10 Minuter
Narrativet var nästan för enkelt för att ifrågasätta: artificiell intelligens stiger, gammal mjukvara faller. Investerare köpte berättelsen snabbt och prisade in en framtid där AI skulle ersätta många befintliga affärsverktyg. Men verkligheten började avbryta den linjära berättelsen. Hypecykler, teknisk komplexitet och organisatoriska realiteter mildrar ofta enkla prediktioner, och marknadens reaktioner visade sig snabbare än företagens faktiska förändringsprocesser. Samtidigt som spekulationer drev aktiekurser ner såg många beslutsfattare behovet av att kombinera AI med befintlig mjukvara, snarare än att kasta ut den.
Brad Lightcap, OpenAI:s operativa chef, köper inte idén att så kallade legacy-programvaruföretag tynar bort i betydelse. Tvärtom ser han ofta motsatsen i de interna arbetsflödena och produktstrategierna hos dessa företag. De aktörer som många antog skulle släpa efter — stora, etablerade moln- och företagsmjukvaruleverantörer — rör sig med oväntad snabbhet för att integrera AI, omforma sina erbjudanden och bevara sina kundrelationer. Förståelsen av hur företagen anpassar sina portföljer bakom kulisserna är kritisk när man bedömer framtiden för mjukvaruindustrin, automatisering och affärssystem.
I ett samtal på Uncapped-podden tog Lightcap avstånd från den senaste marknadspaniken som raderade miljarder i värde från programvaruaktier. Antagandet som drev utförsäljningen var förenklat: om AI kan bygga verktyg, varför förlita sig på traditionella mjukvaruleverantörer? Men den logiken förbiser hur aggressivt och strategiskt många leverantörer anpassar sig, genom att inte bara lägga till AI-funktioner utan också omforma produktarkitekturer, dataintegrationer och kundresor.
Han konstaterade att 'de rör sig lika snabbt som startups' och betonade att djupa, långvariga kundrelationer är en konkurrensfördel som nyare aktörer sällan kan replikera på kort sikt. Den erfarenhet som etablerade företag har av säkerhet, regulatorisk efterlevnad, stora kundinstallationer och komplexa integrationsbehov är inte lätt att ersätta. Därför blir den strategiska frågan hur AI bäst appliceras på befintliga system för att skapa mervärde, snarare än att ersätta dem ordagrant.
Vad marknaden missade
Nedgången som vissa kallade en 'mjukvaruapokalyps' accelererade i februari när nya AI-verktyg visade upp förmågan att automatisera juridiska granskningar och administrativa arbetsuppgifter. Detta skapade en rädsla för dominoeffekter: om AI kan ersätta arbetsflöden kan det också ersätta den underliggande mjukvaran. I praktiken förenklade den berättelsen beslutet för många investerare som snabbt sålde av positioner i mjukvarubolag. Samtidigt saknade många av dessa snabba bedömningar en förståelse för hur företag faktiskt köper, implementerar och skalar mjukvara i stora organisationer.
Rädslan slog hårt. Stora företag som Salesforce, Snowflake och Microsoft såg aktiekurser falla med mellan cirka 24 % och 30 % under året, då investerare prismärkte risker kopplade till automatisering och möjlig kundavflykt. Den underliggande oron var att företag skulle hoppa över leverantörer helt och bygga egna skräddarsydda verktyg direkt med AI-plattformar, vilket i teorin skulle minska efterfrågan på kommersiella mjukvaruprodukter.
Men inom samma företag utvecklas en annan verklighet. Enligt Lightcap handlar det inte bara om att lägga på AI-funktioner som en extra krydda. Många etablerade leverantörer omdesignar hela användarresor, kopplar om backend-arkitekturer för att stödja AI-drivna arbetsflöden, undersöker nya marknadssegment och bygger in automation på en fundamental nivå. Det är ett arbete som omfattar datahantering, säkerhet, implementeringsverktyg och ansvarsfördelning mellan människa och maskin — komponenter som kräver mer än bara en ny modell på ett API.
Den verkliga förändringen är inte ersättning. Den är förnyelse.
AI tar inte bort komplexitet. Det multiplicerar den
Dan Rogers, VD för Asana, ser samma mönster ur ett annat perspektiv. Trots att hans företag var ett av de hårdast drabbade under utförsäljningen, argumenterar han för att AI i många fall ökar behovet av strukturerad mjukvara, snarare än minskar det. När automatisering och AI läggs ovanpå existerande processer uppstår nya krav på koordinering, spårbarhet och ansvarstagande som kräver robusta systemstöd.
Varför? För att koordinering blir svårare, inte enklare. När människor och hundratals eller tusentals AI-agenter börjar arbeta tillsammans i ett företag uppstår ett behov av orkestrering: någon eller något måste fördela uppgifter, övervaka status, hantera prioriteringar och säkerställa att regler och efterlevnad följs. Denna orkestreringsyta försvinner inte när AI införs; den expanderar och kräver mer sofistikerade lösningar för processhantering, auditloggar och beslutsstöd.
När organisationer kombinerar generativa modeller med affärslogik och kunddata uppstår nya lager av komplexitet: datasäkerhet, åtkomstkontroller, modellövervakning, driftssättning i skala och löpande uppdatering av träningsdata. Lösningar som Asana, som fokuserar på arbetsledning och samarbete, kan därför bli mer centrala eftersom de erbjuder strukturer för att hantera den ökade mängden autonoma agenter och automatiska beslutspunkter.
'Koordineringsproblemet växer exponentiellt', noterade Rogers och pekade på att plattformar som redan har etablerade arbetsflödesscheman, roller och ansvarsmekanismer blir mer värdefulla i en AI-först värld. Detta står i kontrast till den populära föreställningen att AI automatiskt förenklar alla delar av arbetet; i praktiken introducerar det ofta nya lager som kräver bättre system, inte färre.
Företag som investerar i governance, datafabriker och integrationsmönster kommer att stå bättre rustade. Det är därför vi ser etablerade mjukvaruleverantörer satsa på plattformsegenskaper som möjliggör säker integration av AI: loggning, modellversionering, rollback-mekanismer och verktyg för mänsklig granskning — områden där snabba pointlösningar ofta brister.
Begränsningar med att bygga allt med AI
Det finns också en konkret, praktisk fråga: även om företag tekniskt kan bygga sina egna verktyg med hjälp av avancerade AI-modeller, bör de alltid göra det? Kostnad, tid till värde, underhåll och regulatoriska krav spelar alla in i svaret. Att rekonstruera välfungerande affärssystem internt är ofta mer komplext än det först verkar, särskilt i större organisationer med många befintliga integrationer.
Anish Acharya från riskkapitalbolaget Andreessen Horowitz uttrycker skepsis inför idén att AI skulle göra det meningsfullt att återskapa standardiserade affärssystem som lönehantering eller ERP-system från grunden. Enligt hans bedömning ger en sådan återuppbyggnad i många fall begränsade ekonomiska fördelar — besparingarna kan landa kring 10 % i bästa fall — samtidigt som de långsiktiga kostnaderna för drift, säkerhet och compliance kvarstår.
Det lyfter fram en större princip: AI är ett kraftfullt verktyg, men det är inte alltid effektivt att använda det för att lösa problem som redan är väl lösta av etablerade system. Det finns höga indirekta kostnader kopplade till att bygga intern mjukvara: kontinuerligt underhåll, testning, patchning, uppgraderingar och hantering av kantfall i komplexa arbetsflöden. Dessutom kräver många reglerade processer en nivå av revision och spårbarhet som är svår att uppnå utan beprövade plattformar.
'Varför ägna denna nivå av innovation åt att bygga om befintliga system?' frågade han, vilket antyder att de verkliga möjligheterna för AI istället kan ligga i att bygga nya affärsmodeller, nya användarupplevelser och helt nya produkter som kompletterar — snarare än ersätter — befintlig mjukvara. Det är här investeringar i innovationslag kan göra störst skillnad: att använda AI för att nå nya marknader, förbättra beslutsstöd och skapa differentierade tjänster.
En konträr satsning som får fäste
Nvidias VD Jensen Huang har också avfärdat idén att mjukvaruföretag är på väg bort. Hans resonemang bygger delvis på en pragmatisk insikt: AI kräver beräkningsinfrastruktur, men också ekosystem av mjukvara för att bli användbart i verkliga affärssammanhang. Att tro att AI kommer att utplåna existerande verktyg helt håller inte vid närmare granskning — i stället tenderar AI att förlita sig på dessa verktyg, använda dem, bygga ut dem och koppla in sig i deras arbetsflöden.
Lightcaps slutsats hamnar i samma riktning, men med en investerares twist: om du är optimistisk till AI-startups kan det också vara rationellt att vara optimistisk till etablerade mjukvaruföretag. Inte trots AI, utan tack vare AI. De som redan har kundbaser, implementeringskompetens, säkerhetsramverk och branschkunskap har reella fördelar i att skala AI-lösningar på ett sätt som skapar långsiktigt värde.
Kapplöpningen är inte AI kontra mjukvara. Den är alla aktörer som springer i full fart för att förstå vad mjukvara blir när intelligens byggs in från början. Det innebär en omdefiniering av produktarkitektur, nya krav på datapipelines, investeringsbehov i säkerhet och efterlevnad, samt en fördjupad förståelse för kundernas verkliga arbetsflöden. De företag som klarar denna övergång bäst kommer sannolikt att kombinera AI-kompetens med beprövad mjukvarudistribution och operationell mognad.
För beslutsfattare i både teknikföretag och köpande organisationer är den praktiska implikationen tydlig: fokusera på hur AI bäst kan integreras i befintliga processer, säkerställ robusta styrmodeller och prioritera lösningar som levererar tydlig affärseffekt. För investerare innebär det att se bortom kortsiktiga marknadsreaktioner och istället analysera förmågan hos företag att transformera sina produkter, skydda kundvärde och skala nya AI-funktioner säkert.
I den här övergångsfasen blir begrepp som plattformsstrategi, API-ekosystem, dataguvernance och modellstyrning centrala sökord för både leverantörer och kunder. Genom att kombinera dessa kapaciteter med djupa kundrelationer kan legacy-leverantörer fortsätta att spela en viktig roll i en AI-driven framtid, samtidigt som nya aktörer bidrar med innovation och snabb experimentering.
Slutsatsen är enkel men kraftfull: det handlar inte om att utesluta den ena eller den andra. Det handlar om att se hur etablerad mjukvara och ny AI-teknik kan samverka för att skapa mer robusta, skalbara och ansvarsfulla lösningar för företagsvärlden. När industrin mognar kommer vi sannolikt att se en hybridmodell där AI förstärker befintliga plattformar, samtidigt som nya nischer uppstår där rena AI-native lösningar kan dominera.
Kapplöpningen fortsätter — inte som ett enkelt nollsummespel mellan AI och mjukvara, utan som en komplex omformning där båda parter måste anpassa sig, samarbeta och hitta nya sätt att leverera värde i en allt mer automatiserad och intelligent värld.
Kommentarer
ArneK
Stämmer verkligen att AI inte tar över? Låter rimligt men känns lite optimistiskt för legacyföretag, kostnaderna för ombyggnad är enorma, eller?
datapuls
wow, trodde legacy skulle dö ut men det här gjorde mig tvärt om; orkestrering och governance låter som nya guldkorn. men hur snabbt kan mindre bolag hänga med? hmm
Lämna en kommentar