AI-agenter i SaaS: 35 prosent erstattes innen 2030

Nøkkelpunkter per 1. september 2026:

35 prosent av punktverktøyene i SaaS blir erstattet av AI-agenter eller absorbert i større agent-økosystemer innen 2030, ifølge Gartner (Deloitte, 2026).
40 prosent av bedriftenes SaaS-forbruk flyttes mot bruks-, agent- eller resultatbasert prising innen 2030. Neste innkjøpsavtale må tåle det (Deloitte, 2026).
AI Act nevner ikke ordet agent. Det er de eksterne handlingene agenten utfører, ikke arkitekturen, som avgjør risikoklassen (arXiv).
83 prosent av AI-native SaaS-selskaper tilbyr allerede bruksbasert prising, mens etablerte verktøy fortsatt selger faste brukerlisenser (Deloitte, 2026).
Minst fem år går før applikasjoner faktisk erstattes av agenter, anslår Deloitte. Det taler for innføring prosess for prosess (Deloitte, 2026).

Hva en AI-agent er, og hva som skiller den fra vanlig automatisering

En AI-agent er ikke en chatbot med bedre hukommelse. I forskningslitteraturen defineres agenter som AI-systemer som autonomt planlegger, kaller eksterne verktøy og utfører flertrinns handlingskjeder med redusert menneskelig involvering (arXiv). Det avgjørende ordet er handlingskjeder. En agent gjør noe i et system utenfor seg selv, og den bestemmer selv hvilke steg som skal til for å komme dit.

Derfor er spørsmålet «hvilke av verktøyene våre kan agent-automatiseres» egentlig to spørsmål. Det ene er teknisk: finnes det et API, en autentiseringsmodell og en datamodell agenten kan arbeide mot. Det andre handler om ansvar: hva skjer når agenten utfører en handling ingen ba om. De fleste norske SMB-er svarer godt på det første og hopper over det andre.

Definisjonen som faktisk holder

Bransjepressen beskriver agenter som autonome systemer som analyserer data, tar beslutninger og utfører oppgaver i sanntid uten å være avhengige av forhåndsdefinerte regler eller grensesnitt (cio.inc, 2025). Beskrivelsen er treffende, men den skjuler en konsekvens: uten forhåndsdefinerte regler får du heller ingen forhåndsdefinert feilmodus. En regelmotor feiler forutsigbart og på samme sted hver gang. En agent feiler kreativt.

Forskjellen fra RPA og regelmotorer

Robotisert prosessautomatisering klikker gjennom et grensesnitt i en rekkefølge noen har skrevet på forhånd. Flytter leverandøren en knapp, stopper roboten, og du oppdager det umiddelbart. En agent leser konteksten og finner en annen vei rundt. Det er en styrke i daglig drift og en svakhet i etterkontroll: du kan ikke lese skriptet for å vite hva som skjedde, du må lese loggen. Er loggen tynn, har du mistet revisjonssporet.

Autonomi er en skala, ikke en bryter

I praksis finnes fire nivåer: agenten foreslår, agenten utfører etter godkjenning, agenten utfører fritt innenfor en definert ramme, og agenten utfører fritt med eskalering ved tvil. Alura mener at du bør kartlegge hvilke eksterne handlinger agenten faktisk skal utføre før den kobles på et verktøy. Det er handlingene, ikke arkitekturen, som avgjør både risiko og regulatorisk profil. En agent som leser og oppsummerer, og en agent som sender penger, kan ha identisk teknisk oppsett og helt ulik konsekvensprofil.

Fra software as a service til service as software

Uttrykket som har festet seg i markedet er «service as software». Analytiker Janakiram MSV formulerer det slik: SaaS dør ikke, men utvikler seg fra programvare som en tjeneste til tjeneste som programvare, der autonome agenter ikke bare hjelper brukeren, men leverer et fullstendig resultat (cio.inc, 2025). Forskjellen er hvem som gjør arbeidet i midten.

I dagens modell betaler du for tilgang til et verktøy, og en ansatt bruker verktøyet til å produsere et utfall. I service as software betaler du for utfallet, og verktøyet er infrastruktur du sjelden ser. Det endrer hva du kjøper, hvordan du måler verdi, og hvem i organisasjonen som eier leverandørforholdet.

Hva leverandørene faktisk sier

Microsofts toppsjef Satya Nadella har uttalt at AI-agenter vil endre SaaS grunnleggende ved å automatisere forretningsprosesser og skape et nytt lag med multi-agent-orkestrering (cio.inc, 2025). Kalyan Kumar i HCLSoftware peker i samme retning: programvare beveger seg mot sanntidstilpasning der agenter kan optimalisere, feilsøke og rette problemer autonomt. Merk hvem som sier dette. Det er leverandørene av orkestreringslaget, og de har en åpenbar interesse av at laget blir viktig.

Data er det agentene lever av

Poenget som ofte forsvinner i debatten: agenter er avhengige av data, og SaaS-plattformene sitter på dataene. Uten data har plattformer som Salesforce og SAP ingen verdi, og det gjelder like mye for agentene som kobles på dem (youtube.com, 2025). En agent-strategi som ikke starter med datakvalitet og tilgangsstyring, starter i feil ende. En global undersøkelse blant 2 000 programvareutviklingsledere viser at forventningene til agenter er høye i utviklermiljøene, men høye forventninger er ikke det samme som ryddige data (cio.inc, 2025).

Les også: Tolv AI-agenter per bedrift endrer CRM for norske SMB-er. Organisasjoner kjorer i snitt tolv AI-agenter, og adopsjonen ventes a oke 67 prosent pa to ar.

Fire spørsmål før du kobler en agent til et eksisterende verktøy

Rammeverket under er bevisst kort. Fire spørsmål, stilt i denne rekkefølgen, filtrerer bort de fleste dårlige agentprosjekter før de får budsjett. De kan besvares på et møte på en time, per verktøy, og svaret bør skrives ned.

Spørsmål	Hva du ser etter	Grønt lys	Stopp
1. Hvilke eksterne handlinger skal agenten utføre?	Konkret liste over skrive-, sende- og godkjenn-handlinger	Kun lesing, utkast og intern varsling	Handlinger som binder selskapet eller berører enkeltpersoners rettigheter
2. Hvem eier utfallet når agenten tar feil?	Navngitt person, ikke en avdeling	Eier finnes og kan reversere handlingen	Ingen kan angre handlingen i etterkant
3. Finnes det en logg som holder i ettertid?	Hva agenten gjorde, mot hvilket system, på hvilket grunnlag	Full handlingslogg med tidsstempel og input	Kun modellsvar, ingen sporbarhet på handling
4. Hva koster det når volumet dobles?	Prisenhet i avtalen: bruker, kall, agent eller resultat	Tak eller forutsigbar enhetspris	Ubegrenset bruksbasert kost uten varsling

Handlingene, ikke arkitekturen

Regulatorisk og operativt bestemmes en agents profil av domenet den opererer i, de eksterne handlingene den utfører og hvilke rettigheter den berører, ikke av hvordan den er bygget internt (arXiv). Det er en befriende praktisk innsikt for en ledergruppe. Du trenger ikke forstå modellarkitekturen for å ta beslutningen. Du trenger en liste over hva agenten har lov til å gjøre i verden utenfor seg selv.

Eierskap til feilen

Spørsmål to avslører de fleste umodne prosjekter. Hvis svaret på «hvem eier feilen» er «IT» eller «leverandøren», er prosessen ikke klar. Agenten utfører en forretningshandling, og forretningssiden må eie den. Reverserbarhet er det praktiske kriteriet: en feilsendt e-post kan beklages, en feilaktig avslått kredittsøknad kan ikke uten videre repareres.

Loggen som beslutningskriterium

Mange verktøy logger hva modellen svarte, men ikke hva agenten gjorde. Det er forskjellen mellom en samtalehistorikk og et revisjonsspor. Alura mener at agenter uten sporbar logg over egne handlinger ikke hører hjemme i prosesser som berører ansettelser, kreditt eller andre rettigheter. Det er ikke en teknisk preferanse, det er en forutsetning for i det hele tatt å kunne dokumentere hva som skjedde.

Kostnadskurven ved dobbelt volum

Det fjerde spørsmålet handler om avtalen, ikke teknologien. En agent som kjører 200 ganger i måneden i pilot, kjører kanskje 20 000 ganger i produksjon. Hvis prisen følger antall kall og avtalen mangler tak, har du flyttet en forutsigbar lisenskostnad over i en variabel driftskostnad uten å ha bestemt deg for det. Regn på maksimalscenarioet før pilot, ikke etter.

Praktisk start: første agent i drift i en norsk SMB

En norsk SMB med 30 til 200 ansatte har som regel mellom 40 og 90 SaaS-verktøy, hvorav en håndfull er kritiske. Den første agenten bør ikke settes på det viktigste verktøyet. Den bør settes på den kjedeligste prosessen med høyest volum og lavest konsekvens ved feil.

Typiske kandidater: tilbudsoppfølging i CRM, kategorisering av innkommende supporthenvendelser, avstemming av bilag mot leverandørregister, eller sammenstilling av ukesrapporter fra flere systemer. Felles for dem er at feilen oppdages raskt og koster lite.

Velg lav rettighetseksponering først

Prosesser som berører ansettelser, lønn, kreditt eller kundeklager bør stå sist i køen. Ikke fordi teknologien ikke klarer dem, men fordi de utløser en helt annen dokumentasjonsplikt. En agent som skjermer CV-er faller i høyrisikokategorien under AI Actens Annex III, mens en agent som oppsummerer møtenotater bare utløser krav om åpenhet (arXiv). Samme teknologi, ulikt regelverk, og forskjellen ligger i hva agenten gjør.

Kjør skygge-drift før du gir skrivetilgang

La agenten foreslå i to til fire uker mens en ansatt utfører. Logg hvor ofte forslaget ble akseptert uendret, endret, eller forkastet. Under 80 prosent aksept betyr at prosessen ikke er klar for autonomi, og over 95 prosent betyr som regel at oppgaven var enklere enn du trodde og kunne løses med enklere automatisering. Vi har skrevet mer om hvorfor pålitelighet må komme før hastighet i agentprosjekter.

Mål på ferdig utfall, ikke på antall kall

En agent som kjørte 4 000 ganger sier ingenting om verdi. Mål andelen saker som ble fullført uten menneskelig inngripen, gjennomsnittlig behandlingstid, og antall saker som måtte gjøres om. Det er de samme tre målene du vil trenge når leverandøren senere foreslår resultatbasert prising, og du bør ha egne tall før forhandlingen starter.

Markedet mot 2030: hva Gartner og Deloitte faktisk spår

Tallene som sirkulerer i markedet er verdt å lese presist, fordi de sier noe annet enn overskriftene. Gartner spår at 35 prosent av punktprodukter i SaaS blir erstattet av AI-agenter eller absorbert i større agent-økosystemer innen 2030 (Deloitte, 2026). Legg merke til «punktprodukter». Det er de smale enkeltverktøyene som er utsatt, ikke kjernesystemene.

Spådom	Tidshorisont	Hva det betyr for innkjøp
35 prosent av punktverktøy erstattes eller absorberes	Innen 2030	Unngå lange bindinger på smale enkeltverktøy
40 prosent av SaaS-forbruket flyttes til bruks-, agent- eller resultatbasert prising	Innen 2030	Skriv prismodell-klausuler inn i nye avtaler nå
Applikasjoner erstattet av agenter	Minst fem år eller mer	Ingen grunn til full utskifting i 2026
75 prosent av selskapene investerer i agentisk AI	2026	Konkurrentene dine budsjetterer allerede

Punktverktøyene er de utsatte

Et punktprodukt løser en oppgave: signering, møtebooking, e-postsekvenser, enkel rapportering. Verdien ligger i grensesnittet, ikke i dataene. Når en agent kan utføre oppgaven direkte mot underliggende systemer, forsvinner grunnlaget for et eget abonnement. Kjernesystemer med regnskapsdata, kundedata og forpliktende integrasjoner står tryggere, og det er nettopp derfor CRM endrer seg innenfra i stedet for å bli byttet ut.

Budsjettene flytter seg allerede

Deloitte fant at 57 prosent av respondentene legger mellom 21 og 50 prosent av det årlige digitaliseringsbudsjettet i AI-automatisering, mens 20 prosent legger 50 prosent eller mer (Deloitte, 2026). For 2026 anslår Deloitte at en betydelig andel av organisasjonene vil løfte AI-automatisering over 50 prosent av digitaliseringsbudsjettet. Dette er ikke nye penger. Det er penger som tas fra andre digitaliseringsprosjekter, og den avveiningen skjer i din ledergruppe også.

Kostnadsbildet: fra abonnement til bruks- og resultatbasert prising

Den viktigste endringen for en innkjøper er ikke teknologien, det er prisenheten. Gartner spår at minst 40 prosent av bedriftenes SaaS-forbruk flyttes mot bruks-, agent- eller resultatbasert prising innen 2030 (Deloitte, 2026). Når prisen ikke lenger følger antall ansatte, mister du den ene variabelen du faktisk kunne budsjettere mot.

Modell	Du betaler for	Fordel	Risiko
Brukerlisens	Antall navngitte brukere	Forutsigbart budsjett	Betaler for ubrukt tilgang, dårlig match mot agentbruk
Bruksbasert	Kall, tokens eller transaksjoner	Betaler for faktisk verdi	Kostnaden følger volumtopper, vanskelig å budsjettere
Agentbasert	Antall aktive agenter	Enkel å telle	Leverandøren styrer hva som teller som en agent
Resultatbasert	Fullført sak eller oppnådd utfall	Tettest på reell verdi	Definisjonen av «fullført» blir forhandlingsobjektet

Bruksbasert er allerede normen hos de nye leverandørene

Maxio har funnet at 83 prosent av AI-native SaaS-selskaper allerede tilbyr bruksbasert prising (Deloitte, 2026). Det betyr at når du bytter fra et etablert verktøy til en AI-native konkurrent, bytter du samtidig kostnadsprofil. Mange oppdager det først i tredje faktura, når pilotvolumet er erstattet av produksjonsvolum.

Hva du bør kreve i neste innkjøpsavtale

Alura mener at nye innkjøps- og lisensavtaler bør forberedes på bruks-, agent- og resultatbasert prising, ikke faste brukerlisenser. Konkret betyr det fire klausuler: et månedlig kostnadstak, varsling ved 70 prosent av taket, rett til å eksportere egne data og logger ved oppsigelse, og en definert enhet som ikke kan endres ensidig av leverandøren midt i avtaleperioden. Punktet om enhetsdefinisjon er det som oftest mangler, og det er det som koster mest når leverandøren omdefinerer hva en «agent» er.

De skjulte kostnadene

Investeringstallene i markedet gir perspektiv på skalaen: Deloitte omtaler et snitt på 700 millioner dollar i AI-investering for et selskap med 13 milliarder dollar i omsetning (Deloitte, 2026). For en norsk SMB er de relevante skjulte kostnadene mindre og mer nærgående: integrasjonsarbeid, opprydding i data, tid brukt på å gjennomgå agentens arbeid det første halvåret, og kostnaden ved å rette feil agenten gjorde raskt og i stort volum.

Sikkerhet når agenter får tilgang til bedriftens data og systemer

En agent med skrivetilgang til CRM, e-post og økonomisystem har i praksis samme rekkevidde som en ansatt med bred systemtilgang, men uten ansettelsesforhold, opplæring eller taushetsplikt. Sikkerhetsmodellene i de fleste SaaS-verktøy er bygget for mennesker som klikker, ikke for programvare som utfører handlinger i høyt tempo døgnet rundt.

Det praktiske skillet går ved skrivetilgang. En agent som bare leser kan lekke data. En agent som skriver kan endre virkeligheten i systemene dine, og det er en vesentlig større eksponering.

Agentidentitet er ikke en brukerlisens

Den vanligste snarveien er å gi agenten en eksisterende ansatts pålogging. Det ødelegger sporbarheten umiddelbart, fordi loggen ikke lenger skiller mellom hva mennesket og agenten gjorde. Agenter trenger egne identiteter med egne rettigheter og egen levetid. Vi har skrevet om hvorfor identitetsstyring for AI-agenter bør på plass i god tid før de neste kravene i regelverket trer i kraft.

Skygge-agenter oppstår raskere enn skygge-IT

Da skygge-IT var problemet, tok det måneder før en avdeling hadde kjøpt et verktøy uten IT-avdelingens viten. Nå tar det en ettermiddag å koble en agent på et verktøy via en integrasjonsplattform. En kartlegging av AI-verktøy i strafferettspleien i England og Wales fant 61 verktøy i bruk, hvorav 34 prosent bruker språkmodeller, fordelt på 45 uavhengige politistyrker uten felles oversikt (arXiv). Fragmenteringen skjer i mindre skala hos SMB-er også, bare uten noen som teller.

Isolasjon og begrenset rekkevidde

Markedet beveger seg mot kjøremiljøer der agenten er isolert og bare når de systemene den er eksplisitt gitt tilgang til. Det er samme prinsipp som gjelder for interne apper bygget raskt: rask utrulling er verdiløs hvis tilgangsmodellen er bred som standard. Sett rekkevidden per prosess, ikke per verktøy, og revider den kvartalsvis.

Les også: Selvforbedrende AI-agenter krever pålitelighet før hastighet. Meta har vist AI-agenter som skriver om sin egen kode.

Regulering: AI Act treffer bruken, ikke agentarkitekturen

Det største misforståelsen i norske ledergrupper er at «agent» er en juridisk kategori. Det er den ikke. EUs AI Act regulerer AI-systemer, ikke arkitektoniske mønstre, og forordningen definerer ikke ordet agent overhodet (arXiv). Du kan derfor ikke slå opp hvilke regler som gjelder for «agenter». Du må klassifisere bruken.

Agentens handling	Typisk klassifisering	Hva det krever i praksis
Oppsummerer møtenotater internt	Åpenhetsforpliktelser	Informere brukerne om at innholdet er AI-generert
Kategoriserer supporthenvendelser	Lav risiko	Intern kvalitetskontroll og logging
Skjermer CV-er i rekruttering	Høyrisiko under Annex III	Full dokumentasjon, menneskelig tilsyn, sporbarhet
Vurderer kredittverdighet	Høyrisiko under Annex III	Samme krav, i tillegg til sektorregelverk

Klassifiseringen følger domenet og rettighetene

En agent som skjermer CV-er utløser høyrisikoklassifisering under Annex III, mens en agent som oppsummerer møtenotater bare utløser krav om åpenhet (arXiv). To agenter kan bruke samme modell, samme orkestrering og samme integrasjonsplattform, og likevel havne i helt ulike regulatoriske spor. Det er derfor handlingskartleggingen fra rammeverket over ikke er byråkrati, den er selve klassifiseringsgrunnlaget.

Sporbar atferd er et vilkår, ikke et ønske

Forskningen er utvetydig på et punkt: høyrisiko agentiske systemer med usporbar atferdsdrift kan ikke tilfredsstille AI Actens vesentlige krav (arXiv). Det er en hard grense, ikke en gradsforskjell. Hvis du ikke kan rekonstruere hvorfor agenten gjorde det den gjorde, kan du heller ikke dokumentere samsvar. For SMB-er betyr det at loggarkitekturen må velges før prosessen settes i drift, ikke etterpå.

Veiledningen finnes ikke ennå

AI Office hadde per tidlig 2026 ikke publisert noen veiledning spesifikt for AI-agenter (arXiv). Standardiseringsarbeidet pågår i JTC 21 med over 1 000 eksperter involvert, men resultatet foreligger ikke. Det gir et praktisk råd: dokumenter beslutningene dine underveis. Når veiledningen kommer, vil spørsmålet være hva du visste og vurderte da du satte agenten i drift. En foreslått samsvarsarkitektur i tolv sekvensielle trinn finnes allerede i litteraturen og duger godt som sjekkliste i mellomtiden. Vær også oppmerksom på at finjustering av en modell med mer enn en tredjedel av opprinnelig treningsressurs kan gjøre deg til GPAI-leverandør med egne plikter.

Markedsobservasjon: leverandørene bygger orkestreringslaget nå

Der pengene beveger seg raskest er ikke i agentene selv, men i laget som styrer dem. Agenter krever ressursallokering, arbeidsflytstyring og skalerbar infrastruktur, og analytikere sammenligner behovet med det Kubernetes gjorde for containere (youtube.com, 2025). Den som eier orkestreringen, eier kundeforholdet.

Kubernetes-analogien og hvor den halter

Analogien fungerer for skalaen: en liten organisasjon kan i prinsippet ha 500 000 agenter i drift, og det krever styringsverktøy ingen har i dag (youtube.com, 2025). Den halter på determinisme. Containere er forutsigbare, agenter er avhengige av dynamiske, trente data og oppfører seg ulikt fra kjøring til kjøring. Orkestrering av noe ikke-deterministisk er et vesentlig vanskeligere problem enn orkestrering av containere, og markedet har ikke løst det ennå.

Hva konsolideringen betyr for innkjøp

Deloitte anslår at 75 prosent av selskapene investerer i agentisk AI i 2026, opp fra 39 prosent av lederne som allerede hadde finansiert det (Deloitte, 2026). Samtidig kjøper de store plattformselskapene opp sikkerhets- og kjøremiljøteknologi, slik Ona-oppkjøpet illustrerer. For en SMB betyr det at leverandørlandskapet du velger fra i dag ser annerledes ut om to år. Korte avtaleperioder er billigere enn feil langsiktig veddemål.

Vanlige feil norske SMB-er gjør i agentprosjekter

Feilene under går igjen på tvers av bransjer og størrelser. Ingen av dem handler om teknologivalg. Alle handler om rekkefølge.

Feil 1: full utskifting i stedet for prosess for prosess

Alura mener at agentteknologi bør innføres prosess for prosess, ikke som en full utskifting av SaaS-stacken. Deloitte anslår at fremtiden der applikasjoner erstattes av agenter tar minst fem år eller mer å realisere (Deloitte, 2026). En SMB som river ut fungerende verktøy i 2026 betaler for en omstilling markedet ikke er ferdig med å definere.

Feil 2: agenten kobles på før handlingene er kartlagt

Det tekniske oppsettet tar en uke. Kartleggingen av hva agenten skal ha lov til å gjøre tar en dag, men gjøres sjelden, fordi den ikke føles som fremdrift. Resultatet er agenter med bredere tilgang enn noen har bestemt, og ingen som kan svare på hvilke systemer de faktisk skriver til. Denne feilen er billig å unngå og dyr å rette.

Feil 3: gammel avtale låser den nye prismodellen

En treårsavtale signert på faste brukerlisenser i 2026 møter et marked der en betydelig andel av forbruket har flyttet seg til bruks- og resultatbasert prising. Du sitter da med både lisenskostnaden og den nye bruksbaserte kostnaden fra agentleverandøren, for samme prosess. Reforhandlingsklausul ved vesentlig endring i leverandørens prismodell er den billigste forsikringen du kan skrive inn nå.

Ofte stilte spørsmål om AI-agenter og SaaS

Spørsmålene under er de vi oftest får fra ledergrupper i norske SMB-er som er i gang med de første vurderingene.

Betyr Gartner-anslaget at en tredjedel av verktøyene våre forsvinner?

Nei. Gartners anslag gjelder punktprodukter, altså smale enkeltverktøy, og det inkluderer både verktøy som erstattes og verktøy som absorberes inn i større agent-økosystemer (Deloitte, 2026). Absorbering betyr som regel at funksjonen lever videre inne i en plattform du allerede betaler for. Kjernesystemer med tunge data og integrasjoner er i liten grad omfattet.

Må vi ha en AI-strategi før vi setter i gang?

Nei, men du må ha en handlingsliste. Skriv ned de tre til fem prosessene der volumet er høyest og konsekvensen ved feil er lavest, og start der. En strategi som skrives uten erfaring fra minst en agent i drift blir som regel en oppsummering av leverandørenes markedsmateriell.

Er norske SMB-er omfattet av AI Act?

Ja, gjennom EØS-avtalen, og pliktene følger bruken. Om du er omfattet av strenge krav avhenger av domenet, de eksterne handlingene og hvilke rettigheter som berøres (arXiv). En agent som sorterer supporthenvendelser og en agent som vurderer jobbsøkere er to helt ulike saker juridisk, selv i samme selskap.

Hvordan budsjetterer vi når prisen er bruksbasert?

Estimer volumet i produksjon, ikke i pilot, og gang med tre. Krev kostnadstak og varsling i avtalen. Med 83 prosent av AI-native leverandører på bruksbasert prising er dette normalsituasjonen, ikke et unntak du kan forhandle deg vekk fra (Deloitte, 2026).

Kan vi bruke samme pålogging for agenten som for de ansatte?

Teknisk ja, praktisk nei. Delt pålogging ødelegger sporbarheten, og sporbarhet er et vilkår for samsvar i alt som berører rettigheter (arXiv). Gi agenten egen identitet fra dag en. Å rydde opp i dette etter tolv måneders drift er betydelig dyrere enn å gjøre det riktig ved oppstart.

Oppsummering og neste steg for verktøystabben

Konklusjonen er ikke at SaaS forsvinner. Den er at prisenheten, ansvarslinjen og dokumentasjonskravet endrer seg samtidig, og at de tre endringene treffer innkjøp før de treffer IT. Analytikerne kaller sluttilstanden service as software, der agenter leverer et fullstendig resultat i stedet for å hjelpe en bruker gjennom et grensesnitt (cio.inc, 2025).

Verktøykategori	Modenhet for agent	Første steg
Support og henvendelseshåndtering	Høy	Skygge-drift på kategorisering og utkast
Salg og CRM	Høy	Oppfølging og datavask, ikke prising
Rapportering og datasammenstilling	Middels	Lesetilgang først, skriving senere
Økonomi og bilag	Middels	Avstemming med menneskelig godkjenning
HR og rekruttering	Lav	Vent til logg og samsvarsdokumentasjon er på plass
Kreditt og risikovurdering	Lav	Behandles som høyrisiko fra start

Tre ting du kan gjøre denne måneden

Først: hent ut listen over alle SaaS-abonnementer med fornyelsesdato de neste tolv månedene, og marker punktproduktene. Deretter: kjør de fire spørsmålene fra rammeverket på de tre verktøyene med høyest volum. Til slutt: legg inn kostnadstak, varslingsgrense og reforhandlingsklausul i den neste avtalen du signerer, uavhengig av om den handler om AI. Det er innkjøpsdokumentet, ikke teknologivalget, som binder deg de neste tre årene.

En realistisk tidslinje

Første agent i skygge-drift innen tre måneder, første agent med skrivetilgang på en lavrisikoprosess innen seks, og en gjennomgang av hele verktøystabben mot 2030-anslagene en gang i året. Deloittes eget anslag på minst fem år før applikasjoner erstattes av agenter gir deg rommet til å gjøre dette i riktig rekkefølge (Deloitte, 2026). Selskapene som taper på denne omstillingen er sjelden de som gikk sakte. Det er de som signerte feil avtale raskt.

I Alura hjelper vi norske bedrifter med å bygge AI-strategi som faktisk lar seg gjennomføre. Vi kombinerer dyp teknisk innsikt med erfaring fra alt fra SMB til enterprise, og leverer veikart som virker i praksis, ikke bare i PowerPoint.

Bestill en strategiøkt: en halvdags samtale der vi kartlegger virksomhetens AI-modenhet, identifiserer de tre prosessene med størst potensial, og leverer et konkret veikart med budsjettramme. Uforpliktende.

Kilder

Deloitte (2026). SaaS meets AI agents: Transforming budgets, customer ...
arXiv. AI Agents Under EU Law A Compliance Architecture for AI ...
cio.inc (2025). From SaaS to Service as Software: The Evolution of AI Agents
youtube.com (2025). Goodbye SaaS, Hello AI Agents