Det finns ett mönster jag ständigt ser hos B2B-mjukvaruföretag. Någon på styrelsenivå säger "vi behöver AI." En punkt på en roadmap skapas. En utvecklare kopplar ett API-anrop till en LLM. Produktsidan får en ny sektion. Säljpresentationen får en ny slide. Sex månader senare är användningen försumbar, och ingen kan förklara varför.
Svaret är nästan alltid detsamma: de lanserade en AI-funktion, inte en AI-produkt.
Skillnaden mellan funktion och produkt
En AI-funktion förbättrar ett befintligt arbetsflöde — lite grann, i marginalen, på ett sätt som användarna kan leva utan. AI-genererade sammanfattningar av rapporter de redan läser. Ett chattgränssnitt över dokumentation de redan sökt i. Autokomplettering för fält de redan fyller i. Dessa saker kan vara användbara. De är inte en strategi.
En AI-produkt förändrar själva arbetsflödet — vad som är möjligt, vem som gör det, hur lång tid det tar. Den assisterar inte den befintliga uppgiften; den ersätter uppgiften med något som inte hade varit genomförbart tidigare. Tröskeln är enkel: låter detta användarna fatta beslut de inte kunde fatta tidigare, eller bara snabbare versioner av beslut de redan fattat?
De flesta "AI-strategier" är en lista med funktioner. De hör hemma på en roadmap. En riktig AI-strategi börjar med en annan fråga: vilka delar av våra användares arbetsflöde begränsas för närvarande av den mänskliga resonemangshastigheten?
Go-to-market-problemet som ingen pratar om
Inom B2B-mjukvara är personen som köper produkten och personen som använder den varje dag ofta olika personer. En CTO kan bli imponerad av en demo. En inköpschef kan motivera kostnaden med en AI-berättelse. Men om människorna som använder mjukvaran dagligen inte upplever att deras liv har förändrats, blir förnyelsediskussionen smärtsam.
AI-funktioner ger dig fler säljsamtal. De ger dig inte nödvändigtvis förnyelser.
Företagen som vinner med AI inom B2B är de där AI:n förändrar något som den dagliga användaren faktiskt märker. Deras rapport skriver sig själv. Deras kö dirigerar sig själv. Deras avvikelse flaggar sig själv. Inte: "det finns en liten glitterknapp som sammanfattar det du just läste."
Implikationen för go-to-market är underskattad. Om din AI-funktion inte förändrar vilka dina kunder är eller hur de utvärderar dig vid förnyelse, är det ingen strategisk tillgång. Det är ett kostnadsställe som också genererar marknadsföringstext.
Datamodellen är produkten
Det svåraste med riktig AI-integration — den sort som förändrar arbetsflöden — är att det nästan alltid kräver att man först fixar den underliggande datamodellen.
Vi tillbringade flera år med att bygga Response365 som en enhetlig multi-tenant-plattform: varje modul — fakturering, lager, produktion, HR, regelefterlevnad — flödar in i ett enda sammanhängande schema. Vi gjorde det inte för att "möjliggöra AI." Vi gjorde det för att en plattform för företagsstyrning som inte kan svara på frågor över moduler missar hela sitt syfte.
Men konsekvensen är att när vi byggde business intelligence-lagret — där användare ställer frågor på klarspråk om sin verksamhet — fungerar det faktiskt. Systemet vet vad en faktura är, hur den relaterar till en inköpsorder, vad det betyder för kassaflödet och från vilken produktionsbatch den kom. AI:n fungerar eftersom den underliggande datan är sammanlänkad. Det går inte att bara klistra på i efterhand.
De flesta företag försöker göra det på andra hållet: lansera AI-funktionen nu, städa upp datamodellen senare. Senare kommer aldrig. Och därmed vilar AI:n ovanpå ett fragmenterat schema och producerar svar som är rimliga men inte pålitliga, vilket är värre än inget svar alls.
Tre frågor som är mer användbara än "borde vi lägga till AI?"
Vilka beslut i detta arbetsflöde kräver för närvarande att någon håller kontext över mer än två system samtidigt? Det är där AI förändrar resultatet, inte bara hastigheten. Om svaret är "inga", är ditt arbetsflöde redan välstrukturerat och AI-möjligheten är marginell.
Om AI:n har fel, vad händer? Om svaret är "användaren märker det inte", gör din AI inget meningsfullt. Om svaret är "betydande skada", behöver du en human in the loop. De intressanta produkterna lever i mitten — där AI:n ibland har fel, användaren kan se det, och korrigeringsloopen gör systemet smartare över tid.
Vem ändrar sitt beteende på grund av detta? Inte "vem använder funktionen" — vem beter sig annorlunda för att den existerar? Om ingens jobb är väsentligt annorlunda på grund av AI:n, är det en funktion. Om någons arbetsflöde har förändrats i grunden, är det en produkt.
AI-ögonblicket inom B2B-mjukvara är verkligt. Men de flesta företag konkurrerar på fel nivå — de försöker vinna på vilken produkt som har flest AI-funktioner, när de företag som fortfarande kommer att finnas kvar om fem år är de som använde AI för att förändra vad produkten i grunden gör.
Skillnaden mellan de två sakerna är inget ingenjörsproblem. Det är ett produktstrategiskt problem. Och det börjar långt innan det första API-anropet.