AI-afgiften: Hvorfor de fleste SaaS-AI-funktioner kommer til at koste dig penge på længere sigt

Hvad vi gjorde i stedet

I slutningen af 2024 påbegyndte vi vores platformstransformation: en faseopdelt evolutionær modernisering. Ikke en omskrivning fra bunden. Noget sværere: at udskifte fundamentet, mens mere end 1.000 kunder driver deres forretning på det eksisterende produkt hver dag.

Vi byggede en ny arkitektur med en ren, samlet datamodel, som kører parallelt med den eksisterende platform og erstatter det gamle lag modul for modul. Det gamle system bliver ikke lukket ned, før den nye version er bevist.

Du får ikke en blank tavle i software. Du gør dig fortjent til den trinvis.

Vi forpligtede os til en bevidst rækkefølge: først datafundament, så analyse, så AI. Ikke fordi vi ikke kunne bevæge os hurtigere. Men fordi det netop er ved at bevæge sig hurtigere uden det rette fundament, at AI-skatten hober sig op.

Den slags svar, der er korrekt to gange

Store sprogmodeller er stærke til syntese, fortolkning og problemløsning. Men de er dårligt egnede til det, som virksomheder er afhængige af hver eneste dag: svar, der er korrekte to gange.

Det er ikke kun et problem for dataplatforme. Det gælder ligeledes for enhver forretningsapplikation, hvor AI skal ræsonnere om projekter, tid, omsætning og mennesker og levere det samme korrekte svar, hver gang du spørger. En PSA er præcis den slags applikation. Når en leveranceansvarlig spørger "hvad er marginen på dette projekt lige nu?", kan svaret ikke være cirka rigtigt. Det skal være præcist rigtigt, og det skal være det samme svar, uanset hvem der spørger, eller hvornår.

Til det formål har modellen brug for et fundament, den kan stole på. Uden styret data, ensartede definitioner og en samlet datamodel gætter AI med selvtillid. Og selvsikre gæt er farligere end intet svar overhovedet.

Sådan ser AI-skatten ud

Når du springer fundamentet over og skruer AI fast på en legacy-arkitektur, får du noget, der demonstrerer godt og forringes i produktion. Forkerte forslag. Inkonsistente output. Supportsager, som ingen kan diagnosticere, fordi problemet ligger tre lag under selve funktionen.

Og i sidste ende er det dine kunder, der betaler for oprydningen. Langsommere releases, fordi udviklingsteamet lapper på dårlig data. Flere bugs, fordi AI ræsonnerer på inkonsistente input. En prisstigning bundet til teknisk gæld, de aldrig har bedt om og ikke kan se.

Det er AI-skatten. Den dukker ikke op på dag ét. Den dukker op i år to, når genvejene begynder at hobe sig op.

Hvor vi er nu

Fundamentet er kommet så langt, at det næste lag kan lægges ovenpå. En samlet datamodel, hvor et projekt, en ressourcebooking og en finanspostering betyder det samme på tværs af platformen. Realtidsdataflows. En API-flade, der er designet til at blive forbrugt af både mennesker og agenter, ikke eftermonteret. Én platform, der konvergerer, mens det gamle lag udfases modul for modul.

Det meste af dette er usynligt for kunderne lige nu. Sådan forbliver det ikke. Alt nedstrøms bliver hurtigere og mere pålideligt, når fundamentet er solidt.

Vi er nu i analysefasen. Projektrapportering er på vej. Det samme er Projektportefølje med indlejret analyse. Det er ikke kosmetik. Det er det første lag af reel indsigt bygget oven på ren, styret data. Når datamodellen er ensartet, betyder rapporterne det, de siger. Tallene stemmer overens med hinanden.

AI kommer derefter. Og rækkefølgen betyder noget.

Sådan bruger vi AI i dag

Vi praktiserer allerede denne sondring internt. Vi har lanceret vores AI in Operations Playbook, en ramme for, hvordan TimeLog bruger AI på tværs af virksomheden i dag. Den organiserer ethvert AI-initiativ i én af tre kategorier: personlig produktivitet, genbrugelige teamværktøjer eller automatiserede arbejdsgange med dokumenteret værdi. Vigtigt er, at det ikke er trin, du klatrer op ad i rækkefølge. Et initiativ kan starte på ethvert niveau, herunder direkte i fuld automatisering, så længe værdien er klar, og fundamentet understøtter det.

Uanset niveau er testen den samme: accelererer det arbejdet, eller konkurrerer det med det? Netop den disciplin forhindrer AI-skatten i at hobe sig op. AI på drift, mens produktfundamentet modnes.

Det er den disciplin, der holder AI arbejdende for forretningen og ikke omvendt.

Hvad det betyder for vores kunder

Når analyselaget er solidt, vil AI-funktioner i TimeLog ikke være skruet på. De vil være et naturligt resultat af arkitekturen, der kører på styret data, ensartede definitioner og en platform, der fra starten er bygget til at blive brugt af både mennesker og agenter.

Det er den eneste version af AI i en PSA, vi er villige til at levere til vores kunder. Ikke den hurtigste version. Ikke den mest prangende. Den, der giver dig den slags svar, der er korrekt to gange.

Ét spørgsmål, du bør stille dine leverandører

Hvis du i øjeblikket er ved at evaluere PSA-platforme, så stil dine leverandører ét spørgsmål: hvad er datafundamentet under jeres AI-funktioner?

Hvis de ikke kan svare klart, har du fundet AI-skatten.

Vil du se, hvordan vi bygger vores? Tal med os eller udforsk platformen.