Hvorfor ældre software overlever i AI-æraen – analyse

Fortællingen var næsten for enkel til at blive betvivlet: kunstig intelligens stiger, gammel software falder. Investorer købte idéen hurtigt. Så begyndte virkeligheden at blande sig.

Brad Lightcap, OpenAIs COO, køber ikke idéen om, at legacy-softwarevirksomheder driver mod irrelevans. Tværtimod ser han det modsatte ske bag kulisserne. De virksomheder, mange antog ville sakke bagud, bevæger sig med overraskende hastighed, omformer deres produkter og gentænker, hvordan de betjener kunder i en AI-først verden.

I et interview på Uncapped-podcasten afviste Lightcap den nylige markedsuro, som slettede milliarder fra softwareaktier. Antagelsen bag det massive udsalg var enkel: hvis AI kan bygge værktøjer, hvorfor så bruge traditionelle softwareleverandører? Men den logik overser, mener han, hvor aggressivt disse leverandører tilpasser sig.

Han understregede, at de bevæger sig lige så hurtigt som startups og fremhævede dybe kundeforhold som en fordel, nyere aktører simpelthen ikke har i samme omfang.

Hvad markedet tog fejl af

Nedgangen, som nogle kaldte en "software-apokalypse", tog fart i februar, efter at nye AI-værktøjer viste evnen til at automatisere juridisk og administrativt arbejde. Investorer frygtede en dominobølge: hvis AI kan erstatte arbejdsprocesser, kan den så også erstatte softwaren bag dem?

Den frygt ramte hårdt. Virksomheder som Salesforce, Snowflake og Microsoft oplevede, at aktier faldt mellem 24% og 30% i løbet af året. Den underliggende bekymring var, at virksomheder ville springe leverandører over og bygge skræddersyede værktøjer med AI selv.

Inde i de samme virksomheder udfolder der sig imidlertid en anden historie. Ifølge Lightcap tilføjer de ikke blot AI-funktioner; de redesigner hele brugerrejser, undersøger nye markeder og integrerer automation på et fundamentalt niveau.

Den egentlige forandring er ikke udskiftning. Den er genopfindelse.

Markedsreaktion og investorpsykologi

Den hurtige kursreaktion var delvist drevet af simplificerede narrativer i medier og på sociale platforme: AI = mindre behov for etableret software. I realiteten er investorernes korte tidshorisont og fokus på disruptiv storytelling ofte en katalysator for panik, men ikke nødvendigvis en præcis forudsigelse af teknologisk adoption på lang sigt.

Markedsdeltagere undervurderede kompleksiteten ved virksomheders drift, integrationsomkostninger og betydningen af eksisterende kontrakter, partnerskaber og compliance-krav. Disse faktorer skaber friktion, som gør øjeblikkeligt skifte til hjemmelavede AI-løsninger dyrt og risikabelt.

Virksomhedsresponser og produktstrategi

Som modsvar til markedsfrygten har mange legacy-leverandører aktiveret strategier, der går langt ud over punktvise AI-funktioner. Taktikker omfatter:

• Omstrukturering af brugeroplevelser for at fastholde relevans i en AI-drevet arbejdsgang.
• Udvikling af native AI-kapaciteter og API-baserede integrationslag, så kunder kan kombinere egen AI med etablerede systemer.
• Udvidelse af service- og rådgivningsforretninger for at hjælpe kunder med implementering, governance og løbende drift.

Disse strategier viser, at mange virksomheder opfatter AI som et lag, der skal indbygges i eksisterende platforme frem for et isoleret værktøj, kunderne bygger internt.

AI fjerner ikke kompleksitet. Den multiplicerer den

Dan Rogers, CEO for Asana, ser samme mønster fra en anden vinkel. Hans virksomhed var blandt dem, der blev hårdest ramt under udsalget, men han hævder, at AI faktisk øger behovet for struktureret software.

Hvorfor? Fordi koordinering bliver sværere, ikke lettere.

Når mennesker og tusindvis af AI-agenter begynder at arbejde sammen, skal nogen eller noget stadig organisere opgaver, spore fremskridt og styre workflows. Det lag forsvinder ikke. Det vokser.

"Koordinationsproblemet vokser eksponentielt," påpegede Rogers og antydede, at AI gør platforme som Asana mere essentielle, ikke mindre.

Denne idé står i kontrast til den populære fortælling om, at AI forenkler alt. I praksis introducerer AI ofte nye kompleksitetslag, som kræver bedre systemer frem for færre.

Koordinationsproblemet i praksis

I en organisation med mange AI-agenter opstår spørgsmål om rollefordeling, ansvar, versionering af modeller, dataadgang og auditspor. Hvem godkender output? Hvordan håndteres uventede fejl fra en model? Hvordan sikrer man konsekvente regler for beslutningsstøtte på tværs af teams?

Uden et robust softwarelag til orchestration og governance kan AI-implementering føre til fragmenterede processer, øget fejlrate og compliance-risici. Derfor ser man en øget efterspørgsel efter systemer, der understøtter orchestration, policy enforcement og centraliseret overvågning.

Tekniske og organisatoriske konsekvenser

Fra et teknisk perspektiv kræver effektive AI-integrerede løsninger:

• Veldefinerede API-kontrakter og connectorer for at sikre pålidelig dataflow mellem AI-tjenester og kernesystemer.
• Robuste datastyringsrammer (data governance, lineage og metadata) for at sikre sporbarhed og ansvarlighed.
• Skalerbar infrastruktur til inference, latency-styring og cost-optimisering, især når modeller kører i realtid.

Organisatorisk betyder det, at CTO'er, produktchefer og compliance-funktioner må arbejde tættere sammen end før. IT-afdelingen kan ikke blot levere et værktøj; den må designe rammer for sikker, kontrolleret og værdiskabende AI-adoption.

Begrænsninger ved at bygge alt med AI

Der er også et praktisk spørgsmål: selv hvis virksomheder kunne bygge deres egne værktøjer med AI, burde de?

Anish Acharya fra Andreessen Horowitz er skeptisk. Efter hans vurdering giver brugen af avancerede AI-modeller til at genskabe standard forretningssoftware som lønadministration eller ERP-systemer begrænsede fordele. Besparelserne, anslår han, kan ligge omkring 10%.

Det rejser et større punkt. AI er en kraftfuld ressource, men det er ikke altid effektivt at anvende den på problemer, der allerede er løst tilfredsstillende.

"Hvorfor rette dette niveau af innovation mod at genopbygge eksisterende systemer?" spurgte han og antydede, at de virkelige muligheder ligger andre steder.

Omkostninger, ROI og vedligehold

At bygge en intern AI-løsning kan se attraktivt ud i en proof-of-concept, men totalcost-of-ownership (TCO) inkluderer modeltræning, løbende retræning, infrastrukturomkostninger, datarensning, sikkerhed, samt implementering og monitoring. Mange organisationer undervurderer de løbende driftsomkostninger og nødvendigheden af specialistkompetencer.

Derudover skal man medregne governance-omkostninger: politikker for dataadgang, forklarbarhed af modeller, risikostyring og juridiske krav til datahåndtering. Når disse omkostninger medregnes, kan gevinsterne ved at erstatte modne softwareprodukter være marginale.

Hvornår bør virksomheder bygge internt?

Der er situationer, hvor intern udvikling kan være fordelagtig:

• Hvis virksomheden har helt unikke processer eller konkurrencefordele, som standardsoftware ikke kan understøtte.
• Når data er ekstremt følsomme, og virksomheden foretrækker fuld kontrol over modeller og infrastruktur.
• Hvis langsigtet skalerbarhed og fleksibilitet i modeller er et strategisk aktiv, og virksomheden kan bære de langsigtede omkostninger.

Men for mange virksomheder er en hybrid-tilgang oftere mest rationel: brug etablerede softwareplatforme til kerneprocesser og suppler med AI-baserede add-ons eller præbyggede integrationer, der reducerer udviklingstid og risiko.

Et kontrært væddemål der vinder frem

Nvidias CEO Jensen Huang har også afvist idéen om, at softwarevirksomheder er ved at uddø. Troen på, at AI vil erstatte softwareværktøjer fuldstændigt, holder ikke, hvis man ser nærmere på, hvordan teknologien bruges i praksis.

I stedet vil AI bygge oven på eksisterende værktøjer. Den vil bruge dem, udvide dem og koble sig til dem — ikke viske dem væk.

Lightcaps konklusion lander i en lignende retning, men med et investorperspektiv. Hvis du er optimistisk med hensyn til AI-startups, kan det også give mening at være optimistisk over for legacy-softwarevirksomheder. Ikke trods AI, men på grund af AI.

Kapløbet er ikke AI versus software. Det er alle, der løber på fuld hastighed for at finde ud af, hvordan software ser ud, når intelligens er indbygget fra starten.

Strategi for legacy-udbydere

Legacy-udbydere, der vinder, gør ofte følgende:

• Indarbejder AI som en forstærker af eksisterende workflows i stedet for som en separat gimmick.
• Fokuserer på integrationsvenlighed via åbne API'er, SDK'er og præbyggede connectorer til populære AI-platforme.
• Investering i kundeuddannelse og professionelle services for at sikre succesfuld implementering og hurtigere time-to-value.

Ved at fastholde stærke kundeforhold og samtidig tilbyde moderne AI-kapaciteter kan disse virksomheder levere tryghed og innovation samtidig — en kombination, mange kunder aktivt efterspørger.

Investorperspektiv og fremtidsscenarier

Fra et investorperspektiv repræsenterer denne dynamik to mulige scenarier: et kortsigtet shock, hvor visse modtagelige aktier divergerer kraftigt på grund af hype og frygt; og et langsigtet konsolideringsmønster, hvor stærke platforme tilpasser sig, udvider og bevarer markedsandele gennem forbedret funktionalitet og stærkere netværkseffekter.

Investorer, der forstår forskellen mellem hype og fundamentale ændringer i produktarkitektur, vil være bedre positioneret til at skelne mellem midlertidige kursudsving og reelle langsigtede muligheder.

Endelig bør beslutningstagere i både leverandør- og køberledet huske, at teknologi alene ikke er en garanti for succes. Kombinationen af produktstrategi, data governance, organisatorisk modenhed og kundetilpasning afgør, hvordan AI transformerer softwarelandskabet.

Afslutningsvis: den hurtige fortælling om, at AI simpelthen vil udslette etableret software, overser de praktiske realiteter: kompleksitet, governance, integrationsbehov og den værdi, relationer og driftssikkerhed bringer. I stedet ser vi en periode, hvor software bliver redefineret — ikke forkastet.