigare krävde ett fullt utvecklingsteam och månader av arbete kan i dag byggas på veckor — genom att kombinera AI-kodgenerering, molnplattformar, färdiga integrationer och intern verksamhetskunskap.

Kalkylen ser numera ut så här:

Analytisk iakttagelse

Inköpsorganisationen behöver inte längre bara jämföra licenskostnaden för ett standardsystem mot traditionell egenutveckling. Den centrala frågan är nu: vad kostar det att köpa, jämfört med att bygga smart med AI-stöd?

Det är värt att notera att SaaS-leverantörerna själva är mitt i en omvälvning. Traditionella prenumerationsmodeller per användare är under press — och ersätts i allt högre grad av konsumtionsbaserade modeller kopplade till faktisk AI-användning. Det förändrar inte bara hur vi betalar, utan hur vi prognostiserar och budgeterar. McKinsey beskriver hur en CFO på ett Fortune 500-bolag formulerade utmaningen: att det är omöjligt att förutse vad AI-tjänster kommer att kosta kommande kvartal när spend är utspridd över tiotals leverantörer utan transparent användningsstruktur. Det är ett köparproblem, inte bara ett leverantörsproblem — och det ställer nya krav på hur inköp hanterar leverantörsdialog och avtalsuppföljning.

Var träffar detta inköpsfunktionen?

Det är viktigt att inte överdriva. Tunga ERP-lösningar påverkas marginellt — åtminstone i närtid. SAP, Oracle och Workday sitter säkert tack vare sina djupa integrationsmöjligheter, legala uppdateringar och mogen compliance-hantering. Komplexiteten är för hög och förändringsrisken för stor för att AI-stödd egenutveckling ska bli ett reellt alternativ i det skiktet.

Däremot finns det ett brett mellanskikt — processnära lösningar som hanterar specifika verksamhetsbehov som ERPet inte täcker tillräckligt bra — där förändringen är omedelbar och verklig:

Fortfarande tryggt i SaaS:

• Tunga ERP-lösningar (SAP, Oracle, Workday)
• System med djupa integrationer och höga transaktionsvolymer
• Lösningar med höga regulatoriska krav
• System som kräver tydlig SLA och leverantörsansvar
• Verksamheter utan intern teknisk kapacitet

Kandidater för AI-stödd build:

• Portaler och onboarding-flöden för externa parter
• Interna beslutsstöd och arbetsflöden
• Webbappar för ärendehantering, intake eller avtal
• Skräddarsydda rapport- och analysverktyg
• Enklare processnära applikationer med specifika krav
• Kommunikations- och uppföljningsverktyg mot partners

Gemensamt för kandidaterna är att de är processnära och viktiga men inte tillräckligt komplexa för att motivera en tung systemsatsning, och inte tillräckligt standardiserade för att en off-the-shelf-lösning ska passa riktigt bra.

Riskerna som inköp måste kvantifiera

En lösning kan vara billig att bygga och dyr att äga. Den stora faran med AI-stödd egenutveckling är inte att det är svårt att komma igång — det är vad som händer efteråt.

Underskattad förvaltning

Att ta fram en första version är relativt enkelt. Att underhålla den — dokumentera, testa, versionera, hantera rättigheter och ge support — är en helt annan sak.

Otydligt ägarskap

Vem ansvarar för kvaliteten? Vem hanterar incidenter? Om ansvaret är luddigt ökar den operativa risken snabbt. ”Personen som byggde det” är inte ett tillräckligt svar.

Säkerhet & datarisk

Standard-SaaS levereras med SOC2, ISO-certifieringar och inbyggd GDPR-hantering. Egenbyggda AI-lösningar överlåter hela det legala ansvaret till den egna organisationen.

Teknisk fragmentering

Om flera delar av verksamheten börjar bygga egna lösningar utan gemensam styrning riskerar systemlandskapet att bli mer splittrat — inte mer effektivt.

Token-chock

API-kostnader för generativ AI kan skena om applikationen skalas upp utan att konsumtionen är optimerad. Det är det nya ”cloud-chock” — och det måste budgeteras för.

Falsk ekonomi

En låg startkostnad skapar ofta ett intryck av att lösningen är billig. Men om den kräver kontinuerlig handpåläggning eller specialkompetens kan totalkostnaden snabbt överstiga ett köpt alternativ.

⚠ Varning: En till synes billig lösning med otydlig styrning, säkerhetsrisker och ingen tydlig förvaltningsplan är inte ett billigt alternativ. Det är en uppskjuten kostnad.

Vad inköp behöver räkna på

Den traditionella systemevalueringen — jämförelse av licenspris, implementationskostnad och leverantörens funktionalitet — är inte längre tillräcklig. Framtidens make-or-buy-beslut kräver ett bredare affärscase som inkluderar:

Vad detta kräver av inköpsorganisationen

Att navigera detta landskap ställer nya krav på inköpsfunktionens kompetens vid systemanskaffning. Det handlar inte om att alla inköpare ska bli mjukvaruutvecklare. Det handlar om förmågan att ställa rätt frågor, tolka svaren och fatta välgrundade beslut.

En underskattad kostnad — oavsett om man köper eller bygger — är förändringsledning. McKinsey noterar att organisationer som lyckas skala AI-lösningar räknar med att för varje investerad krona i modellutveckling behöver tre kronor läggas på förändringsledning: utbildning, processinförande och uppföljning. Det gäller köpta SaaS-lösningar lika mycket som egenutvecklade alternativ, och det är en kalkyl de flesta affärscase fortfarande underskattar. (McKinsey, 2025)

Konkret innebär det att inköp i ökad utsträckning behöver:

Kompetenskrav för framtidens systemanskaffning

Förstå skillnaden mellan fasta och rörliga kostnader i AI-baserade lösningar · Bedöma leverantörsberoenden på plattformsnivå, inte bara leverantörsnivå · Ställa krav på styrning, säkerhet och förvaltningsplan som del av kravspecen · Analysera när standardisering skapar värde och när anpassning gör det · Samverka tvärfunktionellt med IT, informationssäkerhet och juridik redan i behovsanalysen.

Det är inte i första hand en teknisk fråga. Det är en strategisk inköpsfråga. Organisationen som bäst förstår när en process bör standardiseras, differentieras eller automatiseras — är också den som fattar bättre investeringsbeslut.

Slutsats

SaaS är inte döende. Men SaaS som det enda svaret på verksamhetens digitala behov är det. AI gör det möjligt för fler organisationer att bygga enklare, mer verksamhetsnära lösningar utan att gå hela vägen till traditionell egenutveckling. Det polariserar marknaden: enkla nisch-SaaS-produkter pressas från ena hållet av AI-drivet egenbygge, och komplexa plattformar konsolideras runt de aktörer som lyckas inbädda proprietär AI man inte kan replikera på egen hand.

För inköp är detta både en möjlighet och ett ansvar. Möjligheten: att skapa mer träffsäkra, flexibla och kostnadseffektiva lösningar. Ansvaret: att inte underskatta styrningsbehov, säkerhetskrav och långsiktig ägandekostnad.

Den centrala frågan framåt är inte om SaaS är döende. Det är: när skapar vi störst värde genom att köpa, och när gör vi det genom att bygga smart?

PS: Jobbar ni med att se över ert systemlandskap — eller vill ni resonera kring hur make-or-buy-kalkylen ser ut i er situation? Hör gärna av er direkt till mig eller till oss på EFFSO.

/Rasmus Kjellén, managementkonsult på EFFSO