Varje morgon öppnar du din laptop och möts av en ny avisering. Ditt CRM-system har nu en ”AI-assistent”. Ditt projektverktyg har en ”AI-skribent”. Till och med ditt bokföringsprogram har en instrumentpanel för ”AI-insikter”. Det känns som om svaret på frågan bör jag använda AI i mitt företag redan har avgjorts åt dig av dina programvaruleverantörer. De har klistrat en glänsande ”AI-driven”-etikett på de verktyg du redan betalar för, vanligtvis åtföljt av en tyst prisökning eller en ny ”Pro”-nivå.
Men här är den hårda sanningen som jag har observerat efter att ha hjälpt hundratals företag att navigera i denna övergång: de flesta av dessa funktioner är en fälla. De hjälper dig inte att transformeras; de hjälper programvaruleverantören att undvika att bli irrelevant. Om din AI-strategi helt och hållet består av att klicka på den nya ”Magic”-knappen i dina legacy SaaS-verktyg, bygger du inte ett AI-först-företag. Du betalar bara en ”gränssnittsskatt” på teknik som du skulle kunna använda mer effektivt – och mycket billigare – på egen hand.
”Feature-Bloat-fallasynen”: Varför påklistrad AI misslyckas
💡 Vill du att Penny ska analysera ditt företag? Hon kartlägger vilka roller AI kan ersätta och bygger en etappplan. Starta din kostnadsfria provperiod →
För att förstå varför du bör vara skeptisk måste vi titta på ”Feature-Bloat-fallasynen” (bedrägeriet om funktionsöverflöd). Legacy-programvaruföretag befinner sig just nu i ett tillstånd av tyst panik. Hela deras affärsmodell bygger på ”seats” – antalet människor som loggar in i en instrumentpanel för att utföra uppgifter. AI minskar till sin natur behovet av att människor loggar in i instrumentpaneler.
Detta skapar en grundläggande intressekonflikt. Ett legacy-CRM-företag vill inte automatisera din försäljningsprocess så fullständigt att du bara behöver en licens istället för tio. De vill ge dig precis tillräckligt med AI för att du ska fortsätta betala för de där tio licenserna. Detta resulterar i vad jag kallar ”Wrapped AI” – ett tunt lager av funktionalitet byggt ovanpå en generell modell (som GPT-4) som är begränsad till att endast fungera inom det specifika verktygets ekosystem.
När människor frågar mig, ”Bör jag använda AI i mitt företag via de verktyg jag redan har?”, är mitt svar vanligtvis ett varnande ”nej”. Om AI:n inte kan kommunicera med dina andra system, om den inte kan utlösa åtgärder utanför sitt eget fönster, och om den kräver att en människa sitter där och matar in instruktioner manuellt, är det inte en effektivitetsvinst. Det är en distraktion.
Gränssnittsskatten: Du betalar för privilegiet av friktion
Ett av de kärnbegrepp jag delar med prenumeranter på aiaccelerating.com är gränssnittsskatten (The Interface Tax).
Historiskt sett betalade vi för SaaS eftersom användargränssnittet (UI) gjorde komplexa databaser lätta för människor att navigera i. Vi betalade för knapparna, menyerna och den visuella layouten. Men i en AI-först-värld är gränssnittet ofta flaskhalsen. AI behöver inga knappar. Den behöver API-åtkomst till rådata.
När ett legacy-verktyg debiterar dig extra £30 per användare för ”AI-funktioner”, tar de ofta bara betalt för ett snyggare sätt att få tillgång till en modell som kostar bråkdelen av ett öre att använda direkt. Du betalar en premie för en begränsad upplevelse. Till exempel kan en ”AI-skribent” i ett projektverktyg hjälpa dig att formulera en uppgift, men den kommer inte att automatiskt uppdatera dina IT-supportärenden eller synkronisera med din kundfeedbackloop såvida inte leverantören har byggt just den specifika integrationen.
Däremot använder ett AI-native tillvägagångssätt en orkestrerare för att flytta data mellan verktyg. Du slutar betala för ”gränssnittet” och börjar betala för ”resultatet”.
Mönsterigenkänning: 90/10-regeln för SaaS-transformation
Jag har upptäckt ett återkommande mönster i olika branscher, från detaljhandel till professionella tjänster. Jag kallar det 90/10-regeln.
Inom nästan varje affärsfunktion kan AI nu hantera 90 % av det rutinmässiga, datatunga utförandet. De återstående 10 % kräver mänskligt omdöme, empati eller strategisk tillsyn. Legacy SaaS-verktyg är designade för den gamla världen där människor utförde 90 % av arbetet. Deras ”AI-etiketter” är designade för att hjälpa till med de 10 % – utkast, sammanfattningar, att ”komma igång”.
Verklig transformation sker när du vänder på steken. Du använder inte AI för att hjälpa en människa att göra arbetet; du använder AI för att göra arbetet och låter människan övervaka resultatet. Detta kräver vanligtvis att man rör sig bort från ”allt-i-ett”-plattformar mot en uppdelad stack av specialiserade, AI-native verktyg som kommunicerar via API:er.
Argumentet för disaggregering: Varför ”Headless” är bättre
Om du på allvar överväger hur du bör använda AI i ditt företag, måste du titta på ”Headless”-verksamhet. Detta är ett koncept lånat från webbutveckling, där back-end (data och logik) är separerad från front-end (UI).
När du använder AI:n i ett legacy SaaS-verktyg är du låst till deras ”huvud”. Om deras AI inte är särskilt bra på en specifik uppgift, är du fast. Om du disaggregerar får du en ”snabbhetsfördel”. Du kan använda den bästa modellen för transkribering, den bästa modellen för dataanalys och den bästa modellen för kundtjänst, där alla matar in information till en central källa av sanning.
Detta handlar inte bara om prestanda; det handlar om sista raden. När vi tittar på besparingar inom SaaS och programvara, kommer de största vinsterna inte från att hitta en billigare version av samma verktyg. De kommer från att eliminera behovet av verktyget helt genom att ersätta det med ett slimmat, AI-drivet arbetsflöde.
Så granskar du din nuvarande stack
Innan du trycker på ”uppgradera” för den där nya AI-nivån, ställ dig själv dessa tre frågor:
- Är detta ”skapande” eller ”operativt”? Om AI:n bara skriver text som en människa ska kopiera och klistra in, är det en leksak. Om den kan utlösa en process i flera steg över olika avdelningar utan mänsklig inblandning, är det ett verktyg.
- Är datan instängd? Har AI:n tillgång till hela ditt företagskontext, eller bara det som finns inuti den specifika programvaran? Isolerad AI är svag AI.
- Vad är kostnaden för ”människan-i-mitten”? Kräver denna funktion fortfarande att en människa loggar in, klickar på en knapp och väntar på ett svar? I så fall har du inte automatiserat kostnaden; du har bara påskyndat uppgiften något.
Penny mot den ”magiska knappen”
Vid det här laget kanske du undrar hur detta skiljer sig från att använda ett generellt verktyg som ChatGPT. Jag har skrivit en detaljerad genomgång om Penny mot ChatGPT som utforskar detta, men den korta versionen är denna: En generell LLM är en kraftfull motor, men den har ingen karta över ditt företag. En legacy SaaS-AI har en karta över ett rum i ditt hus, men den kan inte se resten av byggnaden.
Min roll är att vara arkitekten. Jag ger dig inte bara en bättre ”magisk knapp”. Jag hjälper dig att tänka om kring varför du behövde knappen från första början.
Slutsats: Köp inte emballaget, bygg logiken
Nästa gång en säljare berättar för dig att deras programvara nu är ”AI-driven”, bli inte imponerad. Var nyfiken. Fråga om API-begränsningar, fråga om dataportabilitet och viktigast av allt, fråga varför det fortfarande krävs en licens till fullpris om AI:n gör grovjobbet.
De företag som vinner det kommande decenniet kommer inte att vara de med flest ”AI-etiketter” på sina gamla verktyg. Det kommer att vara de som hade modet att skala bort de tunga gränssnitten och bygga smidigare, snabbare ”headless”-verksamheter som sätter AI i centrum, inte i utkanten.
Om du är redo att sluta betala gränssnittsskatten och börja bygga en riktig AI-strategi, låt oss titta på din verksamhet. Målet är inte att ha ”AI-driven” programvara; det är att ha ett AI-drivet företag.
Vilken ”AI-funktion” har du provat nyligen som kändes mer som en gimmick än något som faktiskt förändrade spelplanen? Låt oss prata om varför.