Köpa eller bygga HR-system? Så fattar HR-ledare smartare teknikbeslut i AI-eran

En gammal fråga är därmed tillbaka på bordet. Ska du köpa ditt HR-system – eller bygga det själv?

Anders Holmberg, Chief Revenue Officer på Eletive, öppnade vår digitala summit AI in HR 2026 med exakt den frågan. Han har mer än 15 års erfarenhet av SaaS (software as a service) och har arbetat nära produktteam under hela den perioden. Här är de viktigaste insikterna från hans session.

Att bygga har aldrig varit enklare

Siffrorna är svåra att ignorera. Enligt GitHubs rapport från 2025 skapades 121 miljoner nya mjukvaruprojekt under året. Det motsvarar 230 projekt i minuten. AI-skapade projekt växte med 200 procent på ett år.

I början av året oroade den utvecklingen investerare. Diskussionen om en "SaaS-apokalyps" tog fart: om alla kan bygga sina egna verktyg, varför skulle någon köpa programvara? Värderingarna för några av de största SaaS-bolagen föll kraftigt.

Företagen slutade ändå inte köpa programvara. Den publika SaaS-marknaden har återhämtat sig med 40 procent sedan raset i februari. Programvaruinvesteringarna fortsätter att växa med 15,5 procent per år (Gartner, 2026), och ett genomsnittligt företag använder fortfarande omkring 300 verktyg (Zylo, 2026).

Det handlar alltså förmodligen inte om att välja mellan att köpa eller bygga. Det handlar om båda, sida vid sida. Den verkliga frågan är när man ska göra vad.

När det är rätt att bygga

Fyra tecken på att bygga kan vara rätt väg:

• Logiken är unik för er. Ert kompetensramverk, er jobarkitektur, era regler för intern rörlighet. Så snart en leverantör generaliserar det slutar det vara ert.

• Scopet är väldefinierat. Ett arbetsflöde. Ett team. En fråga. Det här kvartalet. Byggprojekt misslyckas när de tyst förvandlas till plattformar som ska hålla i flera år.

• Värdet ligger i data ni äger. Om det smarta är er data och AI bara är gränssnittet, är ni närmare att bygga än ni kanske tror.

• Ägarskapet är tydligt. Om ni inte kan namnge ansvarig person och budgetrad för 2029 bygger ni inte – ni prototypar.

Hur kan det se ut i HR-praktiken? Kanske en mikroundersökning: Hur gick kickoffen? Vem vill delta på julfesten? Vem är årets medarbetare? Här behövs varken anonymitet, trendlinjer eller koppling till er organisationsstruktur – ett enkelt egenbyggt verktyg räcker.

Eller kanske ett rapportpaket till styrelsen: en AI-agent som hämtar data från flera system och sammanställer er kvartalssrapport i ert eget format, varje gång. Eller en policy-assistent tränad enbart på er personalhandbok, era avtal och era lokala regler.

Alla tre fungerar av samma anledning: värdet ligger i er data, inte i modellen.

När det är smartare att köpa

Sex tecken på att köpa är det bättre valet:

• Problemet ser likadant ut överallt. Lön, rekrytering, compliance-rapportering, medarbetarsamtal. Någon har förmodligen redan löst det bättre än ni kommer att göra.

• Ni behöver ett jämförelsematerial. Benchmarkdata går inte att bygga själv. Det är en tillgång man antingen har eller inte har. Inom medarbetarengagemang är det ofta där de verkliga insikterna finns.

• Er regulatoriska och datamässiga exponering är bred. Det går att bygga en GDPR-kompatibel applikation i dag. Att hålla den kompatibel i takt med att lagstiftningen förändras är det svåra. Om ni riskerar att bryta mot GDPR eller kompromissa med medarbetarnas anonymitet vill ni ha en leverantör vars heltidsjobb är att hålla koll.

• De underliggande modellerna förändras hela tiden. Ibland förändras resultaten tyst, och er månadsrapport ser lite annorlunda ut varje gång. Leverantörer hanterar de migreringarna åt er.

• Kompetensen spelar större roll än programvaran. Köper ni, bär någon annan implementering och adoption. Bygger ni, blir ni experten. Permanent.

• Ni vill att någon annan svarar i telefon. Varje internt byggprojekt har en lansering. Väldigt få har support en måndagsmorgon.

Hur ett riktigt byggprojekt ser ut: ett exempel från Eletive

I somras byggde vårt säljteam ett AI-verktyg som hjälper säljare att välja vilka företag de ska kontakta, och som skriver ett första utkast till meddelandet.

Verktyget kopplar ihop system vi redan betalar för: HubSpot som CRM och källsystem, Apollo för företagsdata, n8n för arbetsflöden och Claude som AI-lager. Varje morgon uppdateras datan baserat på aktuella händelser och tidigare konversationer. AI:n väljer ut de företag som är mest relevanta att kontakta och skriver ett anpassat meddelande. En säljare finjusterar det innan det hamnar i e-postkön.

Det här är troligen den form många interna byggprojekt kommer att ta framöver. Inte "vi byggde ett eget system", utan "vi kopplade ihop fyra saker vi redan äger för att lösa ett problem ingen säljer en produkt för."

Den första prototypen tog några dagar att bygga, och resultatet var imponerande. Det kändes 90 procent klart. De sista 10 procenten är där det verkliga arbetet bor. Vad händer när en kontakt är på väg att lämna sitt företag? När två bolag är kopplade till varandra? Hantering av undantag, datakvalitet, svarstider, korrekt dataladdning varje gång (inte bara de flesta gånger) och utbildning tar tid.

Hittills har projektet krävt hundratals timmar och två personer som arbetat med det nästan på heltid. Mer än vi hoppades på. Det är ändå värt det. Målet är 25 procent högre output per säljare. Det var rätt beslut just för att vi hade resurserna och datan var unik för oss.

Lärdomen: att nå den första vinsten är enkelt nu. Att nå den hundrade är precis lika svårt som det alltid har varit.

Verktygen har blivit enklare. Jobbet runt dem har inte det.

Att bygga handlar om så mycket mer än kod. Ni blir projektledare: scope, sekvensering, undantag, testning, utrullning. Ni äger er dataarkitektur: var datan finns, vad som är källsystemet och vad som händer när två system inte stämmer överens. Ni blir också produktansvariga och behöver specificera exakt hur allt ska fungera – inklusive varje undantagsfall ni helst inte vill tänka på.

AI bygger exakt det ni ber om. Det svåra är att veta vad ni ska be om.

Ingen sida är en enda budgetpost

Bygger ni, räkna med hosting och modellkostnader, säkerhetsgranskning, juridiskt godkännande, testning och förändringsledning. Räkna med underhåll när API:er förändras under er, och vem som hanterar support. Räkna också med "bus-faktorn": vad händer om personen som byggde det slutar? Den kanske allra största kostnaden är alternativkostnaden. Driver ni en hamburgerrestaurang är er tid förmodligen bäst använd på burgarna.

Att köpa har också dolda kostnader: integration, implementation, datamigrering, adoption och utbildning, administrationstid, leverantörshantering och omställningskostnader om det inte fungerar.

Det finns kostnader på båda sidor. Den verkliga skillnaden handlar inte om pengar. Det handlar om vem som bär kompetensen och risken.

Framtiden är att köpa och bygga

De flesta HR-team kommer troligen att köpa verktyg för sitt kärnarbete: medarbetarengagemang och Performance Management, rekrytering, HRIS, tids- och lönehantering. Dessa verktyg ger er gränssnittet för det dagliga arbetet, avancerad datahantering och compliance, samt leverantörskompetens och support.

Ovanpå det kommer ett AI-lager med säker tillgång till datan. Och ovanpå det bygger ni egna interna applikationer och ett analyslager som kopplar samman systemen. Många företag rör sig redan i den riktningen.

Var börjar man på måndag morgon?

Några praktiska råd från Q&A:

• Kolla vad ni redan betalar för. Kör ni på Microsoft eller Google har ni troligen redan AI-verktyg ni kan experimentera med.

• Börja med problemet, inte verktyget. Beskriv ert problem för ett AI-verktyg och fråga hur ni skulle kunna lösa det.

• Titta på arbetsflödesverktyg. Att flytta data från ett system till ett annat är ofta där de första snabba vinsterna finns.

• Håll ert första projekt lågriskigt. Välj något utan personuppgifter. När personuppgifter är inblandade, ta in er juridiska funktion tidigt.

Missade du evenemanget? Se hela reprisen av AI in HR 2026: From People Insights to Business Impact