“Ønskesoftware”: Den nye AI-trend, der vender hele IT-indkøbsprocessen på hovedet

AI-løsning på 5 dage uden startomkostninger: Revolution eller ren marketing?

Betal kun hvis det lykkes: Hvordan "betal-per-løsning"-modellen ændrer AI-markedet

I årevis har virksomheder investeret millioner i lovende AI-projekter – ofte drevet af frygten for at sakke bagud, og ofte med ædruelige resultater. Dette håbsprincip, der nu ironisk nok i branchen omtales som "ønskesoftware", vil nå sine grænser senest i 2025/2026. Stillet over for manglen på målbart investeringsafkast (ROI) kræver økonomidirektører og indkøbsafdelinger en afskaffelse af dyre forudgående licenser og uforudsigelige implementeringsomkostninger. Teknologibranchens svar er et radikalt paradigmeskift mod resultatbaseret prissætning (OBP) eller "pay-per-solution".

I denne model betaler virksomheder kun, når en kunstig intelligens påviseligt og kontraktligt defineret har løst et problem – hvad enten det drejer sig om en fuldt autonomt lukket supportsag, en behandlet ordre eller en verificerbar produktivitetsgevinst. Dette flytter den økonomiske og tekniske risiko ved implementeringen helt fra køberen til udbyderen. Men det, der i starten lyder som den perfekte aftale for virksomheder, præsenterer helt nye strukturelle udfordringer for IT-styring, indkøbsprocesser og kontraktdesign. Dertil kommer yderst attraktive, men til tider vildledende, løfter fra udbydere om at udrulle produktionsklare AI-løsninger på bare fem dage.

Den følgende artikel ser nærmere på, hvilke pionerer der allerede dominerer dette nye marked, hvor de skjulte omkostninger ved disse resultatbaserede modeller lurer, og hvordan indkøbs- og IT-strategier nu fundamentalt skal ændres for at undgå at falde i omkostningsfælden.

"Ønskefuld software": Forretningsmodeller, hvor virksomheder kun betaler for succesfulde AI-løsninger

Et fundamentalt paradigmeskift præger markedet for virksomheds-AI i 2025/2026: I stedet for høje forudbetalinger for usikre AI-projekter indtager resultatbaserede faktureringsmodeller en central plads, hvor virksomheder kun betaler for dokumenterede resultater. Dette princip – undertiden omtalt som "ønskebaseret software", undertiden som "resultatbaseret prissætning" eller "betaling pr. løsning" – flytter implementeringsrisikoen fra køberen til leverandøren, hvilket fundamentalt ændrer, hvordan indkøbs- og IT-afdelinger anskaffer, evaluerer og administrerer AI. Samtidig dukker en ny type tjenesteudbyder op, der lover produktionsklare AI-løsninger på fem til syv dage – uden nogen forudgående forpligtelse.

Hvad er "ønskefuld software"?

Udtrykket "ønskebaseret software" beskriver ironisk nok det nuværende indkøbsparadigme: Virksomheder køber dyre AI-licenser og implementeringsprojekter baseret på løfter og håb – og betaler uanset om løsningen rent faktisk virker. Alternativet er pay-per-solution-modellen: kunder betaler kun, når en AI-løsning leverer et målbart, kontraktligt defineret resultat.

Resultatbaseret prisfastsættelse (OBP) er ikke nyt – det har eksisteret i IT-branchen i årtier i form af succesbaserede honorarer inden for konsulentvirksomhed eller resultatorienterede administrerede tjenester. Det, der har ændret sig i 2025/2026, er, at disse modeller systematisk rulles ud til AI-softwareprodukter (SaaS, agenter, automatiseringer) for første gang og positioneres af førende udbydere som deres primære go-to-market-model.

Modellens vigtigste egenskaber

Karakteristika for den traditionelle model: Betaling pr. løsning
Forudbetaling (licens + implementering) Kun ved dokumenteret succes
Risikobærer Køber (virksomhed) Leverandør
Kontraktstruktur Fast omfang, tid og budget Præstationsmålinger defineret i kontrakten
Implementering Måneder til år Dage til uger
Budgetgodkendelse Capex/Opex-proces Ofte kræves der ingen formel IT-indkøb
Leverandørforhold Engangs-/transaktionsbaseret Løbende/partnerskabsbaseret

Markedspionerer og reelle forretningsmodeller

Zendesk: Opløsningsbaseret prisfastsættelse

I 2024 var Zendesk en af ​​de første store SaaS-udbydere, der introducerede resultatbaseret prisfastsættelse for AI-agenter: kunderne betaler for hver succesfuldt løst supportanmodning – ikke pr. plads eller time. Denne model, kendt som "løsningsbaseret prisfastsættelse", betragtes som en brancheplan. Zendesk definerer "succes" som anmodninger, der løses uden menneskelig indgriben.

ThoughtFocus Build: Ingen forudbetalinger, garanteret investeringsafkast

I 2025 lancerede ThoughtFocus Build et program med det eksplicitte løfte: "Nul forudbetaling, garanteret investeringsafkast." Virksomheden påtager sig implementeringer af AI-medarbejdere uden forudbetaling og påtager sig al udviklingsrisiko. Betaling sker først efter demonstration af målbare produktivitetsgevinster.

AffixedAI: Venturepartnerskab

AffixedAI positionerer sig som en "$0 Upfront AI-Powered Business" – virksomheden udvikler AI-understøttede forretningsmodeller for kunder på egen risiko og deltager i den resulterende succes via indtægtsdelingsmodeller.

5-dages sprint: Produktionsklar på fem dage

"5-dages sprint"-modellen lover at bringe AI-forretningsapplikationer fra koncept til produktionsklar løsning på fem dage. Lignende tilbud, såsom Brighters "AI Sprint", lover transformation af produktfunktioner inden for en uge. Dette løfte er baseret på præbyggede AI-moduler, low-code-platforme og standardiserede implementeringspipelines, der kondenserer traditionelle projektfaser.

AWS: Agent AI-resultatprissætning

Hyperscalere reagerer også: AWS dokumenterer eksplicit "outcome pricing"-strukturer for agentisk AI i sin præskriptive vejledning – dvs. modeller, hvor agentisk AI-arbejdsgange faktureres efter vellykkede gennemførte opgaver.

Fem dage til en produktionsklar løsning – virkelighed eller markedsføring?

Løftet om en indsættelsestid på fem dage er underlagt visse betingelser og er ikke universelt gyldigt.

Hvad er realistisk om fem dage

• Standardiserede use cases: dokumentbehandling, e-mailklassificering, simple chatbots, dataudtrækning fra kendte formater
• Lavkode-/ingenkode-platforme: Hvis udbydere har prækonfigurerede moduler tilgængelige, er implementering mulig på få dage
• Greenfield-implementeringer: Uden integration med ældre teknologier kan en AI-agent være produktionsklar på 3-5 dage

Hvilket realistisk set tager længere tid

• Integration af virksomhedssystemer: Forbindelse til ERP-, CRM- eller ældre databaser tager typisk 4-12 uger
• Compliance og databeskyttelse: Især i regulerede brancher (finans, sundhedspleje) forlænger styringsprocesser tidsrammen betydeligt
• Datakvalitet: Dårlige eller inkonsistente data er den mest almindelige årsag til forsinkelser i AI-projekter

Femdagesløftet er troværdigt for klart definerede, standardiserede anvendelsesscenarier. For komplekse virksomhedsimplementeringer er det primært et markedsføringssignal, der kommunikerer lave adgangsbarrierer.

Administreret AI-platform - Billede: Xpert.Digital

Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.

En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.

De vigtigste fordele på et overblik:

⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.

🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.

💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.

🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.

📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.

Mere information her:

• Administreret AI-platform

Hvorfor modellen nu vinder momentum

AI-desillusionering efter euforien

2026 betragtes som "Sandhedens År" for AI i virksomheder på tværs af branchen. Efter år med eksperimentelle investeringer uden et klart ROI kræver økonomidirektører og bestyrelser målbare resultater. Ifølge en TTMS-analyse spørger ledere i stigende grad: "Hvem betaler for eksperimenterne fra 2023 til 2025?" Resultatbaserede modeller giver et strukturelt svar på dette spørgsmål.

Pres på leverandørsiden

McKinsey beskriver, hvordan softwarevirksomheder fundamentalt skal gentænke deres forretningsmodeller for at overleve i AI-æraen. AlixPartners forudsiger i sin Enterprise Software Predictions Report 2026, at leverandører, der ikke leverer påviselige resultater, vil miste markedsandele til resultatorienterede konkurrenter.

Agentisk AI som en muliggørende faktor

Fremkomsten af ​​autonome AI-agenter gør prisfastsættelse af resultater teknisk målbar: En agent, der autonomt udfører en opgave (løsning af en sag, behandling af en ordre, kontrol af et dokument), genererer et klart, digitalt successignal – ideelt til transaktionel fakturering.

Indvirkning på indkøb og IT-strategier

Risikoskift som en strategisk løftestang

Det centrale løfte ved pay-per-solution er overførslen af ​​implementeringsrisikoen til leverandøren. For indkøbsafdelinger betyder dette:

• Eliminering af traditionelle evalueringskriterier (referenceprojekter, certificeringer, indledende demonstrationer)
• Kontraktlig definition af KPI'er og succesmålinger er ved at blive en kernekompetence
• Nye spørgsmål: Hvordan måles "succes"? Hvem reviderer resultatdataene? Hvad sker der i tilfælde af delvis levering?

Indkøb: Fra licenskøber til resultatansvarlig

Traditionelle indkøbsprocesser (RFP, leverandørscoring, prissammenligning) er uegnede til resultatmodeller. Indkøbsafdelingen skal transformere:

• Formulering af målbare succesmålinger for AI (f.eks. løsningsrate, fejlreduktion, tidsbesparelser)
• Kontraktdesign til succeshonorarstrukturer og eskaleringsmekanismer
• Kontrol over måleinfrastrukturen: Hvem måler succes – leverandøren eller køberen?
• Vurdering af udbyderens kreditværdighed: Kan udbyderen bære risikoen økonomisk?

Ifølge en analyse fra Paterhn.ai blokerer traditionelle indkøbsprocesser for AI-innovation: Lange udbudsprocesser, alt for brede sikkerhedskrav og rigide budgetkategoriseringer forhindrer succesfulde PoC'er i at gå i produktion.

IT-strategi: Budgetgodkendelse og -styring

Pay-per-solution-modeller ændrer også, hvordan AI-budgetter godkendes:

• Ingen investeringsforpligtelse: Da der ikke kræves nogen forudbetaling, kan forretningsenheder (LOB) ofte implementere AI-løsninger uden formel IT-budgetgodkendelse – hvilket fører til "skygge-AI"
• CIO-tab af kontrol: Når leverandører arbejder direkte med forretningsenheder og kun fakturerer ved succes, omgår de traditionelle IT-indkøbsruter
• Risiko for leverandørfastlåsning: Resultatmodeller kan skabe langsigtede afhængigheder, der først bliver tydelige efter datamigrering og procesintegration

Kritisk modargument: Den dyreste illusion?

Forbes/Parloa advarer: Resultatbaseret prisfastsættelse kan være dyrere for virksomheder end traditionelle licensmodeller. Årsager:

• Præmiepriser for risikoovertagelse: Udbydere indregner deres risiko i succesraten – kunden betaler effektivt en risikopræmie
• Definitionskonflikter: Hvad udgør en "løst sag"? Hvad udgør en "vellykket levering"? Uklare definitioner fører til tvister
• Negativ selektion: Udbydere vælger kun "enkle" use cases til resultatmodeller – vanskelige cases udelukkes eller opkræves til en højere takst
• Måleasymmetri: Den, der kontrollerer målingen, kontrollerer faktureringen – uden en neutral revisionsmyndighed opstår der en interessekonflikt

Strukturelle spændingsområder

Definition af "succes"

Det største uløste problem inden for resultatprissætning er den præcise, manipulationssikre definition af succes. Impact Pricing refererer til resultatbaseret prissætning som den "hellige gral inden for AI-prissætning" - men også som teknisk vanskelig at implementere, fordi AI-resultater ofte er forsinkede, årsagsmæssigt tvetydige eller vanskelige at tilskrive.

Teknisk måleinfrastruktur

Ægte prisfastsættelse af resultater kræver et robust, delt datagrundlag for succesmålinger. Mange virksomheder har endnu ikke denne infrastruktur. AWS anbefaler at opbygge dedikerede pipelines til resultatsporing for Agentic AI-modeller som en forudsætning for fair fakturering.

Compliance- og kontraktsret

Juridiske krav til AI-kontrakter (EU's AI-lov, GDPR, branchespecifikke regler) er komplekse i resultatbaserede modeller: Når præstation er succesafhængig, opstår der nye ansvarsspørgsmål. MinterEllison anbefaler eksplicit at supplere AI-kontrakter med resultatdefinitioner, revisionsrettigheder og eskaleringsklausuler inden 2026.

Anbefalinger til handling

For indkøbsafdelinger

• Opbyg et KPI-bibliotek: Definer standardiserede succesmålinger for almindelige AI-brugsscenarier (f.eks. "Løsningsrate > 70 % uden menneskelig indgriben")
• Sikr måleuafhængighed: Kontraktligt fastsæt, at succesmålinger registreres af et neutralt organ eller interne systemer
• Undersøg hybridmodeller: Kombinationen af ​​et basisplatformgebyr og en succesbonus reducerer udbyderens risiko og dermed risikopræmier
• Vurdering af udbyderens modstandsdygtighed: Resultatudbydere skal være økonomisk i stand til at bære risikoen

Til IT-afdelinger / IT-chefer

• Etabler skyggestyring af AI: Definer klare regler for, hvilke resultatmodeller forretningsafdelinger må bruge uden IT-godkendelse
• Vurdering af leverandørbinding: Definer datamigrering og udtrædelsesklausuler for hver resultatkontrakt
• Tjekliste for produktionsberedskab: Definer dine egne standarder for "produktionsberedskab" – uafhængigt af leverandørløfter
• Tilpasning af indkøb og IT: Udvikl fælles processer for AI-indkøb, der er hurtige nok til at sikre implementeringsløfter inden for 5 dage, men som også sikrer styring

Markedsudsigter

Futurum Research forudsagde allerede i 2025, at resultatbaseret prisfastsættelse ville vinde betydelig fremgang på AI-markedet. Denne vurdering har vist sig at være korrekt: Zendesk, Salesforce, ServiceNow og andre store SaaS-udbydere integrerer resultatbaserede komponenter i deres prismodeller. Ifølge Getmonetizely vil hybridmodeller (platformgebyr + resultatgebyr) dominere markedet ved udgangen af ​​2026, mens rene sædebaserede licensmodeller for AI-agenter vil falde i betydning.

For det tyske marked vil AI i indkøb ikke længere være et pilotprojekt i 2026 – ifølge einkauf-ki.com vil førende virksomheder være afhængige af autonome indkøbsstrategier, hvor AI-agenter uafhængigt udvælger leverandører, forhandler priser og afgiver ordrer. Pay-per-solution-modellen er både indkøbsobjektet og indkøbsmetoden – en selvforstærkende tendens.

Konrad Wolfenstein

Jeg vil med glæde fungere som din personlige rådgiver.

kontakte mig på wolfenstein ∂ xpert.digital

Bare ring til mig på +49 7348 4088 965 .

LinkedIn